Présentation du projet et ancrage AMPIRIC
Cette recherche collaborative et interdisciplinaire vise à analyser l’impact d’un dispositif pédagogique innovant intégrant l’Intelligence Artificielle (IA) sur le développement des savoirs fondamentaux : les compétences mathématiques, y compris le calcul mental et la résolution de problèmes, chez les élèves de l’école primaire.
L’objectif n’est pas seulement d’utiliser des dispositifs pédagogiques intégrant l’IA, mais de permettre aux élèves de développer des compétences fondamentales en STEM, tout en accédant à une compréhension élémentaire et critique des principes de l’IA (données, règles, décisions automatisées, biais d’entraînement) adaptée au niveau primaire.
élèves de Cycle 2 (CP/CE1) suivis sur 2 cohortes successives (groupe test vs groupe témoin).
Co-conception des scénarios STEM/IA, expérimentation écologique en classe et valorisation.
élèves volontaires par cohorte participant aux séances d'oculométrie sur le plateau AMPIRIC.
AMPIRIC ciblés : Domaine 1 (Compter, Raisonner) et Domaine 3 (Adossement recherche & continuum).
Enjeux pour la recherche
Produire des connaissances empiriques sur les processus cognitifs mobilisés lors d'activités STEM augmentées par l'IA (raisonnement scientifique, pensée computationnelle, calcul mental et littératie IA dès le Cycle 2).
Enjeux pour le terrain
Soutenir l’engagement, l'inclusion et la différenciation pédagogique en mathématiques (construction du nombre, représentation des quantités, exercices adaptatifs et rétroactions immédiates).
Enjeux pour la formation
Accompagner les enseignants dans l’intégration critique et éthique de l’IA via la co-conception, et produire des ressources clés en main transférables en formation initiale (INSPÉ) et continue (DRANE, Mission numérique 13).
Équipe du projet et partenaires de terrain
Le projet PriMIATHS articule étroitement deux laboratoires d'Aix-Marseille Université (ADEF et LIS), l'INSPÉ et les acteurs de terrain de l'Académie d'Aix-Marseille :
Équipe de recherche (AMU / INSPÉ)
Acteurs de terrain (Académie d'Aix-Marseille)
Terrain d'expérimentation : École élémentaire publique Cité Michelis 2 (La Valbarelle, 13011 Marseille) — Classes de CP/Cycle 2 (6–7 ans, ~25 élèves par classe).
Focus : Co-conception de scénarios techno-pédagogiques
Chaque activité augmentée par l’IA suit une structure didactique répétable et comparable au fil de l'année pour développer simultanément le raisonnement mathématique et la littératie de l'IA (principes des Teachable Machines via la plateforme Vittascience).
« Nous, enseignants, sommes souvent démunis face aux élèves ayant des difficultés importantes dans la construction du nombre à l'entrée au CP (certains ne savent pas montrer 3 ou 5 doigts au jeu du Lucky Luke). [...] Cet écart de niveau est particulièrement difficile à gérer au quotidien, les nouveaux programmes faisant de la progression rapide en numération (nombres jusqu'à 100 dès la période 3) un enjeu incompatible avec leurs difficultés. »
— Rose Delene, Professeure des écoles à l'école Michelis 2 (Expression du besoin de terrain)
Exemple de séquence : Construction du nombre, géométrie et biais d'entraînement
1. Explorer le classement
Les élèves dessinent, manipulent ou prennent en photo différentes représentations de quantités (dactylonomie : doigts levés, barres de dizaines, constellations de dés) ou figures géométriques (cercle, carré, triangle) et les classent par catégorie.
2. Entraînement de l’IA
Sur Vittascience, les élèves entraînent un modèle d'IA à reconnaître 4 ou 5 doigts levés (ou une figure géométrique) à partir des images collectées. Ils observent les rétroactions et ajustent leur jeu de données.
3. Évaluation & Métacognition
En testant le modèle sur 3 doigts levés ou des figures atypiques, les élèves constatent les erreurs de l'IA. Ils calculent le taux de réussite, verbalisent les critères mathématiques et découvrent concrètement la notion de biais lié aux données d'entraînement.
Méthodologie d'évaluation et Plateau AMPIRIC
Le projet repose sur un devis quasi-expérimental longitudinal à mesures répétées (pré-test / observations de processus / post-test) comparant un groupe expérimental (25–30 élèves) et un groupe témoin sur deux cohortes annuelles successives.
Instruments standardisés adaptés au primaire
- Scientific Thinking Skills Assessment Tool (STS-AT, Ozturk, 2025) : interrogation critique, test d’hypothèses, interprétation analytique et métacognition.
- Test de Maîtrise des Concepts Computationnels (Sigayret, Tricot & Blanc, 2021) : décomposition de problèmes, logique algorithmique, reconnaissance de régularités.
- Student Engagement Instrument (Lessard, Lopez & Diallo, 2022) : engagement cognitif, émotionnel et comportemental en activités STEM et calcul mental.
Séance instrumentée par Oculométrie (Eye-Tracking)
Sur le plateau expérimental AMPIRIC, un sous-échantillon volontaire (10 à 12 élèves par cohorte, 2 séances de 45–60 min) est observé à l'aide d'oculomètres fixes lors de la visualisation de collections d’objets (1 à 10) :
- Mesures quantitatives : temps de fixation par diapositive et par zone d’intérêt (AOI).
- Mesures qualitatives : trajectoires du regard et cartes de chaleur (heatmaps) croisées avec les stratégies de dénombrement.
Dimensions évaluées et indicateurs croisés
| Dimension cible | Indicateurs quantitatifs et qualitatifs |
|---|---|
| Raisonnement scientifique | Scores à l'échelle STS-AT adaptée + justifications orales des élèves |
| Pensée computationnelle | Scores de décomposition de problèmes et de logique algorithmique |
| Compétences mathématiques | Construction du nombre, tri géométrique, calcul mental et résolution de problèmes |
| Engagement des élèves | Échelle d'engagement enfant (SEI) + grilles d'observation en classe |
| Littératie de l'IA | Capacité à expliquer une erreur de prédiction et un biais dans les données d'entraînement |
Calendrier prévisionnel (2026–2029) et Budget
Déploiement structuré sur 3 années (dépôt au Comité d'éthique prévu dès juillet 2026) :
Cohorte 1 & Outils
- Sept.–Oct. 2026 : Co-conception des séances et adaptation des outils de mesure
- Nov. 2026–Mai 2027 : Pré-test, expérimentation (Cohorte 1 : 30 élèves + groupe contrôle) et post-test
- Juin–Août 2027 : Analyse des premières données
Cohorte 2 & Consolidation
- Sept. 2027–Juin 2028 : Déploiement complet avec la 2e cohorte (30 élèves + groupe contrôle)
- Passation des pré-tests, séances plateau Eye-Tracking et post-tests
- Ajustement itératif des scénarios pédagogiques
Valorisation & Livrables
- Analyses statistiques et qualitatives croisées des 2 cohortes
- Co-conception d’outils d'évaluation transférables
- Co-rédaction d’articles chercheurs/enseignants et colloques
Transfert en formation
- Intégration des modules en formation initiale (Master MEEF / INSPÉ)
- Diffusion en formation continue (Mission numérique 13, Kit IA DRANE PACA, plateforme OBSIA)
Budget prévisionnel du projet
| Poste de dépenses | Montant |
|---|---|
| Gratification d’heures de vacation pour enseignants | 1000 € |
| Missions, déplacements et valorisation scientifique | 4000 € |
| Gratification stage Master MEEF (3 mois – analyse de données) | 1980 € |
| Gratification stage Master Informatique / LIS (3 mois) | 1980 € |
| Frais de relecture et publication scientifique en anglais | 1000 € |
| Sortie et dépenses liées au plateau expérimental AMPIRIC | 600 € |
| Budget Total demandé | 10560 € |
Maîtrise des risques anticipés
- Volontariat des élèves : Mobilisation appuyée sur l'ancrage local fort de l'équipe enseignante et des ateliers ludiques.
- Traitement des données : Répartition structurée entre les chercheurs (ADEF, LIS) et recrutement de 2 stagiaires de Master (MEEF et Informatique).
- Appropriation enseignante : Accompagnement progressif en co-conception, soutien ERUN et intégration aux dispositifs existants (Kit IA DRANE, Forge des communs numériques).
- Généralisation : Création de fiches-actions modulables adaptables à d'autres contextes scolaires.
Publications et productions de l'équipe
Travaux scientifiques, expérimentations et ressources éducatives développés par les membres du consortium et publications issues du projet PriMIATHS :
-
Dire, penser et représenter la géométrie avec l'IA : une expérimentation à l'école primaire dans le cadre du projet AMPIRIC-PRIMIATHS
-
Intelligence Artificielle au primaire Appropriation de l'IA et apports pédagogiques et didactiques
-
Appropriation pédagogique de l’IA au primaire au service des savoirs fondamentaux
Consulter la bibliographie et documentation de référence du projet PriMIATHS
- Allesant, H., Badache, I., & Impedovo, M. (2025). Découverte de l’intelligence artificielle par des directeurs et directrices d’école primaire: une étude de cas dans deux circonscriptions marseillaises. In Actes de l'atelier Intelligence Artificielle générative et ÉDUcation: Enjeux, Défis et Perspectives de Recherche 2025 (IA-ÉDU) (pp. 21-28).
- Allesant, H. (2026) Développer la littératie à l’intelligence artificielle à l’école primaire : Apprentissages fondamentaux,pratiques enseignantes et défis d’appropriation. RJC-EIAH 2026.
- Allesant H. (2026) Développer la littéracie à l'intelligence artificielle à l'école primaire. Poster accepté au Colloque AFEVO 2026.
- Badache, I., & Bellet, P. (2024). Intelligence artificielle : usage pédagogique et esprit critique. Dans 16ème édition du colloque Interactions Multimodales Par ÉCran, IMPEC 2024
- Nouali, S., Badache, I., & Bellot, P. (2025). Exploration du RAG pour la génération de réponses à des questions en contexte éducatif: étude sur les données SCIQ. In Actes de l'atelier Intelligence Artificielle générative et ÉDUcation: Enjeux, Défis et Perspectives de Recherche 2025 (IA-ÉDU) (pp. 29-41).
- Chiu, T. K., Ahmad, Z., Ismailov, M., & Sanusi, I. T. (2024). What are artificial intelligence literacy and competency? A comprehensive framework to support them. Computers and Education Open, 6, 100171.
- DEPP. (2022 ; 2025). Repères et références statistiques & Note d'information sur la formation des enseignants. Ministère de l'Éducation nationale.
- IDEO. (2012). Le Design Thinking pour les enseignants : Boîte à outils (2e éd.).
- Iqbal, R. A., Islam, R. S., & Cockerham, D. (2025). Co-Designing an AI Literacy Curriculum for Elementary Education Using Design Thinking. The Journal of Applied Instructional Design, 14(3).
- Lepage, A., Roy, N., & Romero, M. (2026). Un modèle didactique d’enseignement-apprentissage de l’intelligence artificielle : Une étude par théorisation ancrée des pratiques de médiation scientifique de la Maison de l’IA en France. STICEF, 33(1).
- Lessard, A., Lopez, A., & Diallo, T. M. (2022). Student Engagement Instrument (version française).
- Luckin, R., et al. (2021). Intelligence unleashed: An argument for AI in education. UCL Knowledge Lab.
- MEN. (2025). Cadre d'usage de l'IA en éducation. Ministère de l'Éducation nationale.
- Ozturk, E. (2025). Assessing scientific thinking in early childhood: Development and validation of the scientific thinking skills assessment tool (STS-AT). The Eurasia Proceedings of Educational and Social Sciences (EPESS), 45, 88-97.
- Romero, M., et al. (2023). Enseigner et apprendre à l’ère de l’intelligence artificielle.
- Şenol, V., & Tekdal, M. (2023). Teachable Machines in primary STEM education.
- Sigayret, P., Tricot, A., & Blanc, N. (2021). Test de Maîtrise des Concepts Computationnels.
- Solari Landa, M., & Pottier, L. (2025). Représentations de l’IA chez des collégiens : Le cas d’un établissement parisien. Réseau Canopé.
- Trestini, M., & Zeyringer, M. (2026). Les professeurs des écoles en France et l'intelligence artificielle. STICEF, 33(1).
- UNESCO. (2023 ; 2024). Orientations pour l’intelligence artificielle générative dans l’éducation et la recherche.
- Wang, X., & Fan, J. (2025). The Effect of ChatGPT on Students’ Learning Performance, Learning Perception, and Higher-Order Thinking: Insights from a Meta-Analysis. Humanities and Social Sciences Communications, 12, 621.
- Yim, I. H. Y. (2023). Design of artificial intelligence (AI) education for primary schools: arts-based approach. ISTE Books.