Exemples d'exercices et d'activités

Propositions d'exercices et d'activités pour des élèves de lycée, réalisées avec Rukh.

Les activités sont classées selon le rôle confié à l'assistant : entraîneur, tuteur, élève, contradicteur, simulateur, auteur d'un texte à critiquer, relecteur. La distinction entre activités « classiques » et activités « rendues possibles par l'IA » a été abandonnée. La plupart des activités dites nouvelles (débat, procès, démonstration fautive, jeu de rôle) existaient avant l'IA, qui les rend seulement praticables pour chaque élève, à tout moment. Et la recherche montre que ce n'est pas la nouveauté de l'activité qui compte, mais ce que l'élève y fait lui-même.

Ce que dit la recherche

• Guider sans donner la réponse. Auprès de près de 1 000 lycéens en mathématiques, un accès libre à GPT-4 améliore les résultats pendant l'entraînement (+48 %), mais les fait baisser de 17 % une fois l'outil retiré. Une version qui donne des indices plutôt que des solutions (+127 % pendant l'entraînement) supprime l'essentiel de cet effet négatif (Bastani et al., 2025).
• Compléter le travail de l'élève, ne pas le remplacer. Les étudiants qui demandent des explications à l'IA comprennent mieux ; ceux qui lui font résoudre les exercices avancent plus vite mais comprennent moins (Lehmann et al., 2025). Même constat une semaine plus tard dans une autre expérience (Contractor et Reyes, 2026). En rédaction, ChatGPT améliore la note du texte, mais ni les connaissances acquises ni leur transfert : les auteurs parlent de « paresse métacognitive » (Fan et al., 2024).
• Se méfier du sentiment d'apprendre. Avec une IA, les étudiants surestiment ce qu'ils ont appris (Lehmann et al., 2025). À l'inverse, des collégiens qui corrigent des solutions fausses apprécient moins l'exercice que ceux qui résolvent des problèmes, mais réussissent mieux une semaine après (Adams et al., 2014).
• Configurer l'assistant. Les modèles généralistes suivent mal les stratégies d'enseignement efficaces (Petukhova et al., 2026), et un assistant non spécialisé entretient la motivation de collégiens sans améliorer leurs résultats (essai randomisé, 2026). À Harvard, un tuteur structuré question par question, nourri des solutions rédigées par les enseignants, fait plus que doubler les gains médians par rapport à un cours en pédagogie active, en 49 minutes au lieu de 60 (Kestin et al., 2025). Les outils conçus pour l'apprentissage donnent de meilleurs résultats que les assistants génériques (OCDE, 2026).
• Encadrer les séances. Dans une méta-analyse de 19 études, l'effet de l'IA générative sur les résultats est fort quand l'enseignant accompagne l'usage (g = 1,43) et presque nul sinon (g = 0,08) (Gu et Yan, 2025). Au Nigeria, six semaines de séances encadrées ont fait progresser des lycéens de 0,31 écart-type (Banque mondiale, 2025). En Angleterre, un tuteur IA centré sur les réponses aux questions d'examen améliore les résultats en sciences (g = 0,33) (Harrison et al., 2026), et un modèle supervisé par des tuteurs humains fait au moins aussi bien qu'eux auprès de 165 élèves de 13 à 15 ans (LearnLM et Eedi, 2025).
• Intégrer l'assistant à l'activité, ne pas le laisser en option. Dans 18 collèges du Tennessee suivis pendant deux ans, un tuteur IA à disposition n'apporte pas plus que la plateforme d'exercices seule : l'élève médian ne lui écrit qu'un jour sur trois, et dans 17 % seulement des séances où il s'est trompé (Oreopoulos et Low, 2026). Quand le tuteur intervient d'office après chaque erreur, les élèves avancent moins vite mais réussissent mieux la question suivante (Oreopoulos et al., 2026).
• Poser des questions de relance plutôt que féliciter. Une IA qui suggère des questions de relance aux tuteurs améliore la réussite des élèves, surtout avec les tuteurs les moins expérimentés (Wang et al., 2024).
• Faire vérifier l'IA par l'élève. Diagnostiquer les erreurs d'une IA ou comparer ses propos aux sources fait travailler la notion et l'esprit critique à la fois (LLMs Protégés, 2025 ; Breen, 2023).
• En histoire, traiter l'IA comme une source à critiquer. Les grands modèles réussissent presque parfaitement l'examen d'histoire de fin de lycée polonais, mais raisonnent sur le contenu des documents sans les traiter comme des objets à analyser, et commettent des anachronismes (Trzoss et al., 2026). Livrés à eux-mêmes, des lycéens en enquête historique n'ont avec ChatGPT que des échanges pauvres et répétitifs : il faut leur apprendre d'autres usages (Lee et al., 2024).

La plupart de ces études portent sur des étudiants ou des collégiens, sur quelques semaines, et souvent en mathématiques. Elles orientent les choix ; elles ne garantissent pas l'effet d'une activité donnée en classe.

Sept rôles pour l'assistant

La typologie s'inspire des sept approches de Mollick et Mollick (2023), adaptées au lycée.

Histoire : les rivalités coloniales au XVIIe siècle

Contexte Rukh : rukh.it/rivalites-coloniales-xvii-siecle

Entraîneur

• Quiz de révision : généré sur les dates et les notions clés du chapitre.
• Interrogation orale : l'assistant pose les questions du chapitre, l'élève répond et se corrige.
• Rappel libre : l'élève écrit tout ce dont il se souvient sur le chapitre, sans notes. L'assistant signale les manques sans les combler ; l'élève retourne à son cours.
• Révision espacée : chaque séance commence par trois questions sur les chapitres précédents, à intervalles croissants (Dunlosky et al., 2013).
• Remise en ordre : l'assistant donne dix événements dans le désordre. L'élève les classe et justifie chaque enchaînement par un lien de cause.

Tuteur

• Analyse critique de document : le récit d'Exquemelin (1678). L'assistant ne pose que les questions de l'historien — qui écrit, pour qui, dans quel but, que disent les autres sources — et l'élève y répond à partir du texte. Un programme de lecture de documents construit sur ces questions a fait progresser 236 lycéens en raisonnement historique, en connaissances et en lecture (Reisman, 2012).
• Confrontation de deux documents : le Code noir (1685) et le récit d'un flibustier. L'assistant demande à l'élève de relever convergences et contradictions, puis de les expliquer.
• Étude de cas guidée : Carthagène (1697), l'État qui délègue puis subordonne la flibuste.
• Dialogue socratique : à partir d'une question comme « la course est-elle légale ? », l'assistant ne pose que des questions et amène l'élève à construire lui-même la distinction entre course et piraterie (Wang et al., 2024).
• Explication de notion : le monopole de la violence légitime, à partir de la course.
• Chaîne de causes : l'élève explique pourquoi la France subordonne la flibuste après 1697. À chaque maillon, l'assistant demande « et pourquoi ? » jusqu'à ce que la chaîne tienne.
• Lire le français du XVIIe siècle : face à un extrait original, l'assistant explique le vocabulaire et l'orthographe de l'époque à la demande, sans traduire le texte entier.
• Mythe ou réalité : l'élève soumet une scène de film ou un cliché sur les pirates. L'assistant l'aide à formuler les questions qui permettent de vérifier, sans trancher à sa place.

Élève

• Le camarade absent : l'assistant joue un élève qui a manqué le cours et arrive avec des idées reçues (« les flibustiers étaient des hors-la-loi »). L'élève lui explique le chapitre et corrige ses erreurs.
• L'élève à l'épreuve : après l'explication, l'assistant répond à un quiz en n'utilisant que ce que l'élève lui a appris. Ses erreurs montrent à l'élève ce qu'il a mal expliqué (Chase et al., 2009).

Contradicteur

• Débat contre l'assistant : l'assistant défend la thèse adverse (« Drake est un pirate »), répond aux arguments de l'élève, puis fait le bilan des arguments solides et fragiles (fiche de l'université de Melbourne ; de la Puente et al., 2024).
• Préparation d'un débat en classe : « Drake, serviteur de la Couronne ou pirate ? » L'élève prépare ses arguments ; l'assistant ne fournit que les objections.
• Tribunal historique : procès d'un flibustier capturé. L'élève plaide, l'assistant joue l'accusation puis le juge, en s'appuyant sur le droit de l'époque (lettres de marque).
• Atelier de problématique : l'élève propose une problématique. L'assistant, dans le rôle du correcteur, lui oppose des objections jusqu'à ce qu'elle soit assez précise et discutable.
• Débat historiographique : l'assistant présente deux interprétations opposées de la flibuste (société libre en marge des États, ou bras armé des monarchies). L'élève les teste sur les documents du corpus.
• L'objection la plus forte : l'élève soumet un paragraphe argumenté. L'assistant ne renvoie qu'une chose : la meilleure objection possible. L'élève réécrit pour y répondre.

Simulateur

• Interview d'un personnage historique : l'élève interroge Exquemelin, un gouverneur de Saint-Domingue ou un esclave de plantation, joués par l'assistant à partir des seules sources du corpus. Il distingue ensuite ce qui est attesté de ce qui est reconstruit. Avec des personnages adossés à un corpus, les questions des collégiens passent du factuel au réflexif (Shanghvi et al., 2025) ; les preuves restent qualitatives (étude de cas allemande, 2024 ; agents pédagogiques en réalité virtuelle, 2025).
• Au conseil du roi : l'élève joue Colbert face à une série de dilemmes (accorder des lettres de marque, créer une compagnie à charte, tolérer la flibuste). L'assistant fait évoluer la situation selon ses choix, puis compare le résultat avec ce qui s'est réellement passé (Breen, 2023).
• L'armateur de Saint-Malo : l'élève décide d'armer ou non un navire pour la course. L'assistant fournit les coûts, les risques et la part due au roi, puis raconte la campagne.
• Négociation de Ryswick (1697) : chaque groupe d'élèves représente une puissance, l'assistant en joue une autre et arbitre. On compare ensuite le traité obtenu au traité réel.
• Points de vue croisés : le sac de Carthagène raconté successivement par un flibustier, un officier espagnol, un habitant de la ville et un ministre français. L'élève compare les récits et explique d'où viennent les différences.
• Uchronie contrôlée : « Et si la France avait refusé de subordonner la flibuste après 1697 ? » L'assistant déroule les conséquences, l'élève les confronte aux causes réelles vues en cours.

Auteur d'un texte à critiquer

• Chasse à l'erreur : l'assistant produit un récit contenant des anachronismes et des erreurs volontaires, que l'élève doit trouver et justifier (Trzoss et al., 2026).
• Faux document d'époque : l'assistant rédige une lettre fictive d'un marchand de la compagnie, dont l'élève fait la critique externe comme pour un vrai document (Breen, 2023).
• Vérification croisée : l'élève compare une réponse de l'assistant au programme officiel et au corpus, et classe chaque affirmation : attestée, plausible, fausse.
• Source simplifiée : l'assistant produit une version simplifiée d'un document difficile. L'élève la compare à l'original et relève ce que la simplification a fait perdre ou déformer.
• Deux résumés, un seul fiable : l'assistant résume deux fois le même document, dont une fois avec des déformations discrètes. L'élève retrouve le bon résumé, texte à l'appui.
• Le manuel d'en face : l'assistant raconte Drake comme le ferait un manuel anglais, puis un manuel espagnol. L'élève repère ce que chaque récit retient et passe sous silence, et rappelle que ces textes sont générés, pas authentiques.

Relecteur

• Reprise d'un paragraphe rédigé : l'assistant signale ce qui manque, sans écrire à la place de l'élève (Meyer et al., 2024).
• Plan de composition : l'élève propose un plan. L'assistant signale les redites, les oublis et les parties déséquilibrées, sans proposer le sien.
• Frise chronologique commentée : l'élève la construit à partir des repères du chapitre ; l'assistant vérifie dates et commentaires.
• Glossaire du chapitre : course, flibuste, compagnie à charte, monopole. L'élève définit à partir du corpus ; l'assistant pointe les définitions circulaires ou trop vagues.
• Journal de bord d'un engagé : l'élève rédige le journal d'un engagé partant pour Saint-Domingue. L'assistant signale les invraisemblances (durée de la traversée, conditions de vie, statut juridique).
• Grand oral blanc : l'élève présente une question d'histoire. L'assistant joue le jury, pose des questions de relance et fait un retour sur la clarté et la maîtrise du sujet.

Mathématiques

Entraîneur

• Série d'entraînement : enchaînement de problèmes simples sur une notion donnée.
• Exercices sur mesure : la difficulté s'ajuste en temps réel. Si l'élève réussit, elle monte ; s'il se trompe, l'exercice suivant cible précisément l'erreur commise.
• Exercices entremêlés : l'assistant mélange les chapitres. L'élève doit d'abord reconnaître quelle méthode s'applique, ce qu'une série homogène ne demande jamais (Dunlosky et al., 2013).
• Automatismes : cinq minutes de questions flash en début de séance (calcul, fractions, pourcentages, lectures graphiques), avec reprise espacée des questions ratées.
• Rappel libre : l'élève restitue de mémoire les définitions et théorèmes du chapitre. L'assistant signale les hypothèses oubliées.

Tuteur

• Indices gradués : face à un exercice bloquant, l'assistant donne un indice à la fois, jamais la solution, en tenant compte de ce que l'élève a déjà tenté (Bastani et al., 2025 ; Petukhova et al., 2026).
• Après l'erreur : l'assistant reprend la solution de l'élève étape par étape et lui fait trouver celle qui pose problème, avant de proposer un exercice voisin (Oreopoulos et al., 2026).
• Chercher avant le cours : l'élève s'attaque à un problème qui porte sur une notion pas encore enseignée. L'assistant l'encourage à multiplier les pistes sans en valider aucune ; le professeur fait ensuite le cours en partant de ces tentatives. Dans 53 études en sciences et en mathématiques, chercher avant d'être instruit l'emporte sur l'ordre inverse (Sinha et Kapur, 2021).
• Modélisation d'une situation réelle : l'élève apporte une situation de sa vie (forfait téléphonique, épargne, propagation d'une rumeur). L'assistant l'aide à construire un modèle par des questions, sans le lui donner.
• Une autre méthode : une fois l'exercice résolu, l'assistant indique qu'il existe une autre méthode et donne des indices pour la trouver. L'élève compare ensuite les deux démarches.
• Algorithme commenté : l'élève écrit un programme Python du programme de lycée. L'assistant lui demande d'en prédire la sortie ligne par ligne avant de l'exécuter, et commente sans corriger à sa place.

Élève

• Élève fictif : l'assistant joue un élève qui fait une erreur typique, et l'élève réel doit la diagnostiquer et la lui expliquer (LLMs Protégés, 2025 ; Ma et al., 2023).
• L'élève à l'épreuve : l'élève enseigne une méthode à l'assistant, qui passe ensuite un contrôle en n'utilisant que ce qu'on lui a appris (Chase et al., 2009).
• Explique-moi comme à un enfant de 10 ans : l'élève reformule une notion, et l'assistant signale ce qui est faux, imprécis ou trop vague.

Contradicteur

• Avocat de l'erreur : l'assistant défend avec conviction une affirmation fausse (« 0,999… est strictement inférieur à 1 », « une suite croissante tend vers l'infini »). L'élève doit le convaincre avec une preuve ou un contre-exemple.
• Conjecture et contre-exemple : l'élève explore une suite ou une fonction et formule une conjecture. L'assistant cherche un contre-exemple ou exige une justification pour chaque étape.
• Toujours, parfois, jamais : l'assistant propose des affirmations (« le carré d'un nombre est plus grand que ce nombre »). L'élève les classe et justifie ; l'assistant conteste chaque classement.

Simulateur

• Le jeu truqué : l'assistant joue un forain qui propose un jeu de hasard. L'élève calcule l'espérance et les probabilités pour décider s'il accepte, puis l'assistant change les règles.
• Le commanditaire : l'assistant joue un maire ou un artisan qui expose un problème mal posé (tarifs, stocks, tournées). L'élève doit poser les bonnes questions pour obtenir les données, puis choisir l'outil mathématique. C'est l'étude de cas pratique, avec un interlocuteur.
• Dialogue avec un mathématicien : l'élève interroge Fermat, Euler ou Émilie du Châtelet sur le contexte de leur découverte, puis vérifie les réponses dans ses recherches.

Auteur d'un texte à critiquer

• Démonstration fautive : l'assistant propose une démonstration qui contient une faille subtile (division par une quantité qui peut être nulle, réciproque utilisée à tort). L'élève doit trouver l'étape fausse et la corriger. Chez 208 collégiens, corriger des solutions erronées donne de meilleurs résultats différés que résoudre les mêmes problèmes (Adams et al., 2014).
• Copie à corriger : l'assistant rédige la copie d'un élève fictif, avec des erreurs typiques. L'élève la note avec le barème et rédige les annotations.
• Du français aux symboles : l'élève traduit un énoncé en écriture mathématique (quantificateurs, implications). L'assistant retraduit mot à mot ce que l'élève a écrit, pour montrer l'écart avec ce qu'il voulait dire.
• Statistique trompeuse : l'assistant rédige une brève de presse qui abuse d'un pourcentage, d'une moyenne ou d'un graphique tronqué. L'élève trouve ce qui cloche et réécrit la phrase.
• Vérifier le calcul de l'IA : l'élève contrôle un résultat de l'assistant par un autre moyen (calculatrice, Python, ordre de grandeur) et explique l'écart éventuel.

Relecteur

• Rédaction d'un problème : l'élève rédige un problème (simple, complexe, original…). L'assistant vérifie qu'il est bien posé, qu'il a une solution unique, et indique à quel niveau il correspond. Inventer des problèmes améliore les résultats en mathématiques, davantage encore dans un environnement numérique (26 études, g = 0,53 ; Ran et al., 2025).
• Correcteur du bac : sur une solution juste, l'assistant évalue uniquement la rédaction (justifications, rigueur, conclusion) avec les critères d'une copie d'examen (Harrison et al., 2026).
• Fiche de synthèse : l'élève rédige la fiche du chapitre. L'assistant signale les théorèmes sans hypothèses et les méthodes sans exemple.
• Recherche historique : l'élève présente le contexte d'une découverte mathématique. L'assistant lui demande ses sources et pointe les affirmations non étayées.
• Grand oral blanc : l'élève présente sa question de Grand oral sur un thème mathématique. L'assistant joue le jury, pose des questions de relance et fait un retour sur la clarté et la maîtrise du sujet.

Sources

Essais et expériences avec l'IA générative

• Bastani H. et al., « Generative AI without guardrails can harm learning: Evidence from high school mathematics », PNAS, 2025 (notice). Synthèse : Knowledge at Wharton.
• Kestin G. et al., « AI tutoring outperforms in-class active learning », Scientific Reports, 2025 — essai croisé, 194 étudiants de physique à Harvard.
• Oreopoulos P. et Low N., « One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment », NBER, 2026 — essai randomisé par grappes, 18 collèges du Tennessee.
• Oreopoulos P., Liut M., Sungu A. et Low N., « Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment », NBER, 2026 — plus de 6 000 collégiens.
• LearnLM Team et Eedi, « AI tutoring can safely and effectively support students: An exploratory RCT in UK classrooms », 2025 — 165 élèves de cinq établissements secondaires.
• Wang R. et al., « Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise », Stanford, 2024 — 900 tuteurs et 1 800 élèves.
• Banque mondiale, « From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria », 2025 — essai randomisé, lycéens.
• Harrison W. et al., « Evaluating AI Tutoring at the Speed of Innovation », 2026 — 929 élèves du secondaire en Angleterre.
• Contractor Z. et Reyes G., « Experimental Evidence on the Learning Impact of Generative AI », 2026 — étudiants de premier cycle.
• Lehmann M., Cornelius P. B. et Sting F. J., « AI Meets the Classroom: When Do Large Language Models Harm Learning? », 2025 — une étude de terrain et deux expériences, étudiants en programmation.
• Fan Y. et al., « Beware of Metacognitive Laziness », British Journal of Educational Technology, 2024 — 117 étudiants.
• Meyer J. et al., « Using LLMs to bring evidence-based feedback into the classroom », Computers and Education: Artificial Intelligence, 2024 — 459 lycéens.
• de la Puente M. et al., « Investigating the use of ChatGPT as a tool for enhancing critical thinking and argumentation skills », Smart Learning Environments, 2024 — 95 étudiants.
• « Enhancing School Students' Self-Regulated Learning through Generative AI Support: A Randomized Controlled Trial », Educational Psychology Review, 2026 — 371 collégiens.
• « LLMs Protégés: Tutoring LLMs with Knowledge Gaps Improves Student Learning Outcome », BEA Workshop, 2025 — étudiants d'université.
• Ma Q. et al., « How to Teach Programming in the AI Era? Using LLMs as a Teachable Agent for Debugging », 2023 — étudiants débutants en programmation.
• Petukhova K., Nguyen T. D. et Kochmar E., « Towards Pedagogically Aligned LLM Tutors for Math Mistake Remediation », 2026.

Synthèses et cadres

• Gu J. et Yan Z., « Effects of GenAI Interventions on Student Academic Performance: A Meta-Analysis », Journal of Educational Computing Research, 2025 — 19 études.
• OCDE, « How to effectively use generative AI in education », 2026.
• Mollick E. et Mollick L., « Assigning AI: Seven Approaches for Students, with Prompts », Wharton, 2023.

Histoire

• Trzoss A. et al., « Lost in Historical Time? A Polish History Matura Benchmark for Large Language Models », 2026.
• Lee M. et al., « Exploring interactions between learners and ChatGPT from a learner agency perspective: A multiple case study on historical inquiry », Education and Information Technologies, 2024 — trois élèves du secondaire.
• « Chatting about the Past with Artificial Intelligence », Journal of Educational Media, Memory, and Society, 2024 — étude de cas, 21 élèves de 14 ans interviewant un personnage historique.
• Shanghvi K. et al., « Conversations for Learning: Designing Personified Historical Chatbots to Enhance Critical Thinking in K-12 Students », 2025 — 52 collégiens.
• « Exploring LLM-Powered Role and Action-Switching Pedagogical Agents for History Education in Virtual Reality », 2025.
• Reisman A., « Reading Like a Historian: A Document-Based History Curriculum Intervention in Urban High Schools », Cognition and Instruction, 2012 — 236 lycéens.
• Breen B., « Simulating History with ChatGPT », Res Obscura, 2023 — retour d'expérience d'enseignant.
• Université de Melbourne, « GenAI as debate partner » — fiche d'activité.

Sciences de l'apprentissage

• Dunlosky J. et al., « Improving Students' Learning With Effective Learning Techniques », Psychological Science in the Public Interest, 2013.
• Sinha T. et Kapur M., « When Problem Solving Followed by Instruction Works: Evidence for Productive Failure », Review of Educational Research, 2021 — méta-analyse, 53 études.
• Chase C. et al., « Teachable Agents and the Protégé Effect: Increasing the Effort Towards Learning », Journal of Science Education and Technology, 2009.
• Adams D. et al., « Using erroneous examples to improve mathematics learning with a web-based tutoring system », Computers in Human Behavior, 2014 — 208 collégiens.
• Ran H. et al., « Effects of Engaging in Problem-Posing Interventions on Learners' Cognitive Mathematics Outcomes », Journal for Research in Mathematics Education, 2025 — méta-analyse, 26 études.