Introduction : un enjeu pédagogique considérable

Le passage de l’école primaire au secondaire marque une rupture conceptuelle majeure dans l’apprentissage des mathématiques, notamment lors de l’introduction de la géométrie euclidienne et du calcul littéral. Pour certains élèves habitués à une réussite fluide au premier degré, la confrontation avec la rigueur de la démonstration abstraite peut engendrer une forte anxiété. Ce phénomène est parfois accentué par un état d’esprit rigide ( fixed mindset ), au sens où l’entend la chercheuse en psychologie Carol Dweck [1]. Dans le cas précis de cet élève, cette rigidité s’est construite au fil de sa scolarité primaire à travers la réception répétée de compliments globaux valorisant un don inné («  Tu es intelligent  », «  Tu es doué  »). Enfermée dans cette configuration mentale, l’erreur n’est plus perçue comme un levier pédagogique normal ou une étape indispensable à l’apprentissage, mais comme une défaillance identitaire, une preuve irréfutable de manque d’intelligence face à laquelle l’élève préfère se murer dans le silence.

Cet article présente un retour d’expérience mené en classe de première année de collège au Maroc (1AC, équivalent de la classe de 5ème dans le système éducatif français). Il retrace l’accompagnement d’un élève confronté à un blocage sévère en géométrie, ayant entraîné des manifestations anxieuses somatiques et une chute brutale de ses résultats à 9/20. Face à cette situation de décrochage, un dispositif d’étayage numérique personnalisé a été mis en œuvre à l’aide du modèle de langage Gemini Pro. Cet étayage ne s’est pas limité à un accompagnement cognitif ; il s’est également fondé sur les besoins psychologiques de l’apprenant, en intégrant les principes de la Discipline Positive (telle qu’élaborée par Jane Nelsen et Lynn Lott) [2] pour restaurer son sentiment de compétence et sa sécurité émotionnelle.

L’enjeu n’était pas d’automatiser la résolution des exercices, mais de concevoir, par une ingénierie de prompt basée sur la méthode R-I-C-E [3], deux postures d’IA complémentaires : un « Coach Maïeutique » s’appuyant sur les principes de la Discipline Positive pour guider l’élève sans lui donner les réponses, et un « Scribe Expert » modélisant la structure rigoureuse de la démonstration géométrique. Ce protocole a permis à l’élève de restaurer son autonomie, de s’approprier les codes de la rédaction mathématique et de progresser jusqu’à l’obtention d’un 18/20. Ce cas pratique illustre le potentiel des grands modèles de langage (LLM) lorsqu’ils sont mis au service de la différenciation pédagogique et du soutien affectivo-cognitif de l’élève.

  1. Le « Coach Maïeutique » : un étayage cognitif et affectif par l’ingénierie de prompt

Face au blocage de l’élève, la première urgence n’était pas de lui fournir des corrections stéréotypées, mais de restaurer sa capacité à initier une réflexion. J’ai donc introduit le modèle de langage (Gemini Pro) non comme une calculatrice omnisciente, mais comme un « confident algorithmique », un espace sécurisé où l’erreur est dédramatisée.

Pour obtenir cette posture spécifique, il a fallu dépasser la simple requête conversationnelle pour structurer un prompt robuste, garantissant que l’IA ne court-circuite jamais l’effort cognitif de l’élève.

Voici le prompt initial configuré pour l’élève :

  Le Prompt :

« Salut ! Je suis un élève de première année de collège et je travaille sur mes exercices de [Chapitre] [4]. Je n’ai pas toujours tout compris en cours et j’ai besoin d’un coach formé en discipline positive pour m’aider.

Ton rôle : Accompagne-moi pas à pas. Ne me donne jamais la réponse directement, même si je te le demande. À la place, pose-moi des questions pour me faire réfléchir, donne-moi des indices avec des objets de la vie réelle, ou rappelle-moi une propriété du cours si je suis bloqué.

On commence doucement ? Voici l’exercice sur lequel je travaille. Qu’est-ce que je dois regarder en premier ? »

  Analyse didactique : L’architecture R-I-C-E

La pertinence de ce dispositif repose sur la méthode d’optimisation R-I-C-E En anglais ( Role, Instructions, Context, Expectations ), que j’ai adaptée aux exigences pédagogiques :

• R - Rôle (Assignation de Persona) : En imposant le rôle de «  coach formé en discipline positive  », on restreint le champ lexical de l’IA à une posture de guidage empathique. L’IA valide l’effort plutôt que le résultat, répondant ainsi au besoin fondamental d’encouragement de l’élève.
• I - Instructions (La contrainte négative) : L’injonction «  Ne me donne jamais la réponse directement  » agit comme un verrou de sécurité absolu. Elle transforme la machine en partenaire de réflexion (étayage) plutôt qu’en béquille, restaurant l’autonomie de l’apprenant. L’ajout de l’injonction «  pas à pas  » (Step-by-Step prompting) prévient la surcharge cognitive en fractionnant la difficulté.
• C - Contexte (Ancrage didactique) : L’obligation d’utiliser des «  objets de la vie réelle  » permet de ramener l’abstraction mathématique (souvent source d’anxiété) vers un monde sensible et connu, facilitant le transfert de compétences.
• E - Expectations (Attentes et mode de sortie) : La question de clôture «  Qu’est-ce que je dois regarder en premier ?  » force l’IA à piloter l’attention de l’élève vers les indices pertinents de l’énoncé, amorçant la résolution sans l’imposer.

  Illustration concrète : Sortir de la sidération

Pour appréhender pleinement l’impact didactique de ce paramétrage, il est essentiel d’observer la dynamique conversationnelle qu’il génère en situation réelle d’apprentissage. L’échange retranscrit ci-dessous illustre la façon dont l’intelligence artificielle s’empare des consignes du prompt face à un exercice classique de géométrie euclidienne introduisant la justification (les propriétés de la médiatrice). L’objectif de cette séquence est de montrer comment la machine parvient à désamorcer le blocage cognitif de l’élève, non pas en lui livrant la solution brute, mais en tissant un filet de sécurité émotionnel et en le guidant par une analogie ancrée dans le réel.

Élève : «  Voici mon exercice : (D) est la médiatrice du segment [AB]. M est un point qui appartient à la droite (D). Je dois déterminer la nature du triangle MAB en justifiant ma réponse, mais je suis bloqué, je ne sais pas comment l’expliquer. »

Gemini (Coach) : «  Bonjour ! C’est tout à fait normal de chercher ses mots quand on commence à faire des démonstrations, et tu as très bien fait de demander de l’aide au lieu de rester bloqué. C’est une excellente occasion d’apprendre ! Commençons pas à pas. Imagine que les points A et B sont deux maisons. La médiatrice (D), c’est une longue route, parfaitement droite, construite pour passer exactement au milieu des deux maisons. Si tu te tiens n’importe où sur cette route (à la place du point M), d’après toi, es-tu plus près de la maison A, de la maison B, ou à la même distance des deux ? »  [5]

Élève : «  Je dirais à la même distance des deux maisons, vu que la route coupe pile au milieu. »

Gemini (Coach) : «  Exactement, bravo ! En géométrie, on dit que cette route est « équidistante » (à égale distance) des deux extrémités. Dans ton cours, il y a une propriété qui dit exactement la même chose pour tout point situé sur une médiatrice. Si le point M est à la même distance de A et de B, cela veut dire que les segments [MA] et [MB] ont la même longueur. Maintenant, regarde ton triangle MAB : si deux de ses côtés ont la même longueur, comment appelle-t-on ce type de triangle ? Une fois que tu as trouvé la réponse, je te lance un défi : essaie de me rédiger ta justification en utilisant la structure de démonstration : « On a... », « Or d’après la propriété... », « Alors... ». »

Cet échange illustre comment le silicium de la machine parvient à répondre aux besoins psychologiques fondamentaux de l’apprenant : l’élève est valorisé dans sa démarche initiatrice (besoin de compétence), le problème mathématique abstrait est raccroché au réel via l’image de la route entre deux maisons (besoin d’ancrage), et c’est finalement l’élève lui-même qui est amené à déduire la propriété géométrique et à catégoriser la figure (besoin d’autonomie). Enfin, l’invitation à structurer la réponse amorce en douceur l’apprentissage de la rigueur déductive, préparant le terrain pour le second prompt axé sur l’expertise de rédaction.

Ce dialogue montre parfaitement comment le prompt empêche l’IA de donner directement la réponse (« c’est un triangle isocèle »), l’obligeant à décomposer le raisonnement.

  2. Le « Scribe Expert » : Modélisation de la rigueur et gestion de la charge cognitive

Une fois la sidération affective surmontée grâce à l’approche maïeutique, le second défi didactique consistait à outiller l’élève face aux exigences de la démonstration abstraite. En tant qu’enseignant, l’objectif était de lui fournir un modèle de rigueur irréprochable, une « boussole » pour structurer sa pensée.

Un second rituel a donc été mis en place avec un prompt d’expertise :

  Le Prompt :

« Agis en tant qu’enseignant de Mathématiques au secondaire, expert en géométrie euclidienne, expert en taxonomie de Bloom, et formé en discipline positive. Résous les exercices de ce document joint en respectant les consignes suivantes :

• Pour chaque question de démonstration, utilise la structure « On sait que... », « Or, d’après la propriété ... », « Donc... ».
• Pour les exercices de calcul (angles ou périmètre), détaille chaque étape du calcul littéral avant de donner le résultat numérique.
• Pour les exercices de construction, décris précisément les étapes à suivre (utilisation du compas, du rapporteur ou de l’équerre).
• Adapte le langage pour un élève de 1ère année de collège (1AC) au Maroc, en utilisant un vocabulaire clair et mathématiquement exact. »

  Analyse didactique : Structuration R-I-C-E et optimisation du LLM

Contrairement au premier prompt qui cherchait le questionnement, l’optimisation visait ici la production d’un contenu normé et exemplaire, par une ingénierie de précision :

• R - Rôle (Persona multi-facettes) : L’association d’une expertise disciplinaire (Géométrie) et psychologique (Discipline Positive) est ici complétée par une expertise en ingénierie pédagogique (Taxonomie de Bloom). Ce levier stratégique impose au modèle de langage de diagnostiquer le niveau cognitif de la tâche afin de moduler la complexité de ses explications. Ce calibrage maintient l’élève dans sa zone proximale de développement (Vygotski, ch. 6)  [6] sans l’exposer à une nouvelle surcharge cognitive.
• I - Instructions (Conditionnement de format) : L’imposition du canevas déductif classique («  On sait que... / Or... / Donc...  ») permet d’automatiser la forme de la réponse. Pour un élève de 1AC perdu dans l’abstraction, cette structure répétitive agit comme un cadre rassurant, lui permettant de libérer sa mémoire de travail pour se concentrer exclusivement sur la logique mathématique de fond.
• C - Contexte (Localisation didactique) : La mention du niveau «  1AC au Maroc  » force l’IA à restreindre son corpus terminologique à celui du programme officiel, garantissant une continuité absolue avec le manuel scolaire et le lexique de la classe.
• E - Expectations (Chaîne de pensée) : En exigeant de détailler le calcul littéral avant l’application numérique, on active une technique de Chain of Thought (Chaîne de Pensée). L’IA modélise l’importance de chaque sous-étape, évitant ainsi les « sauts logiques » vertigineux qui ont tendance à insécuriser les élèves anxieux.

  La bienveillance par la structure : Répondre aux besoins de l’élève

Si le premier prompt était centré sur l’empathie, cette seconde phase démontre que la bienveillance pédagogique réside également dans la protection par la structure. Dans l’approche de la Discipline Positive, la bienveillance se définit en effet comme le respect profond des besoins de l’autre. Ainsi, fournir un cadre formel et explicite permet de répondre directement à plusieurs besoins psychologiques fondamentaux de l’apprenant :

1. Le besoin de prédictibilité : La routine imposée par les structures fixes de démonstration offre une routine rassurante. L’élève sait à quoi s’attendre, ce qui fait chuter l’anxiété liée au stress de l’inconnu.
2. Le besoin de modélisation (Modeling) : L’élève ne peut pas inventer la rigueur ; il doit l’observer. En fournissant des démonstrations d’une pureté cristalline, l’IA devient un idéal atteignable, un étalon sur lequel il peut calquer ses propres productions.
3. Le besoin de clarté instrumentale : En explicitant précisément l’usage des instruments (compas, équerre), le modèle respecte le besoin de l’élève de maîtriser les gestes géométriques du monde réel avant de valider l’acquisition du concept abstrait.

  3. L’envol métacognitif : de la consommation à la création (Gemini et NotebookLM)

Le signe le plus éclatant de cette remédiation n’a pas été la simple réussite aux exercices, mais la bascule de l’élève d’une posture de « consommateur » d’aide à celle de concepteur de ses propres apprentissages. Une fois le mur de l’abstraction franchi, la dynamique s’est inversée : l’élève a pris les commandes en demandant activement à Gemini de lui générer de nouveaux défis mathématiques pour tester ses propres limites.

Ce prolongement naturel vers l’autonomie s’est concrétisé par l’intégration d’un autre outil : NotebookLM. En y injectant les ressources de son cours, l’élève a commencé à élaborer ses propres fiches de révision et à générer ses propres quiz d’auto-évaluation.

D’un point de vue didactique, cette étape est cruciale. En créant le test au lieu de le subir, l’élève neutralise l’anxiété de l’évaluation. Le dispositif numérique a ainsi agi comme un catalyseur de métacognition : en évacuant la charge émotionnelle, l’élève a pu réallouer ses ressources cérébrales à l’observation de ses propres mécanismes d’apprentissage. Il a transformé l’IA en un partenaire de sparring intellectuel, prouvant que la véritable autonomie réside dans la capacité à choisir et paramétrer ses propres outils cognitifs.

 Bilan et perspectives : L’IA comme levier de différenciation

D’un point de vue quantitatif, l’expérience s’est soldée, en l’espace de cinq semaines, par une remontée spectaculaire de la moyenne de l’élève, passant d’un 9/20 initial à un 18/20. Mais d’un point de vue pédagogique, la véritable réussite réside dans la disparition totale des manifestations anxieuses et somatiques, laissant place à une motivation et à un engagement pleinement retrouvés.

Cette démarche s’est articulée autour de deux piliers fondamentaux :

• Un impact émotionnel (Le Sanctuaire de l’Erreur) : Face à une machine algorithmique qui ne soupire jamais et ne juge pas, le droit à l’erreur a été restauré. La valeur de l’élève s’est détachée de l’exigence de perfection immédiate.
• Un impact cognitif (La Clarté du Modèle) : En remplaçant les compliments fixistes (qui figent l’élève dans l’illusion du don inné) par des encouragements portant sur la démarche, l’élève s’est sécurisé dans la rigueur des démonstrations mathématiques.

Intégrer ce type de paramétrage (méthode R-I-C-E couplée à la Discipline Positive) démontre que l’intelligence artificielle générative, loin de supplanter le pédagogue, s’affirme comme une extension prodigieuse de sa capacité d’étayage et de différenciation.

L’image finale de ce projet restera celle d’un adolescent qui, réconcilié avec l’abstraction, ose à nouveau lever la main en classe pour questionner le monde.