pablo correa prieto.

Accueil / Figures

Figures

Figures

Les figures originales publiées sur ce site — avec mes articles sur l’intelligence artificielle en éducation et sur mes pages de recherche et de formation — réunies sur une page. Chacune est réutilisable sous licence CC BY 4.0 ; les conditions et la manière de citer sont sur la page Réutiliser les figures.

Détecter l’IA dans une copie : pourquoi la fiabilité n’est pas la bonne question

Diagramme en barres : exactitude moyenne de quatorze détecteurs par type de document, de 94 % sur les textes humains à 15 % sur un texte d’IA passé par un paraphraseur automatique
Exactitude moyenne de quatorze détecteurs selon le type de document, approche binaire. Données : Weber-Wulff et al. (2023).
© Pablo Correa Prieto, 2026 — CC BY 4.0
Deux colonnes comparant ce qu’un détecteur produit (une probabilité, portant sur un texte, sans distinguer ses propres erreurs, non réfutable par l’élève) et ce qu’une décision exige
Pourquoi la sortie d’un détecteur ne se convertit pas en décision.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Ce qui fait travailler un retour : l’information, pas la note

Diagramme en barres : effet d’un retour selon son contenu, 0,24 pour un renforcement ou une sanction, 0,46 pour un retour correctif et 0,99 pour un retour à haute densité d’information
Plus un retour contient d’information, plus son effet est grand. Données : Wisniewski et al. (2020).
© Pablo Correa Prieto, 2026 — CC BY 4.0
Diagramme en barres : retour d’expert jugé utile pour la révision dans 88 % des textes, retour produit par un modèle de langage dans 59 %, et transmis à l’élève dans 23 % des cas
Retours jugés utiles pour la révision, la source étant inconnue des évaluateurs. Données : Jansen et al. (2024).
© Pablo Correa Prieto, 2026 — CC BY 4.0

L’acceptation n’est pas l’usage : ce que mesurent les enquêtes sur l’IA à l’école

Diagramme en barres comparant trois corrélations : 0,85 entre utilité perçue et usage futur auto-prédit, 0,63 entre utilité perçue et usage déclaré, et 0,38 entre usage déclaré et usage enregistré
Les corrélations qui fondent le modèle portent sur des déclarations. Données : Davis (1989) et Parry et al. (2021).
© Pablo Correa Prieto, 2026 — CC BY 4.0
Chaîne en quatre maillons, de l’attitude à l’usage enregistré, avec une accolade montrant que la validation des modèles couvre les trois premiers maillons et s’arrête avant le dernier
Où s’arrête la validation des modèles d’acceptation.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Corriger avec l’IA : se comparer à nos vraies erreurs, pas à la perfection

Diagramme en barres : sur 73 enseignants qui ont noté la même rédaction, 10 ont donné A, 18 B, 30 C, 9 D et 6 F ; sur 100, les notes vont de 50 à 96
Une même copie, 73 enseignants : des notes de A à F. Données : Brimi (2011).
© Pablo Correa Prieto, 2026 — CC BY 4.0
Schéma : une copie anonymisée est corrigée par l’enseignant et, en parallèle, notée par l’IA ; si les deux notes concordent, elle est validée, sinon l’enseignant relit et tranche
Le second regard : l’IA note en parallèle, l’enseignant relit les écarts et tranche.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Un item juste n’est pas forcément aligné : trois questions pour juger un item d’évaluation

Trois colonnes numérotées, « Alignement », « Exigence cognitive » et « Qualité », chacune accompagnée de la question à poser sur l’item
Trois questions distinctes pour juger un item d’évaluation.
© Pablo Correa Prieto, 2026 — CC BY 4.0
Deux échelles de quatre niveaux d’exigence cognitive : celle de Webb (rappel, habileté ou concept, pensée stratégique, pensée étendue) et celle de Stein, Grover et Henningsen (mémorisation, procédures sans liens, procédures avec liens, faire des mathématiques)
Deux grilles publiées pour décrire l’exigence cognitive, du rappel au raisonnement.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Protéger l’effort qui fait apprendre : que confier à l’IA, que garder exigeant ?

Diagramme en barres : avec un accès libre à GPT-4, les notes augmentent de 48 % pendant les exercices mais baissent de 17 % à l’examen ; avec un tuteur qui donne des indices, elles augmentent de 127 % pendant les exercices, sans différence significative à l’examen
Mieux réussir pendant les exercices ne garantit pas de mieux réussir à l’examen. Données : Bastani et al. (2025).
© Pablo Correa Prieto, 2026 — CC BY 4.0
Deux colonnes : ce qu’il faut garder exigeant (se rappeler sans aide, produire sa réponse, expliquer avec ses mots, faire un premier essai) et ce qui peut être confié à l’outil sous contrôle (mise en forme, exercices supplémentaires, reformulation d’une consigne, indices plutôt que réponses)
Où se trouve l’effort utile : une proposition pour trier les tâches.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Préparer vite avec l’IA : le vrai travail, c’est de vérifier

Diagramme en barres : temps hebdomadaire de préparation de 81,5 minutes sans outil d’IA et de 56,2 minutes avec ChatGPT et un guide, soit 25,3 minutes de moins (−31 %)
Le gain de temps mesuré dans un essai contrôlé en Angleterre. Données : Roy et al. (2024).
© Pablo Correa Prieto, 2026 — CC BY 4.0
Trois étapes numérotées : générer, vérifier (objectif du PER, niveau d’exigence, exactitude) et adapter à la classe ; l’étape de vérification est mise en évidence
Vérifier l’objectif, le niveau d’exigence et l’exactitude, puis adapter à la classe.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Ce que l’IA change vraiment pour l’enseignant qui prépare et qui évalue

Trois colonnes numérotées, « Préparer », « Évaluer » et « Apprendre », chacune résumée en une phrase
Les trois déplacements en un coup d’œil.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Programme de recherche

Carte de présentation de Pablo Correa Prieto, enseignant et chercheur dans le canton de Vaud, avec ses trois axes de travail : évaluation et IA, acceptation enseignante, politiques publiques
Enseignant et chercheur en éducation dans le canton de Vaud : trois axes de travail.
© Pablo Correa Prieto, 2026 — CC BY 4.0
Trois colonnes présentant les trois axes du programme de recherche : items d’évaluation générés par IA, intention d’usage de l’IA chez les enseignants, analyse des textes officiels romands
Le programme de recherche en trois axes : évaluation, acceptation, politiques.
© Pablo Correa Prieto, 2026 — CC BY 4.0
Schéma en trois étapes : objectifs du PER en mathématiques, items produits par un modèle de langage, puis trois jugements distincts — alignement, exigence cognitive, qualité
Des items générés par un LLM, jugés trois fois : alignement, exigence cognitive, qualité. Article en préparation.
© Pablo Correa Prieto, 2026 — CC BY 4.0
Schéma d’un essai randomisé en grappes : des écoles entières tirées au sort entre un groupe formation et un groupe témoin, avec l’intention d’usage de l’IA générative comme mesure
L’essai randomisé en grappes prévu : randomiser des écoles, pas des personnes.
© Pablo Correa Prieto, 2026 — CC BY 4.0
Schéma du modèle d’acceptation de la technologie : l’utilité perçue et la facilité d’usage perçue mènent à l’attitude envers l’IA générative, puis à l’intention d’usage
Le modèle d’acceptation de la technologie, d’après Davis (1989).
© Pablo Correa Prieto, 2026 — CC BY 4.0
Quatre méthodes mobilisées dans le programme : analyse documentaire, essai randomisé en grappes, échelles et questionnaires, jugement d’items
Les méthodes mobilisées dans le programme.
© Pablo Correa Prieto, 2026 — CC BY 4.0

L’IA dans les textes romands

Quatre niveaux de textes encadrant l’IA à l’école : la CDIP au niveau national, la CIIP pour la Suisse romande et le Tessin, les directives cantonales, puis les écoles et les HEP
Quatre niveaux de textes, du principe national à la pratique de classe.
© Pablo Correa Prieto, 2026 — CC BY 4.0
Schéma : un corpus de textes officiels romands sur l’IA, lu avec l’approche WPR de Bacchi, menant à la question du « problème » que ces textes construisent
Un corpus de textes officiels, lu avec l’approche WPR (Bacchi, 2009). Article en préparation.
© Pablo Correa Prieto, 2026 — CC BY 4.0
Quatre questions à se poser avant d’utiliser l’IA en classe : les données des élèves, l’alignement avec le PER, l’effort d’apprentissage et la transparence
Quatre questions avant d’utiliser l’IA en classe. Proposition de l’auteur.
© Pablo Correa Prieto, 2026 — CC BY 4.0

Formations

Trois formats de formation pour les équipes enseignantes : conférence-atelier de 90 minutes, atelier pratique d’une demi-journée, parcours d’équipe en trois séances aboutissant à une charte
Trois formats de formation pour les établissements du canton de Vaud et de Suisse romande.
© Pablo Correa Prieto, 2026 — CC BY 4.0