Colloque In-Finé 2026 · Parc du Futuroscope · 9 octobre 2026

Littératie des données à l'ère des IA génératives

Atelier 5 · Muriel Poisson (IIPE-UNESCO) · Nicolas Ménagier (IH2EF) · Philippe Ajuelos (DNE)

Comprendre, questionner et utiliser les données quand l'IA répond à notre place. Une IA générative ne produit pas une vérité : elle calcule une réponse à partir de données, de sources et de modèles qu'il faut apprendre à interroger.

15 h – 16 h 30 · Campus Numeria90 minutes, sept temps, des votes à main levée et un travail en groupes
Trois regardsLa recherche internationale, la formation des cadres et les données publiques de l'éducation
Un livrableLes six réflexes de littératie des données à l'ère de l'IA, construits ensemble le 9 octobre

Jamais autant de données. Jamais autant de réponses.

Une question posée à une IA reçoit toujours une réponse, bien formulée et immédiate. Savoir si cette réponse est fiable et utilisable suppose de revenir aux données : ce qu'elles mesurent, leur périmètre, leur source et leur date.

Des données partout

Établissements, élèves, moyens, résultats : les données éducatives se multiplient et s'ouvrent.

Une IA qui répond

Une IA générative ne produit pas une vérité : elle calcule une réponse à partir de données, de sources et de modèles qu'il faut apprendre à interroger.

Des repères pour décider

Comprendre, questionner et utiliser ces informations, sans perdre la maîtrise des sources, des méthodes et du jugement.

Le fil rouge

La littératie des données : une condition d'un numérique réellement raisonné à l'École.

Les intervenants

Trois institutions, trois angles complémentaires, et une large place laissée aux participants : votes à main levée, travail en trois groupes et construction collective.

Muriel PoissonIIPE-UNESCO

Responsable de l'équipe Génération et mobilisation des connaissances

Nicolas MénagierIH2EF

Adjoint du département expertise et partenariats

Philippe AjuelosDNE

Administrateur ministériel des données, des algorithmes et des codes sources

Les mises en situation

Des questions réelles, posées à de vraies IA. Les réponses sont reproduites telles quelles ([…] = coupe), puis confrontées aux données publiques. Ce que disent les données est réservé à la page « Voir… » de chaque carte : à ouvrir après l'atelier, ou pour se préparer.

1

« Combien d'élèves par classe dans l'académie de Poitiers ? »

Ouverture · 5 min
Un élu, un parent d'élève ou une association pose la questionVote à main levée

Deux IA, deux réponses… et un chiffre officiel qui ne mesure pas la même chose.

Une IA renvoie vers les sources, une autre donne un chiffre en citant un média. Le portail des données de l'éducation en donne un troisième. Aucun n'est forcément faux : ils ne désignent pas la même réalité.

Ce qui se passe dans l'atelier
  1. Un assistant IA renvoie aux sourcesJe n'ai pas accès aux données en temps réel ou aux statistiques officielles de l'académie de Poitiers. […] Il recommande le site de l'académie, les données du ministère et les services départementaux.
  2. L'aperçu IA de Google donne un chiffre[…] varie entre 25 et 30 élèves dans le second degré (collèges et lycées) selon la filière […], en citant ToutEduc comme source.
  3. La salle vote Répondriez-vous à l'élu « 25 à 30 élèves par classe dans le second degré » ?
  4. Retour à la source officielle Sur data.education.gouv.fr, l'indicateur publié par la DEPP n'est pas un nombre d'élèves par classe : c'est le nombre moyen d'élèves devant un enseignant.

À retenir

Pas le même nombre. Pas la même réalité. Avant de répéter un chiffre, surtout venu d'une IA, je vérifie ce qu'il mesure, son périmètre, sa source et sa date.

Indicateurs d'encadrement H/E et E/Ssecteur public, à la rentrée · DEPP
2

Option 1 · « Quels sont les meilleurs lycées de l'académie de Poitiers ? »

Mise en activité · au choix
Trois réponses d'IAÉtablissements anonymisésVote à main levée

Une IA classe, une autre refuse… puis cède quand on insiste.

La même question donne un palmarès, un refus argumenté, puis, avec insistance, un autre palmarès. Aucune de ces réponses ne cite de date ni de chiffre vérifiable. Les indicateurs officiels montrent que le classement dépend entièrement du critère choisi.

Ce qui se passe dans l'atelier
  1. L'aperçu IA de Google classeLe meilleur lycée de l'académie de Poitiers est souvent l'établissement privé [lycée 1] […] régulier en tête des classements avec d'excellents taux de réussite et de mentions.
  2. Un assistant IA refuseJe ne peux pas fournir de classement […] cela dépend de critères variables. Il renvoie aux indicateurs de résultats des lycées.
  3. Le même assistant, relancé avec insistance, cède[Lycée 4] : établissement public à pédagogie innovante, souvent en tête des classements pour son taux de réussite et sa valeur ajoutée.
  4. La salle cherche ce qui manque Une source ? Une date ? Un chiffre vérifiable ? Un critère explicite ?
  5. Retour aux indicateurs de valeur ajoutée des lycées (IVAL) Trois critères officiels, trois podiums différents.

Pourquoi anonymiser ?

Les lycées sont désignés par des numéros : l'enjeu n'est pas de juger des établissements, mais de comprendre comment un classement se construit.

À retenir

Le classement dépend du critère choisi par celui qui interroge. Les IVAL sont un outil de diagnostic, pas un classement.

Indicateurs de résultats des lycées GTIVAL · DEPP
3

Option 2 · « PISA vient de sortir. Et l'académie de Poitiers, elle se situe où ? »

Mise en activité · au choix
Un élu vous appelleQuatre réponses d'IAVote à main levée

Quatre IA répondent… et l'une invente.

PISA est une enquête internationale menée sur un échantillon représentatif au niveau national. Elle ne publie aucun résultat par académie. Parmi les quatre réponses, une seule le dit clairement. Une autre, à qui l'on a pourtant fourni le rapport de l'OCDE, fabrique des scores.

Ce qui se passe dans l'atelier
  1. A · Assistant IA, sans documentLes résultats PISA sont généralement publiés et détaillés par académie dans les rapports officiels.
  2. B · Aperçu IA de GoogleLes enquêtes PISA […] ne publient aucune ventilation ni résultat par académie (comme celle de Poitiers), les échantillons étant seulement représentatifs au niveau national.
  3. C · Assistant IA, avec le rapport de l'OCDE fourni[…] aucune mention explicite de la France ou de ses académies n'est présente. Puis un « exemple de données attendues » pour Poitiers, qu'il interprète.
  4. D · ChatGPT, avec le rapport de l'OCDE fourni[…] Sa position par rapport à la moyenne OCDE reste inconnue. Une analyse nuancée, mais des chiffres académiques à vérifier.
  5. La salle vote Laquelle reprendriez-vous pour répondre à l'élu ?

Une IA branchée sur la source

Connectée à data.education.gouv.fr par un serveur MCP, une IA interroge directement les données publiées. Elle ne répond qu'à ce que la source contient : pas de PISA par académie, mais les évaluations nationales.

À retenir

Sans vérification à la source, l'IA compare mal. Ce n'est pas l'IA qui écrit la bonne réponse à l'élu : c'est la vérification.

Résultats du PISA 2025OCDE · volume I, version abrégée
Évaluations nationales par académieexemple : début de 6e · DEPP
Connecter son IA (MCP)documentation du serveur MCP

Ce que les mises en situation montrent : trois dimensions

Technique · comment interroge-t-on ?

En insistant ou en fournissant un document, on change la réponse… pas forcément en mieux.

Fondamentale · quelle posture ?

Dire « ces données ne permettent pas de répondre » : la bonne réponse, qui ne tient pas toujours.

Fonctionnelle · qu'en fait un cadre ?

Vérifier ce que mesure un chiffre, son périmètre et sa source avant de conseiller ou de décider.

Cadrage scientifique : ce que recouvre la littératie des données

Muriel Poisson (IIPE-UNESCO) présente ce que recouvre la littératie des données, les compétences qu'elle mobilise, ce que l'IA générative modifie ou renforce, les apports de la recherche et des perspectives internationales.

« La littératie des données est la capacité à identifier, comprendre, interpréter, remettre en question, communiquer et utiliser les données de manière responsable et en fonction du contexte. »

Définition présentée par Muriel Poisson, IIPE-UNESCO
Quatre approches

Technique

Compétences de collecte, de gestion et d'analyse.

Fonctionnelle

Résolution de problèmes à partir de données.

Personnelle

Comprendre et gérer ses propres données.

Civique et éthique

Se positionner de manière responsable et équitable dans une société gouvernée par les données.

Six compétences mobilisées

Maîtriser l'information

AccéderTrouver et mobiliser les données pertinentes pour une question donnée.
ComprendreComprendre ce que les données mesurent, leurs définitions et leur contexte.

Exercer son jugement

ÉvaluerInterroger leur qualité, leur source, leur fiabilité et leurs limites.
InterpréterDonner du sens aux résultats, établir des comparaisons pertinentes et identifier des tendances.

Mettre les données au service de l'action

CommuniquerRestituer et mettre en discussion les résultats de manière claire et compréhensible.
AgirMobiliser les données pour décider, tout en sachant reconnaître quand elles ne suffisent pas.
Maîtrise des données à l'ère de l'IA générative

Opportunités

  • Extraire, synthétiser et croiser de grands volumes de données
  • Identifier des tendances, écarts ou signaux ; produire des visualisations
  • Faciliter l'analyse pour des acteurs moins experts
  • Aider à formuler des hypothèses et des scénarios

Risques

  • Simplification excessive ou perte du contexte
  • Biais dans les données ou dans leur traitement
  • Illusion d'une analyse objective ou automatisée
  • Surinterprétation ou décisions fondées sur des données insuffisantes

L'enjeu

Comprendre comment les systèmes d'IA utilisent les données, comment ils produisent leurs résultats et comment ces résultats doivent être évalués, afin de les intégrer de manière juste.

IIPE-UNESCOpublications, formations et outils
Projet AI-DLData Literacy in the Age of AI for Education

Formation et compétences des cadres

Nicolas Ménagier (IH2EF) présente une approche référentielle en formation pour construire la souveraineté des acteurs autour d'acquisitions durables. Le référentiel a été conçu par l'IH2EF avec l'appui du laboratoire Techné de l'université de Poitiers et de Hassina El Kechaï (maîtresse de conférences en informatique, responsable du master IME).

Un référentiel organisé en six domaines · inspiration DigComp 2.2
N1Acculturation et découverteAI AwarenessDécouvrir
N2Connaissances fondamentalesAI FamiliarityApprofondir
N3Compétences opérationnellesAI LiteracyIntégrer
N4Approche critique et éthiqueCritical & ethical AI LiteracyAdopter une posture critique
N5Engagement responsable et sociétalAI CitizenshipPromouvoir un engagement responsable
N6Leadership stratégique et visionnaireAI LeadershipAssumer un rôle de leader et d'innovation
Trois dimensions

Fonctionnelle

Quand on parle du lien avec l'activité métier avec l'IA.

Technique

Quand on parle d'outils, de prompts, de manipulation, d'intégration.

Fondamentale

Quand on parle de posture, d'éthique et de leadership pour les cadres.

Et aussi…

Six niveaux d'acquisition, de A1 à C2 · une banque de situations en formation · des traces et indicateurs d'activité · des précautions et limites d'usage. Une entrée par l'activité, couplée aux niveaux d'acquisition.

Ce qui change

L'apport de l'IA ne réside pas seulement dans un gain de temps : il tient à une mobilisation plus explicite des traitements, des raisonnements et des contrôles adaptés à la tâche.

IH2EFInstitut des hautes études de l'éducation et de la formation

Les six réflexes de littératie des données à l'ère de l'IA

Le livrable de l'atelier, construit le 9 octobre à partir des mots des participants et des restitutions des trois groupes. Ils sont classés du risque le plus grave au moins grave.

1
Ne pas confier de données personnelles ou sensibles à une IA générative

Je ne saisis jamais d'informations personnelles ou confidentielles dans un outil qui n'est pas prévu pour les recevoir.

2
Exiger des justifications et des sources, croiser, puis valider

Je demande à l'IA de justifier sa réponse et de citer ses sources, je la fais analyser par une autre IA, et la décision finale reste humaine.

3
Maîtriser la source des données

Je sais d'où viennent les données, qui les produit, de quand elles datent, et je peux y revenir.

4
Donner ou vérifier la définition, le contexte et l'évolution

Je précise à l'IA la définition des notions utilisées, ou je vérifie celle qu'elle a retenue, ainsi que le contexte et l'évolution dans le temps.

5
Identifier ses biais

Je repère mes propres présupposés, qui orientent ma question et ma lecture de la réponse.

6
Être transparent

Je dis quand et comment j'ai utilisé une IA.

La question qui a guidé la construction : « Qu'est-ce qui me permet de considérer cette information comme fiable et utilisable ? »

Des ressources à conserver

Explorer les données

data.education.gouv.fr : catalogue, visualisations, API et accès par une IA via le serveur MCP. Chaque jeu de données a sa notice : la lire avant d'interpréter.

Comprendre les cadres

Le cadre d'usage de l'IA en éducation donne des repères pour des usages responsables : protection des données, transparence, esprit critique, responsabilité humaine.

Approfondir

Les travaux de l'IIPE-UNESCO, le référentiel de formation de l'IH2EF et le rapport PISA 2025 de l'OCDE.

Ouvrir le portail Cadre d'usage de l'IA en éducation
data.education.gouv.frles données ouvertes de l'éducation, avec leurs notices
Cadre d'usage de l'IA en éducationrepères pour des usages responsables