Extending Instrumental Orchestration for AI-Mediated Mathematics Classrooms: The AISIO Framework

Résumé technique : Étendre l'orchestration instrumentale pour les classes de mathématiques médiatisées par l'IA (Le cadre AISIO)

Énoncé du problème
L'intelligence artificielle (IA), en particulier l'IA générative, transforme rapidement l'enseignement des mathématiques en introduisant des outils qui ne se contentent pas de médier l'activité, mais participent activement à des actions pédagogiquement conséquentes (par exemple, générer des rétroactions, proposer des explications, évaluer des solutions). Cette participation dynamique exerce une pression sur le cadre existant de l'orchestration instrumentale (Drijvers et al., 2010 ; Trouche, 2004), qui a été conçu pour analyser comment les enseignants organisent les interactions des élèves avec des artefacts technologiques statiques. Le problème central abordé est que l'orchestration traditionnelle suppose que les artefacts répondent de manière prévisible à l'activité de l'utilisateur ; cependant, les artefacts d'IA génèrent des interventions dynamiques, personnalisées et partiellement imprévisibles. Par conséquent, l'« objet » de l'orchestration change : les enseignants doivent désormais réguler non seulement les interactions élève-outil, mais aussi la propre participation pédagogique de l'IA et son impact sur l'activité mathématique collective. L'article demande comment l'orchestration instrumentale doit évoluer pour rendre compte des classes où les systèmes d'IA initient des actions pédagogiques, redistribuant ainsi l'agence pédagogique et remettant en question l'autorité épistémique établie.

Méthodologie
Cet article est une étude de construction théorique qui emploie un mouvement réciproque entre la réflexion théorique et l'analyse empirique de situations de classe. Il ne présente pas une validation quantitative à grande échelle, mais utilise plutôt l'analyse qualitative pour révéler les tensions dans les cadres actuels.

• Contexte : L'ancrage empirique est tiré du contexte coréen, où des ressources éducatives soutenues par l'IA (spécifiquement les manuels numériques de l'IA et des ressources comme « Snorkl ») ont été intégrées dans la mise en œuvre des programmes. La Corée est traitée comme un contexte d'observation avancé où ces transformations sont hautement visibles.
• Source de données : Dix leçons de mathématiques enseignées par deux professeurs expérimentés à Séoul (un au lycée, un au collège) ont été enregistrées entre juin et décembre 2025. Les données comprenaient des enregistrements vidéo, des captures d'écran de tablettes et des entretiens post-leçon.
• Processus d'analyse : Le corpus a été segmenté en 94 épisodes, produisant 158 instances codées d'orchestration. Les chercheurs les ont codées en utilisant des typologies établies de configurations didactiques, de modes d'exploitation et de performances didactiques. À travers une analyse itérative, trois situations de classe spécifiques ont été sélectionnées là où le raisonnement des enseignants concernant la participation de l'IA était le plus explicite. Ces situations ont été analysées pour identifier les pressions que la formulation actuelle de l'orchestration instrumentale ne parvient pas à capturer pleinement.

Contributions clés : Le cadre AISIO
L'article propose l'Orchestration Instrumentale Soutenue par l'Intelligence Artificielle (AISIO) comme une extension exploratoire de l'orchestration instrumentale, et non un remplacement. L'AISIO conceptualise les classes médiatisées par l'IA comme des écologies relationnelles reliant les enseignants, les élèves, les connaissances mathématiques, les ressources et l'IA.

1. Identification de trois pressions émergentes :

   • Reconstruire l'activité collective à partir des trajectoires médiatisées par l'IA : Les tableaux de bord de l'IA fournissent des traces individualisées et des jugements générés par l'IA. Les enseignants sont confrontés à la pression d'interpréter ces trajectoires individuelles agrégées et façonnées par l'IA pour déterminer quels modèles constituent un problème mathématique partagé pour l'ensemble de la classe.
   • Coordonner l'agence pédagogique distribuée : L'initiative pédagogique n'est plus uniquement pilotée par l'enseignant ; les systèmes d'IA peuvent initier des interventions (par exemple, inciter un élève à vérifier des données). Les enseignants doivent coordonner cette agence distribuée, en décidant comment élaborer, rediriger ou incorporer les suggestions de l'IA dans le discours mathématique collectif.
   • Rétablir le sens mathématique et l'autorité épistémique : Les jugements générés par l'IA circulent souvent sans leur raisonnement mathématique sous-jacent. Les enseignants doivent intervenir pour reconstruire les fondements de ces jugements, en déterminant leur validité et leur statut épistémique avant qu'ils ne puissent être intégrés dans les processus de validation collective.

2. Architecture conceptuelle (Le Pentachore) :
   L'AISIO étend le triangle traditionnel enseignant-élève-connaissance (et les modèles tétraédriques subséquents) en un pentachore (une figure à 4 dimensions) avec cinq sommets : Enseignant, Élèves, Connaissances Mathématiques, Ressources et IA. Cette structure souligne que, bien que l'IA soit un artefact, elle possède une capacité à faire évoluer dynamiquement les relations avec les autres sommets. Crucialement, l'enseignant conserve une responsabilité didactique distinctive pour réguler la participation de l'IA.

3. Trois fonctions transversales :
   Le cadre introduit trois fonctions qui traversent les dimensions classiques de l'orchestration (Configuration, Mode d'exploitation, Performance didactique) :

   • Réguler l'agence pédagogique distribuée : Gérer le moment, la visibilité et la trajectoire des contributions générées par l'IA.
   • Concevoir des situations mathématiques pour une participation productive de l'IA : Configurer les conditions où l'IA soutient plutôt qu'elle ne remplace l'investigation, en équilibrant l'efficacité pragmatique et la profondeur épistémique.
   • Soutenir les qualités mathématiques et la créativité : Veiller à ce que les idées générées par l'IA servent de ressources pour l'enquête collective plutôt que de substituts aux conjectures, preuves et justifications des élèves.

Résultats et conclusions
L'analyse des trois situations de classe démontre que les dimensions classiques de l'orchestration instrumentale restent pertinentes mais nécessitent une réinterprétation :

• Configuration : Implique désormais de fixer les conditions de quand et de comment l'IA peut participer, plutôt que de simplement disposer des outils statiques.
• Mode d'exploitation : Implique de réguler les interventions générées par l'IA qui entrent dans la classe de manière dynamique, souvent avant que l'enseignant ne les ait vues.
• Performance didactique : Requiert que les enseignants effectuent une interprétation de « second ordre » — interpréter l'interprétation de l'IA du travail de l'élève — et reconstruire la validité mathématique des jugements de l'IA avant qu'ils ne soient utilisés dans la discussion collective.

L'étude conclut que les enseignants dans ces contextes agissent comme des médiateurs qui doivent « fixer » ou reformuler les productions de l'IA pour s'assurer qu'elles s'alignent sur la rigueur mathématique et les objectifs pédagogiques. L'« objet » de l'orchestration s'élargit de l'organisation de l'interaction élève-outil à la régulation de l'ensemble de l'écosystème de l'activité participant à l'IA.

Signification et revendications
L'article affirme que l'AISIO est une proposition conceptuelle et un programme de recherche plutôt qu'un modèle achevé et validé empiriquement. Sa signification réside dans :

• Extension théorique : Elle préserve les engagements centraux de l'approche instrumentale tout en abordant le défi unique des artefacts possédant une « agence pédagogique étendue ».
• Utilité analytique : Elle fournit un prisme pour analyser comment les enseignants naviguent entre la tension entre la personnalisation pilotée par l'IA et le besoin d'une activité mathématique collective.
• Implications : Elle suggère que la formation des enseignants doit aller au-delà de la compétence technique pour atteindre le jugement professionnel concernant la participation de l'IA. Elle appelle à une conception curriculaire qui préserve les opportunités de conjecture et de validation, et à une conception de systèmes d'IA qui soutiennent les enseignants dans l'identification des difficultés conceptuelles partagées plutôt que dans la simple agrégation de données individuelles.

Les auteurs déclarent explicitement que le cadre est adaptable et que des recherches futures sont nécessaires pour déterminer si l'AISIO représente une véritable nouvelle étape de développement ou une extension des concepts existants tels que la « performance didactique ». L'étude est modeste dans sa portée, reconnaissant que ses conclusions sont dérivées d'un contexte spécifique et avancé (la Corée) et que l'évolution rapide de la technologie de l'IA exige que le cadre reste flexible.