# De l’intention pédagogique à une capacité observable Je souhaite que l’enseignement permette de faire quelque chose que l’on ne savait pas encore faire, puis d’expliquer pourquoi on le fait ainsi. Une séance se conçoit donc en partant du raisonnement à développer et de la manière dont il pourra devenir visible. La qualité du support compte ; elle doit servir ce travail intellectuel. ## 1. Une capacité Définir ce que l’étudiant doit pouvoir expliquer, interpréter ou décider. ## 2. Une activité Faire exercer ce raisonnement avec des appuis adaptés. ## 3. Une preuve Observer une production et demander de justifier les choix. ## 4. Une reprise Utiliser le retour pour améliorer une nouvelle version. ## Situation fictive · proposition de travail Une équipe doit proposer une réponse à des besoins sociaux co-occurrents en soins primaires. Les étudiants disposent d’une vignette, d’un petit tableau de données fictives et de positions d’acteurs. Selon l’objectif, le travail et les critères changent. ### Comprendre un concept Le raisonnement : Comparer deux explications d’une rupture de parcours : une caractéristique individuelle et une difficulté d’organisation. Définir les concepts avant de les appliquer, puis expliciter ce que chaque lecture rend visible ou laisse dans l’ombre. Une production utile : Une carte conceptuelle commentée et une courte explication personnelle. Critères : définition correcte, liens justifiés, exemple et contre-exemple. Le point de vigilance : Une formulation fluide ou une carte élégante ne suffisent pas. Une question de transfert permet de voir si le concept reste mobilisable dans une autre situation. ### Interpréter des données Le raisonnement : Choisir le dénominateur, calculer une mesure avec un exemple inédit et distinguer association, hypothèse causale et jugement normatif. Confronter les interprétations avant d’ouvrir la correction. Une production utile : Un calcul annoté, son interprétation en langage clair et une limite explicite. Une reprise espacée sur un nouvel exemple renseigne sur la consolidation. Le point de vigilance : La bonne valeur numérique peut résulter d’une mauvaise méthode. Demander pourquoi la formule convient et ce qu’elle ne permet pas de conclure. ### Argumenter une décision Le raisonnement : Comparer des scénarios en précisant les personnes concernées, les bénéfices attendus, les coûts déplacés vers d’autres acteurs et les incertitudes. Délibérer en groupe, puis défendre individuellement une recommandation révisée. Une production utile : Une note de décision : options, critères, arguments, objection principale, réponse à l’objection et information susceptible de modifier la recommandation. Le point de vigilance : Le désaccord peut porter sur les preuves, les valeurs ou la répartition des ressources. Le rendre explicite aide à le discuter ; le consensus n’est pas un critère suffisant de validité. ## Questions à se poser - Quel apprentissage l’étudiant doit-il pouvoir démontrer sans aide ? - Qui rencontre un obstacle évitable dans le dispositif ? - Quelle action concrète le retour permettra-t-il d’essayer ? - Quelle nouvelle situation permettra d’observer le transfert ? ## Sources et portée des appuis Ces études éclairent des conditions de conception et des risques. Elles n’établissent pas les effets de ma propre pratique. Le risque de non-acquisition initiale des compétences discuté en médecine en 2026 demeure une hypothèse et un programme de recherche, avec une preuve directe encore limitée. Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6 Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122 Car, J., Ke, Y., Jin, L., Ong, J. C. L., Thirunavukarasu, A. J., Cheung, C. Y., Tham, Y. C., Ting, D. S. W., Ong, M. E. H., Compton, S., Narayan, A., Keane, P. A., Wong, T. Y., Bates, D. W., Tan, P., & Liu, N. (2026). AI-induced never-skilling in medical education. Nature Medicine, 32, 1997–2006. https://doi.org/10.1038/s41591-026-04438-y