Des pratiques numériques au service de la classe : les Travaux académiques mutualisés (TraAM)

Présentation

Les Travaux Académiques Mutualisés (TraAM) sont un dispositif national co-piloté par la direction du numérique pour l’éducation (DNE) et l’Inspection générale (IGESR). Ils visent à mobiliser à bon escient le numérique dans les usages pédagogiques grâce à des expérimentations menées directement dans les classes, avec les enseignants et leurs élèves.

Chaque année, près de 700 enseignants répartis dans toutes les académies et à tous les niveaux (école, collège, lycée, BTS) s’impliquent dans plus de 100 projets couvrant 19 disciplines. Leurs productions alimentent Édubase sous forme de ressources pédagogiques innovantes, et donnent aussi lieu à des parcours d’autoformation dans le catalogue de l’offre en libre sur les plateformes Magistère et réseaux des concepteurs.

Le dispositif suit un calendrier annuel : appel à candidature en début d’année (février), sélection des projets en juin, travaux de septembre à mai. Le pilotage est assuré au niveau national par la DNE et l’IGESR, et en académie par un inspecteur (IA-IPR, IEN-ET, IEN-EG) accompagné de l’Interlocuteur Académique au Numérique (IAN).

Pour participer, il est conseillé de se rapprocher de sa délégation académique au numérique, de son inspecteur ou de son interlocuteur académique pour le numérique.

Zoom pratique du numérique en classe

Défi botanique : une approche concrète de l’intelligence artificielle en SVT 

L’éducation à l’intelligence artificielle ne se limite pas aux usages de l’IA générative. Si les grands modèles de langage occupent aujourd’hui une place centrale dans les débats, d’autres approches, plus concrètes et pédagogiquement structurantes, méritent d’être mises en lumière.

Dans le cadre des TraAM, un projet mené en sciences de la vie et de la Terre dans l’académie de Montpellier propose ainsi une entrée originale dans l’apprentissage de l’intelligence artificielle : un « Défi botanique » fondé sur l’observation du réel.

Les élèves sont amenés à constituer eux-mêmes un corpus de données en photographiant et en identifiant les végétaux présents dans leur environnement proche, notamment dans la cour de leur établissement. À partir de ces images annotées, ils entraînent un modèle de classification capable de reconnaître différentes espèces végétales, selon les principes du machine learning supervisé.

Cette démarche permet d’aborder concrètement les enjeux liés à l’intelligence artificielle. Les élèves constatent rapidement les limites du modèle : confusions entre espèces proches, biais liés aux conditions de prise de vue, importance de la qualité et de la diversité des données. Ils sont alors conduits à améliorer leur corpus, affiner les annotations et itérer dans l’entraînement du modèle.

L’intelligence artificielle apparaît ainsi non plus comme un outil opaque ou une source de réponses immédiates, mais comme un système perfectible et dépendant des données qui l’alimentent. Ce travail favorise le développement d’un regard critique sur les usages de l’IA et permet d’en comprendre les mécanismes fondamentaux.

Accéder à la séquence détaillée sur Édubase 

À noter : ces trois scénarios sont référencés et consultables dans leur intégralité sur Édubase, dans les académies de Lille, Nancy-Metz et Nice.