OpenAI : combler le déficit d’accompagnement de l’IA dans l’éducation exige plus que l’accès
OpenAI a publié de nouvelles orientations sur l’éducation le 10 novembre, mettant en lumière un décalage : 79 % des élèves interrogés utilisaient l’IA pour leurs devoirs, tandis que 47 % avaient reçu des conseils. Combler le déficit d’accompagnement de l’IA dans l’éducation est la préoccupation centrale du rapport, qui s’appuie sur des recherches de ThinkYoung et sur les partenariats régionaux d’OpenAI. Ses conclusions mettent les responsables de l’éducation sous pression pour relier l’accès à l’enseignement, plutôt que de considérer la disponibilité comme une réussite éducative.
La tension centrale oppose l’achèvement des travaux scolaires avec assistance au développement de connaissances que les élèves peuvent mobiliser de façon autonome. Ces résultats peuvent se recouper, mais un devoir impressionnant ne prouve pas que son auteur comprend le sujet. Les enseignants en subissent les conséquences immédiates lorsque les travaux remis deviennent plus difficiles à interpréter.
Guided Learning de Google offre un repère utile dans le secteur : les fournisseurs décrivent de plus en plus l’IA éducative à travers les questions, les explications et la participation. Le rapport d’OpenAI étend cette discussion à la préparation des enseignants et au déploiement public. La question délicate consiste à déterminer si ces dispositifs améliorent l’apprentissage et quelles preuves les établissements devraient exiger avant de les étendre.
OpenAI place le déficit d’accompagnement avant l’accès aux outils
Les orientations d’OpenAI sur l’éducation tirent des enseignements de partenariats en Europe, au Moyen-Orient et en Afrique. Elles identifient comme priorités la préparation des enseignants, l’adaptation locale, la culture de l’IA et l’évaluation. L’entreprise présente ces expériences comme des enseignements dépendants du contexte, avec des signaux encourageants de mise en œuvre et des questions non résolues sur l’apprentissage autonome.
L’annonce fournit aux responsables de l’éducation un programme de mise en œuvre sans établir de modèle universel pour la classe.
Cette distinction rend la publication plus utile qu’une simple annonce d’adoption. Un établissement peut distribuer des comptes tout en laissant les enseignants incertains quant à l’assistance acceptable. Les élèves peuvent devenir des utilisateurs fréquents sans développer le jugement nécessaire pour savoir quand une réponse mérite leur confiance.
Le rapport soulève donc une question pratique de responsabilité : qui assume l’expérience éducative une fois l’accès disponible ? Les fournisseurs de technologies influencent le comportement des produits, tandis que les autorités éducatives établissent les attentes et que les enseignants les interprètent selon les matières. Une initiative devient plus difficile à évaluer lorsque ces responsabilités restent ambiguës.
Les chiffres de l’enquête exigent une lecture tout aussi prudente. OpenAI attribue à ThinkYoung le chiffre de 79 % d’utilisation pour les devoirs et celui de 47 % d’accompagnement. La recherche publique sur l’éducation de ThinkYoung décrit une étude plus large impliquant 5 000 élèves, 600 enseignants et 12 pays de la région.
Cependant, le rapport d’accompagnement d’OpenAI décrit l’enquête auprès des élèves qu’il cite comme couvrant dix pays européens. Les descriptions publiques diffèrent donc quant au périmètre géographique. Les lecteurs devraient conserver l’attribution plutôt que de supposer que chaque statistique publiée décrit un échantillon identique.
La soustraction des pourcentages indiqués donne un écart de 32 points de pourcentage. Ce calcul décrit la distance entre l’utilisation déclarée et l’accompagnement déclaré. Il n’identifie pas précisément quels utilisateurs n’ont pas reçu d’instruction, car cela nécessiterait des informations sur le recoupement des réponses.
L’écart n’établit pas non plus pourquoi l’accompagnement manquait ni si l’instruction existante était efficace. Montrer comment utiliser un outil peut aller d’une démonstration introductive à un enseignement soutenu et spécifique à une discipline. Les chiffres mis en avant établissent une question qui mérite d’être étudiée, plutôt qu’un diagnostic complet.
Pour les établissements, cela implique qu’un déploiement doit définir la réussite éducative avant que l’utilisation ne devienne sa mesure la plus visible. Sans cette définition, la participation peut discrètement devenir le résultat que tout le monde rapporte. L’objectif initial — aider les élèves à comprendre et à agir de manière autonome — devient plus difficile à évaluer.
Cela modifie également la manière dont l’annonce doit être lue en dehors de la région. Les partenariats fournissent des exemples de choix institutionnels, plutôt qu’un ensemble que les établissements nord-américains peuvent copier sans modification. Les règles locales d’évaluation, les modalités de dotation en personnel et les attentes en classe déterminent toujours si l’approche est adaptée.
L’actualité porte donc sur la manière dont les institutions organisent l’usage de l’IA autour de l’apprentissage. L’accès aux produits reste une part de ce travail, mais le rapport attire l’attention sur les personnes et les preuves qui l’entourent.
Les enseignants héritent de la pression de rendre l’usage de l’IA pertinent
Les personnes confrontées à la pression la plus immédiate sont les enseignants, les responsables d’établissement et les personnes chargées de l’évaluation. Elles doivent décider ce que le travail assisté révèle de la compréhension, tout en maintenant des attentes que les élèves peuvent suivre. Une déclaration générale en faveur d’une IA responsable laisse ces décisions de classe non résolues.
Le soutien aux enseignants détermine si les orientations institutionnelles deviennent une pratique utilisable en classe.
Prenons l’exemple hypothétique d’un devoir d’histoire autorisant l’IA durant les recherches préliminaires. Un élève soumet une argumentation claire, mais ne peut pas expliquer pourquoi ses sources étayent sa conclusion. L’enseignant a besoin d’une approche d’évaluation qui distingue une aide utile d’une compréhension absente.
Ce problème ne peut pas être résolu en identifiant si l’IA est apparue à un moment donné du processus. La question éducative porte sur le raisonnement effectué par l’élève et sur ce qu’il a retenu. Une déclaration d’utilisation aide à établir la transparence, mais elle ne répond pas seule à cette question.
La même distinction s’applique aux mathématiques. Une explication qui aide un élève à résoudre un exercice d’entraînement peut être utile. La question de savoir si cette assistance construit une compréhension transférable devient plus claire lorsque l’élève rencontre un problème différent sans soutien équivalent.
Il s’agit de choix d’évaluation autant que de choix technologiques. Les enseignants ont besoin de latitude pour préciser l’aide acceptable selon l’objectif d’une activité. Une assistance appropriée pour réviser un sujet pourrait compromettre un exercice conçu pour révéler un raisonnement autonome.
Le rapport régional d’OpenAI offre des exemples concrets, bien que le récit de l’entreprise exige d’être attribué. En Estonie, 794 des 828 enseignants interrogés ont déclaré un usage professionnel de l’IA. Séparément, 723 répondants ont estimé un gain de temps hebdomadaire moyen de 1,8 heure.
Ces chiffres décrivent une expérience déclarée plutôt que des réductions de charge de travail mesurées de manière indépendante. Ils signalent néanmoins une possibilité pertinente : les enseignants pourraient gagner du temps pour des tâches nécessitant leur attention. La concrétisation de cette possibilité dépend de l’ampleur des vérifications et révisions exigées par le matériel généré.
Le rapport régional de mise en œuvre décrit également des retours moins favorables des élèves sur le tuteur ITI estonien. Les répondants ont signalé un nombre excessif de questions, des échanges lents et le souhait d’explications plus claires. Ces réactions concernent cette application particulière et n’établissent pas ses effets sur l’apprentissage.
OpenAI décrit l’utilisation de l’IA en Slovaquie pour rédiger des normes actualisées destinées aux enseignants, à soumettre à un examen d’experts, illustrant une autre application administrative. Son récit sur la Grèce met l’accent sur une supervision définie et les responsabilités des établissements. Ces exemples répondent à des problèmes institutionnels différents et ne devraient pas être traités comme des preuves interchangeables.
Pris ensemble, ces exemples suggèrent une distinction analytique entre gagner du temps de préparation et améliorer la compréhension des élèves. Un établissement pourrait atteindre le premier objectif sans établir le second. Les présenter sous une même étiquette de réussite masquerait des informations nécessaires aux décideurs.
La préparation des enseignants a également un coût d’opportunité. Le temps consacré à l’apprentissage d’un système concurrence la préparation, les retours aux élèves et les autres formes de développement professionnel. Un déploiement devrait donc prendre en compte le travail qu’il crée aussi soigneusement que celui qu’il vise à réduire.
Pour les responsables de l’éducation, la réponse imposée est organisationnelle. Ils doivent relier les attentes en classe, le soutien pratique et les décisions d’évaluation. Laisser chaque enseignant résoudre indépendamment la même incertitude rend la cohérence difficile et affaiblit la valeur des orientations à l’échelle de l’institution.
Combler le déficit d’accompagnement de l’IA dans l’éducation suppose de protéger l’effort des élèves
Le principal conflit qui traverse ces partenariats concerne la relation entre l’assistance et l’effort intellectuel. L’IA peut faciliter l’accès à l’information tout en laissant incertain le volume de raisonnement effectué par l’apprenant. La conception pédagogique détermine quelles parties d’une tâche restent à la charge de l’élève.
Une tâche achevée et une compétence acquise sont deux résultats différents, même lorsqu’ils produisent la même réponse visible.
Cette différence importe parce que le travail scolaire remplit plusieurs fonctions. Certaines activités développent l’aisance par la pratique, tandis que d’autres révèlent des idées fausses ou évaluent le jugement autonome. Un système qui élimine indistinctement la difficulté risque de supprimer le travail même qu’une activité était conçue pour susciter.
Cela ne rend pas la difficulté précieuse dans toutes les circonstances. La confusion causée par une explication peu claire peut entraver l’apprentissage plutôt que le soutenir. La décision éducative consiste à déterminer quels obstacles aident les élèves à réfléchir et lesquels les empêchent simplement de progresser.
Par exemple, un élève en sciences, dans un cas hypothétique, pourrait demander à l’IA d’expliquer un terme inconnu dans un langage plus simple. Cette aide peut préserver la tâche plus large consistant à évaluer des preuves. Demander au système de fournir l’évaluation entière transfère davantage du raisonnement prévu loin de l’apprenant.
La distinction est contextuelle plutôt qu’absolue. Une explication utile pendant une révision peut être inappropriée lors d’une évaluation du même concept. Les établissements ont donc besoin d’un langage décrivant l’objectif de l’assistance, en complément de règles précisant quand elle est autorisée.
La culture de l’IA, c’est-à-dire la capacité à évaluer les capacités, les limites et les usages appropriés de l’IA, fait partie de cette discussion. Savoir obtenir une réponse n’est qu’une partie de la compétence. Les élèves doivent aussi en juger la pertinence et reconnaître lorsqu’une vérification supplémentaire est nécessaire.
Combler le déficit d’accompagnement de l’IA dans l’éducation exige donc de prêter attention aux décisions des élèves, au-delà de leur familiarité avec une interface. La capacité pertinente consiste notamment à savoir quand demander de l’aide, quand la remettre en question et quand poursuivre de manière autonome. Cette capacité est difficile à déduire de la fréquence d’utilisation.
Google fournit une comparaison utile sans modifier le conflit central. Son conception de l’apprentissage guidé, introduite en août 2025, utilise des questions, des explications étape par étape et du matériel interactif. Google décrit cette approche comme favorisant la participation et une compréhension plus approfondie.
Il s’agit d’une affirmation de conception de produit, et non d’une preuve d’apprentissage durable dans les classes. Sa pertinence tient au fait que les fournisseurs reconnaissent la différence entre fournir une réponse et soutenir le raisonnement. Les établissements ont toujours besoin de preuves montrant comment une mise en œuvre particulière fonctionne pour leurs élèves.
Le questionnement lui-même exige également du jugement. Un apprenant qui ne possède pas les bases nécessaires peut avoir besoin d’une explication directe avant qu’un dialogue utile devienne possible. Des incitations répétées à raisonner peuvent devenir frustrantes lorsque le système n’a pas fourni suffisamment d’informations pour commencer.
À l’inverse, une solution immédiate peut sembler satisfaisante tout en laissant peu de place à l’entraînement. La satisfaction vis-à-vis d’un produit ne peut donc pas trancher la question éducative dans un sens ou dans l’autre. Une expérience peut être agréable sans produire de compréhension, ou exigeante sans générer d’apprentissage utile.
Pour les étudiants qui gèrent leurs lectures et leurs recherches, la gestion des connaissances personnelles offre une perspective connexe : conserver les sources disponibles facilite leur révision ultérieure. Sa valeur éducative dépend toutefois toujours de l’usage que l’apprenant fait de ces ressources. Collecter des informations ne démontre pas davantage la compréhension que générer une réponse.
L’implication plus large est que les établissements scolaires devraient évaluer l’assistance au niveau d’une activité d’apprentissage. Se demander si l’IA est globalement bonne ou mauvaise masque les décisions qui comptent réellement. La question la plus utile concerne le travail intellectuel qu’un outil soutient, préserve ou prend en charge.
Des recherches indépendantes remettent en question le raccourci entre usage et apprentissage
OpenAI a un intérêt commercial dans l’adoption de ses outils éducatifs ; ses comptes rendus de partenariats doivent donc être examinés à la lumière de preuves indépendantes. Cet intérêt n’invalide pas les expériences rapportées. Il rend cependant essentiels une attribution claire et la publication de résultats défavorables pour les évaluer.
L’usage, la satisfaction, les gains de temps déclarés et l’apprentissage indépendant répondent à des questions différentes.
Une expérience de terrain en mathématiques, évaluée par les pairs et menée par Hamsa Bastani et ses collègues, illustre l’importance de cette distinction. Publiée dans PNAS en juin 2025, elle comparait des formes d’assistance par IA conçues de différentes manières. L’amélioration des performances des élèves pendant les exercices assistés ne persistait pas nécessairement lorsque l’accès était retiré.
L’étude a constaté qu’une assistance sans garde-fous pouvait nuire aux performances ultérieures en autonomie. Un tuteur conçu avec des protections favorisant l’apprentissage atténuait largement ce préjudice. Ces résultats portent sur un contexte mathématique particulier et n’établissent pas les effets des partenariats régionaux actuels d’OpenAI.
Leur valeur analytique réside dans la méthode d’évaluation. Les chercheurs ont examiné ce qui se produisait après la disparition de l’assistance, au lieu de considérer un travail assisté plus performant comme une preuve suffisante. Cela rend l’étude directement pertinente pour les affirmations selon lesquelles les élèves développent des compétences qu’ils pourront ensuite mobiliser de manière autonome.
Pour les responsables des achats, la leçon consiste à définir le résultat attendu avant de choisir une mesure. Si un établissement veut renforcer le raisonnement indépendant, la qualité des devoirs assistés constitue une preuve incomplète. S’il souhaite faciliter l’accès aux explications, la facilité d’utilisation devient plus directement pertinente, même si l’apprentissage exige toujours un examen distinct.
Andreas Schleicher, directeur de l’éducation à l’OCDE, apporte une autre perspective dans sa discussion d’octobre 2026 sur les données relatives à l’apprentissage des élèves. Il décrit des relations contrastées entre l’utilisation déclarée de chatbots et les résultats en sciences. Il avertit également que ces relations n’établissent pas nécessairement un lien de causalité.
Cette prudence est importante dans les deux sens. Les élèves en difficulté peuvent rechercher davantage d’assistance par IA, ce qui peut faire apparaître l’usage comme associé à de moins bons résultats. D’autres différences entre les groupes peuvent aussi compliquer les comparaisons. Les tendances observées ne peuvent pas, à elles seules, établir ce qu’une intervention a causé.
Schleicher plaide néanmoins pour des orientations plus claires et un développement professionnel continu des enseignants. Sa position renforce la question institutionnelle soulevée par le rapport d’OpenAI, tout en accordant une plus grande importance à la prudence. La disponibilité seule ne permet pas de déterminer si une application bénéficie à une activité d’apprentissage donnée.
Pour les décideurs, cela crée une hiérarchie d’affirmations qui devrait rester visible. Une enquête auprès des participants peut décrire l’utilité perçue. Une comparaison contrôlée peut fournir des preuves plus solides de l’effet d’une intervention dans des conditions précises. Aucune des deux n’établit automatiquement des bénéfices durables pour l’ensemble des matières et des populations.
Les preuves doivent aussi résister aux changements du produit. Une conclusion portant sur une conception particulière de tutorat ne se transpose pas nécessairement à une interface révisée ou à un autre déroulement du travail en classe. L’évaluation devrait identifier ce que les élèves ont réellement utilisé et comment l’activité a été organisée.
Les établissements devraient également distinguer la qualité d’une réponse d’IA de son effet sur l’apprenant. Une explication exacte peut tout de même arriver trop tôt ou remplacer un entraînement nécessaire. Les performances factuelles d’un système ne répondent donc qu’à une partie de la question de son adéquation éducative.
Combler le déficit d’orientation sur l’IA dans l’éducation est par conséquent un problème de preuves autant que de formation. Les établissements ont besoin d’orientations fondées sur des effets éducatifs observés. Une formation centrée uniquement sur les fonctionnalités du produit risque d’enseigner un usage assuré sans établir dans quelles situations cet usage favorise l’apprentissage.
La mise en œuvre locale détermine qui reçoit des orientations utiles
Le cadre régional est important, car l’IA éducative entre dans des institutions aux langues, ressources et attentes différentes. Un produit peut fonctionner de façon cohérente sur le plan technique tout en produisant des expériences de classe très différentes. Le soutien local influence la capacité des enseignants à transformer des orientations générales en activité appropriée.
Un accès égal à un outil ne garantit pas un accès égal à une assistance éducative utile.
Considérons deux établissements hypothétiques adoptant le même système. L’un donne aux enseignants du temps pour examiner ensemble les ressources et réviser les devoirs. L’autre fournit des comptes sans soutien supplémentaire. Un accès identique au logiciel masquerait des conditions substantiellement différentes pour l’apprentissage des élèves.
La distinction devient particulièrement pertinente lorsqu’une activité dépend d’une aide en dehors de l’établissement. Les élèves diffèrent quant à l’accompagnement adulte dont ils disposent et aux conditions dans lesquelles ils étudient. Une politique institutionnelle devrait donc prendre en compte le soutien qu’un devoir suppose implicitement.
La langue ajoute une autre dimension. Une réponse fluide peut tout de même employer une terminologie qui entre en conflit avec les ressources de la classe ou expliquer un concept à un niveau inadapté. Les enseignants doivent juger si l’explication correspond à la matière et à l’apprenant, plutôt que de considérer la fluidité comme un indicateur de qualité.
L’adaptation locale concerne aussi les attentes en matière d’évaluation. Une réponse qui semble complète peut omettre le raisonnement qu’un cours exige des élèves. Sans ce contexte, un système peut aider à produire un travail qui paraît acceptable tout en ne soutenant pas la compétence visée.
Ces questions créent un enjeu de charge de travail pour les responsables de la mise en œuvre. Si les enseignants doivent réparer à plusieurs reprises des explications ou concilier des terminologies contradictoires, cette charge de soutien doit entrer dans l’évaluation. Une affirmation sur le temps gagné lors d’un premier brouillon ne tient pas compte de chaque tâche ultérieure.
La fiabilité technique a également une dimension éducative. Une activité dépendant de comptes indisponibles ou de ressources inaccessibles interrompt la leçon, quelle que soit la qualité du modèle. Prévoir les défaillances ordinaires détermine si les enseignants peuvent utiliser l’outil avec confiance dans un temps de classe limité.
Le même principe s’applique aux solutions de remplacement. Lorsqu’une participation dépend d’une technologie particulière, les élèves ont besoin d’une voie praticable si l’accès échoue ou si l’utilisation est inadaptée. Sinon, une initiative d’accès peut créer de nouvelles dépendances au sein de cours obligatoires.
Les autorités publiques ont également besoin de suffisamment d’expertise pour interpréter les preuves fournies par les fournisseurs. Sans cette capacité, les décisions d’achat risquent de s’appuyer sur les mesures les plus faciles à produire pour le prestataire. Les priorités éducatives devraient déterminer les questions posées à un produit.
Pour les fournisseurs, cela élargit les exigences de compétitivité. Une démonstration soignée ne répond pas aux questions de soutien aux enseignants, de pertinence locale ou d’évaluation indépendante. Ces exigences institutionnelles influencent la capacité d’un système éducatif à faire un usage responsable de la capacité sous-jacente.
Pour les travailleurs du savoir et les acheteurs en entreprise, ce schéma est suffisamment familier pour être utile. L’assistance peut améliorer le résultat immédiat tout en laissant subsister une incertitude sur l’expertise réellement acquise. L’éducation rend cette incertitude particulièrement importante, car le développement de l’expertise est l’objectif central de l’activité.
L’implication pour les responsables d’établissement est de considérer les conditions de mise en œuvre comme faisant partie intégrante de l’intervention. Le résultat d’un produit ne peut pas être interprété séparément de l’enseignement, du soutien et de l’évaluation qui l’entourent. L’expérience locale devrait éclairer les décisions sans être érigée en résultat universel.
La prochaine phase nécessite des preuves au-delà de l’activation des comptes
Au cours du prochain trimestre scolaire, les signaux les plus utiles concerneront la préparation des enseignants, l’apprentissage autonome et la réactivité institutionnelle. Il s’agit de priorités d’observation, et non de dates de publication annoncées. Chacune teste une partie différente de l’argument en faveur de l’élargissement de l’IA éducative.
La prochaine phase devrait montrer ce que les orientations changent, qui en bénéficie et ce que font les institutions lorsqu’une approche ne donne pas les résultats escomptés.
Le premier signal est de savoir si la préparation des enseignants produit des attentes utilisables en classe. La participation à une formation établit la présence, mais laisse incertains ses effets pratiques. Des preuves plus instructives montreraient comment les enseignants ont modifié les devoirs, expliqué l’assistance acceptable et résolu les confusions récurrentes.
Ces preuves renforceraient l’argument selon lequel les orientations répondent au manque identifié par OpenAI. Si les établissements élargissent l’accès alors que les enseignants restent incertains sur l’évaluation, cela affaiblirait la confiance dans la mise en œuvre. La distinction porte sur l’effet du soutien, plutôt que sur la visibilité du programme de formation.
La compréhension des règles par les élèves relève de ce signal. Une politique peut sembler claire aux administrateurs tout en restant confuse lors d’un devoir réel. Les retours sur l’assistance autorisée révéleraient si les intentions institutionnelles se traduisent en décisions que les apprenants peuvent prendre.
Le deuxième signal est la performance lorsque une assistance comparable n’est pas disponible. L’évaluation devrait examiner si les élèves conservent leurs connaissances et les appliquent à un travail inédit. Ces résultats portent plus directement sur l’apprentissage autonome que la qualité d’un devoir assisté.
La preuve de meilleures performances indépendantes soutiendrait l’argument en faveur d’une approche particulière dans les conditions testées. Des gains limités au travail assisté exigeraient une affirmation plus restreinte. Des résultats contrastés devraient conduire à distinguer les activités et les apprenants, plutôt qu’à une déclaration moyenne de réussite.
Le moment de l’évaluation importe également. Une évaluation immédiate répond à une question différente de celle menée après que les élèves ont dépassé la leçon initiale. Les responsables de l’éducation doivent savoir quel type de résultat un programme présente avant de tirer des conclusions sur un apprentissage durable.
Le troisième signal est de savoir si les partenariats réagissent de manière transparente aux retours défavorables. Des signalements d’explications confuses, de questionnements excessifs ou de travail supplémentaire pour les enseignants devraient conduire à des changements vérifiables. Ne publier que des expériences positives rendrait plus difficile l’évaluation de la capacité des institutions à apprendre de la mise en œuvre.
Une réponse convaincante relierait un problème documenté à un ajustement, puis à une évaluation ultérieure. Cette séquence montrerait comment l’expérience des enseignants et des élèves influence le programme. Annoncer un changement sans en examiner les effets laisserait l’incertitude initiale sans réponse.
Ces signaux aident aussi à établir des limites. Un programme peut réussir à soutenir une activité tout en restant inadapté à une autre. Les systèmes éducatifs doivent avoir la possibilité de restreindre, réviser ou abandonner des usages lorsque les preuves le justifient.
Avant d’étendre une initiative éducative en IA, demandez ce que les élèves devraient être capables de faire une fois l’assistance disparue. Examinez ensuite si la préparation des enseignants, les activités en classe et l’évaluation servent toutes cet objectif. Combler le déficit d’orientation sur l’IA dans l’éducation exige des données sur ces liens, en plus de l’accès et de la participation. Lisez les enseignements du partenariat en gardant à l’esprit les pratiques d’évaluation de votre propre établissement, et distinguez la commodité rapportée d’une compréhension démontrée. Demandez-vous quelles expériences manquent, quels résultats restent non mesurés et si des conclusions défavorables peuvent influer sur la décision suivante. La question la plus utile pour une école qui envisage une extension est concrète : qu’est-ce qui constituerait une preuve que les élèves deviennent des apprenants autonomes plus compétents ?



