Titre en français

Potentialités de l’IA comme assistant à la différenciation pour lutter contre l’autocensure

Titre dans une autre langue

Potential of AI as a differentiation assistant to combat self-censorship

Auteur

Arniaud, Antoine

Directeur de recherche

Baptiste Jessel, Nadine (19..-.... ; enseignante-chercheuse en informatique)

Date de soutenance

18 septembre 2025

Établissement

Université Toulouse-Jean Jaurès

UFR ou composante

Institut National Supérieur du Professorat et de l'Education (INSPE)- Académie de Toulouse

Diplôme

M2 MEEF Concepteur de ressources numériques pédagogiques

Sujet

Intelligence artificielle

Sciences de l'éducation

Mots-clés en français

Autocensure

Différenciation pédagogique

Intelligence Artificielle (IA)

LLM

Orientation scolaire

Lycée professionnel

Résumé en français

Ce mémoire s’inscrit dans une mission menée au Crous de Toulouse-Occitanie visant à lutter contre l’autocensure des lycéens professionnels dans l’accès à l’enseignement supérieur. Face à la diversité des profils et aux mécanismes complexes qui freinent l’orientation, l’enjeu est de concevoir des interventions différenciées permettant à chaque élève de se projeter dans un parcours d’études. L’étude examine les différents mécanismes d’autocensure et s’interroge sur la manière dont l’intelligence artificielle peut contribuer à identifier les freins rencontrés par les élèves ainsi que les similitudes entre leurs profils, en vue de proposer des remédiations adaptées. Deux approches complémentaires ont été explorées : l’utilisation d’outils spécialisés de classification non supervisée et supervisée, et le recours à un grand modèle de langage (LLM) employé comme agent polyvalent.

Résumé

This thesis is part of a mission carried out at the Crous of Toulouse-Occitanie, aiming to address self-censorship among vocational high school students in their access to higher education. Faced with the diversity of student profiles and the complex mechanisms that hinder orientation, the challenge is to design differentiated interventions that enable each student to envision a study pathway. The study examines the different mechanisms of self-censorship and investigates how artificial intelligence can help identify both the obstacles faced by students and the similarities between their profiles, with the goal of proposing tailored remediation strategies. Two complementary approaches were explored: the use of specialized tools for supervised and unsupervised classification, and the use of a large language model (LLM) employed as a versatile agent.

Accès au document

Accès libre