Le modèle SAMR – Substitution, Augmentation, Modification, Redéfinition – est depuis longtemps la pierre angulaire des discussions sur la technologie dans l’éducation. Introduit au début des années 2000, il offrait un moyen simple de catégoriser l’impact de la technologie sur l’apprentissage. Cependant, l’essor de l’intelligence artificielle (IA) révèle un défaut critique : SAMR traite le changement comme étant intrinsèquement meilleur alors qu’il ne l’est pas. L’IA peut amplifier les résultats positifs et négatifs à n’importe quel niveau d’intégration. Le modèle a besoin d’une deuxième dimension pour déterminer si la technologie renforce ou affaiblit l’enseignement et l’apprentissage.
Les limites du modèle original
Initialement conçu comme un outil descriptif, le SAMR est rapidement devenu prescriptif. Les éducateurs ont commencé à considérer la substitution comme « fondamentale » et la redéfinition comme l’idéal, la transformant en un escalier plutôt qu’un spectre. Dans un monde axé sur l’IA, cette pensée linéaire s’effondre : L’IA peut rendre des tâches simples incroyablement puissantes et des tâches avancées trompeusement vides. L’approche mono-axe du SAMR n’est plus suffisante.
Le portrait d’un projet d’enseignant et une question cruciale
Des recherches récentes menées dans le cadre de l’initiative « Portrait d’un enseignant à l’ère de l’IA » dirigée par Ed3 ont révélé ce problème de première main. Les éducateurs utilisant l’IA sur l’ensemble du spectre SAMR ont systématiquement signalé des effets positifs et négatifs à tous les niveaux. La question est devenue claire : le SAMR a-t-il besoin d’un deuxième axe pour évaluer si les changements sont constructifs ou destructeurs ?
Présentation de la dimension positive-négative
L’idée clé est que SAMR ne décrit pas seulement quel type de changement introduit par la technologie, mais si ce changement améliore ou dégrade l’apprentissage. Chaque niveau peut être bénéfique ou nuisible.
- Substitution : Le remplacement des quiz papier par des quiz numériques peut libérer du temps pour les enseignants afin de permettre des interactions significatives, ou cela peut automatiser la notation sans examen humain.
- Redéfinition : L’IA peut permettre la narration multilingue et l’expression créative, mais elle peut également permettre aux étudiants de produire un travail soigné sans véritable effort ni compréhension.
Cette dualité nécessite un recadrage : le SAMR n’est plus une montée du « moins innovant » au « plus innovant ». C’est un système à deux axes :
- Mode d’intégration : (Substitution, Augmentation, Modification, Redéfinition)
- Direction de l’impact : (Négatif ↔ Positif)
Quatre nuances clés du nouveau modèle
Cette vue élargie révèle des informations essentielles :
- Le niveau ne prédit pas la qualité : La substitution peut être aussi efficace que la redéfinition si elle est mise en œuvre de manière réfléchie.
- L’efficacité peut masquer l’érosion : Le temps gagné grâce à l’automatisation peut soit améliorer les relations enseignant-élève, soit les remplacer entièrement.
- La redéfinition peut être creuse : L’IA peut créer des gains d’apprentissage superficiels sans véritable profondeur.
- Le facteur décisif est relationnel : Les utilisations positives renforcent les relations, les commentaires et l’accès ; les négatifs les affaiblissent.
Au-delà de la pensée séquentielle
Une autre idée fausse est que le SAMR est une progression séquentielle. Les enseignants ne passent pas nécessairement de la substitution à la redéfinition. L’IA rend cela encore moins prévisible ; un enseignant peut commencer par la redéfinition à l’aide de simulations, puis revenir à la substitution pour la génération de matériel afin de libérer du temps pour le soutien individuel des étudiants. SAMR est mieux compris comme un ensemble de modes utiles dans différentes conditions.
Recadrer les questions
Le nouveau modèle déplace l’attention de l’innovation perçue vers l’impact tangible :
- Cette IA utilise-t-elle la connexion humaine pour approfondir ou l’affaiblir ?
- Cela augmente-t-il la capacité des enseignants ou la restreint-elle ?
- Est-ce que cela ouvre des opportunités aux étudiants ou les restreint-il ?
Ces questions donnent la priorité à la direction de l’impact, et non au niveau de sophistication. Chaque niveau de SAMR peut être excellent ou nocif, selon la pratique.
Se connecter à la courbe d’adoption
Enfin, SAMR interagit avec le cycle d’adoption de la technologie. Les premiers utilisateurs se tournent vers la redéfinition, tandis que les adoptants ultérieurs commencent par la substitution pour des raisons de sécurité et de facilité. Ce recadrage suggère que les enseignants ne sont pas bloqués à certains niveaux en raison d’un manque de créativité, mais parce qu’ils se trouvent à différents stades d’adoption. Comprendre cette dynamique aide les dirigeants à définir des attentes réalistes et à fournir un soutien approprié.
En conclusion, un modèle SAMR à deux axes reconnaît la complexité de la pratique des enseignants, respecte divers contextes et centre le jugement humain comme variable déterminante. À mesure que l’IA devient plus répandue, la question pertinente n’est plus « Quel est le niveau de SAMR ? » mais : “Cette utilisation de l’IA accélère-t-elle ou ralentit-elle les résultats d’apprentissage ?”
