1. Introduction et problème

Dans la tranche de 3 à 6 ans — jardin d’enfants, préscolaire, CENDI, école infantile — un paquet de trois artefacts prétend valoir pour médiation du langage oral et de la narration. Le premier est un conte généré : un texte avec personnages, conflit et « clôture » qu’un modèle produit à partir d’un prompt. Le deuxième est un chatbot qui « converse » avec l’enfant : un agent qui lit, questionne et donne une rétroaction dans un tour de machine. Le troisième est une appli qui corrige la parole : un reconnaisseur qui transcrit, note la prononciation et déclare un « progrès ». Les trois sont visibles et bon marché. Ils permettent d’exhiber que le centre « travaille déjà l’oralité avec l’intelligence artificielle ». Le saut énonciatif est énorme : on passe de générer un output à affirmer qu’il y a médiation du langage oral. Ce saut n’est autorisé ni par la façon dont un enfant de 3 à 6 ans parle avec un agent ni par ce que les cadres de la petite enfance appellent langage oral.

La thèse de cet article est restrictive. Un conte généré par un modèle, un chatbot qui « converse » avec l’enfant ou une appli qui corrige la parole ne constituent pas une médiation du langage oral. Le langage oral en éducation de la petite enfance est un dialogue situé, une écoute et une expansion par l’adulte ; non un output de modèle. Aistear, actualisé en 2024, situe le thème Communicating dans le partage d’expériences, de pensées et d’intérêts avec une compétence croissante, et affirme que les littératies émergentes reposent sur une base forte de langage oral (Government of Ireland, 2024). La NAEYC demande des conversations fréquentes et étendues, et utilise l’observation tant pour planifier que pour les interactions de moment à moment (NAEYC, 2020). L’input qui prédit le mieux l’apprentissage linguistique est interactionnellement soutenu, linguistiquement adapté et conceptuellement exigeant pour le niveau de l’enfant (Rowe et Snow, 2020). Aucun de ces cadres n’autorise à traiter un texte généré, un tour de chatbot ou une transcription notée comme l’acte de médier la parole.

Le problème s’aggrave pour une raison de métier que les fiches produit ne mentionnent pas. En petite enfance, l’objet n’est pas un conte exposable ni une métrique de « fluidité ». C’est la qualité de processus : les interactions quotidiennes avec les adultes, les pairs, les matériaux et l’espace (OECD, 2021). Un modèle n’écoute pas cet enfant, dans cette salle, avec cet énoncé à demi formé. Il produit un output plausible pour un locuteur générique. Inférence, marquée comme telle : le marché de « l’IA pour l’oralité » hérite d’une erreur de catégorie — confondre produire un texte ou une correction avec médier la parole — et l’automatise là où le langage oral est, par définition, un dialogue situé.

Ce travail ne recycle pas les axes déjà traités dans cette série. La question est de catégorie pédagogique : qu’est-ce qui compte comme médiation du langage oral et de la narration lorsqu’un centre de petite enfance « fait de l’IA ». Les contributions sont trois : séparer l’output du modèle du dialogue, de l’écoute et de l’expansion ; examiner trois familles de cas ; et offrir quatre épreuves pour décider quand un jardin médiatise la parole, et non seulement produit un conte, un chat ou une correction.

2. État de l’art : de l’output de modèle à l’oralité comme métier situé

Il convient de séparer quatre strates que le marché de « l’IA pour l’oralité » mélange d’ordinaire. La première est ce que l’éducation de la petite enfance appelle langage oral : pratiques linguistiques de l’adulte, lecture dialogique avec expansion et qualité de processus comme interaction. La deuxième est la preuve sur les agents, chatbots et soutien narratif par IA : presque toute mesurée comme compréhension, vocabulaire ou engagement pendant la séance, non comme médiation soutenue de ce groupe. La troisième est la reconnaissance automatique de la parole enfantine : le premier acte de toute appli qui « corrige ». La quatrième est le cadre des droits et de la qualité de processus, qui traite l’enfant de 3–6 ans comme sujet de supervision humaine et l’éducatrice comme celle qui écoute et élargit.

Dans la strate de l’oralité de petite enfance, Jiang, Kaplan et Ko-Wong (2025) méta-analysent 118 articles de 104 études, avec 411 tailles d’effet, 13 572 enseignants et 112 533 enfants du préscolaire à la troisième année : la qualité des pratiques linguistiques enseignantes s’associe positivement au développement langagier. Hadley, Barnes, Wiernik et Raghavan (2022) regroupent, dans 30 études et 539 corrélations, onze types de parole enseignante en deux registres : académique émergent et pont. Hadley, Barnes et Hwang (2023) synthétisent 54 études en quatre fils (conceptuel, interactif, linguistique, de gestion ou littéral) ; la parole conceptuelle dans la lecture partagée et les élicitations en petit groupe s’associent à la croissance orale. Houen, Thorpe, van Os, Westwood, Toon et Staton (2022), dans 33 études auprès d’enfants de 2 à 5 ans, trouvent que les questions ne garantissent pas la conversation aller-retour : les conversations riches dépendent de la réactivité continue. Dong, Chow, Mo, Miao et Zheng (2024), avec 364 kindergarteners sur douze semaines, montrent que PEER (prompt, évaluer, élargir, répéter) surpasse les prompts à rétroaction minimale aussi sur le vocabulaire expressif et l’intérêt. Weadman, Serry et Snow (2023) observent, chez des enseignantes australiennes, une large variabilité et une prédominance de prompts fermés. Inférence : médier le langage oral n’est pas questionner ni produire un texte. C’est écouter cet énoncé et l’élargir.

Dans la strate de l’IA conversationnelle et narrative, Xu, Wang, Collins, Lee et Warschauer (2021) comparent, chez 90 enfants de 3 à 6 ans, la lecture avec un agent et avec un adulte : l’agent a égalé la compréhension, mais l’adulte a élicité plus de production, plus de diversité lexicale et plus de pertinence topique ; l’agent a favorisé l’intelligibilité. Xu, Aubele, Vigil, Bustamante, Kim et Warschauer (2022), avec 117 enfants de 3 à 6 ans, trouvent que l’agent réplique le bénéfice dialogique en compréhension en augmentant les vocalisations pertinentes à la narration. Cheng, Yin, Lin, Shi, Zheng, Zhu, Liu, Chen et Dong (2024), avec 148 kindergarteners de Pékin (M = 70,07 mois), trouvent un soutien comparable en compréhension et en mots, modéré par la compétence linguistique préalable. Xiao, Zou, Lin, Li et Yang (2025), avec 67 enfants de 5 à 8 ans, trouvent une meilleure compréhension avec l’agent, mais plus de vocalisations narratives avec l’adulte. Zhang, Xu, Wei et Wang (2026) assignent 180 enfants (M = 78,91 mois) à trois conditions de soutien narratif : la condition itérative gagne pendant la phase avec le système et les différences disparaissent au transfert. He, Gastón-Panthaki, Zhuo, Munsey, Zhang et Warschauer (2025) évaluent StoryPal auprès de 23 enfants de 4 à 7 ans en une séance : fort engagement ; les adultes ont demandé un complément, non un remplacement. Xu, Branham, Deng, Collins et Warschauer (2021) trouvent que la plupart des applis vocales ne soutiennent pas un dialogue ouvert. Xu (2023) conclut qu’il y a compréhension, non équivalence de patron communicatif. Sun, Tan et Lim (2025) et Zhang, Husnin et Kamsin (2026) cartographient le champ : le bénéfice se concentre sur le vocabulaire, la compréhension et la participation, et l’IA fonctionne mieux sous la direction d’éducatrices, non comme substitut. Chen (2024) couvre 18 articles et 15 081 enfants de 2 à 8 ans ; Su et Yang (2022), 17 études ; Ljungcrantz (2026), 39 études 2020–2024. Statut : résultat de champ, non de médiation quotidienne. Inférence : « plus de chatbot » n’est pas « plus de langage oral ».

Dans la strate du reconnaisseur, Kim, Druga, Esmaeili, Woodward, Shaw, Jain, Langham, Hollingshead, Lovato, Beneteau, Ruiz, Anthony et Hiniker (2022) observent 28 enfants de 5 à 10 ans avec un assistant commercial : la transcription a dépassé 84 % en conversation non scriptée, mais l’appareil a répondu de manière pertinente au contenu seulement la moitié du temps. Pelfrey et al. (2024) trouvent, en classe préscolaire, des taux d’erreur plus élevés pour la parole enfantine que pour la parole adulte. Quan et al. (2026) déploient Vovo, un système conversationnel à modèle de langage, pendant six semaines auprès de 10 familles et d’enfants de 3 à 7 ans (M = 5,4) : 150 séances ; les séances avec adulte ont produit des résultats d’apprentissage significativement plus élevés que les séances avec l’IA, t(9) = 11,83, p < 0,001, d = 3,74 ; la reconnaissance de la parole a été l’une des limites du système. Inférence : une appli qui « corrige la parole » trébuche au premier acte. Elle n’entend pas de manière fiable cet énoncé. Elle ne peut pas l’élargir.

Dans la strate des droits et de la qualité de processus, la Recommandation sur l’éthique de l’IA exige une supervision humaine et une attention particulière lorsqu’il y a des enfants (UNESCO, 2021). Miao et Holmes (2023) fixent un seuil de 13 ans pour les conversations indépendantes avec des plateformes génératives. L’UNICEF (2021) priorise l’intérêt supérieur. Le règlement (UE) 2024/1689 traite comme à haut risque, à l’annexe III, les systèmes destinés à déterminer l’accès ou l’admission, à assigner, à évaluer ou à déterminer le niveau éducatif (Unión Europea, 2024). La Commission européenne (2022) demande de ne pas remplacer le jugement professionnel. L’OECD (2021) ancre la qualité dans les interactions quotidiennes ; l’OECD (2023, 2025) situe la numérisation et les pratiques du personnel comme levier de système. Inférence : un enfant de cinq ans n’est pas l’utilisateur d’un chatbot d’oralité. Il est le sujet d’une écoute qu’un adulte soutient dans l’acte.

3. Méthode de revue

Une revue narrative critique a été menée, non une méta-analyse. Le propos n’était pas d’estimer une taille d’effet homogène entre un essai d’agent, un entraînement narratif et un assistant vocal, mais d’articuler un argument de catégorie pédagogique avec des sources vérifiées. Critères d’inclusion : (a) 2021–2026, avec Rowe et Snow (2020) et NAEYC (2020) comme édition en vigueur du cadre d’input et de pratique appropriée au développement ; (b) langage oral, narration, lecture dialogique, agents conversationnels, contes générés ou reconnaissance automatique de la parole, ou IA en éducation de la petite enfance 3–6 ans ; (c) pertinence pour jardin d’enfants, préscolaire, CENDI ou 3–6 ans ; (d) revue à pairs, DOI ou rapport de NAEYC, NCCA, UNESCO, OECD, UNICEF, Union européenne ou Commission européenne ; (e) DOI ou page éditoriale vérifiable. Les axes déjà utilisés dans cette série ont été exclus comme objet central. Le biais linguistique du reconnaisseur n’est cité que comme limite technique, non comme axe de multilinguisme.

La recherche a été exécutée le 26 août 2026 sur les pages DOI, Springer, Elsevier, Wiley, SAGE, Taylor & Francis, ACM, OECD iLibrary, UNESDOC, UNICEF, EUR-Lex, NAEYC et NCCA. Chaque source a été vérifiée contre au moins l’une de ces pages. L’analyse a distingué résultat empirique, cadre conceptuel ou normatif et inférence pédagogique, marquée comme telle.

4. Cas 1. Un chatbot qui « converse » n’est pas l’adulte qui écoute et élargit

Xu et al. (2021) publient l’essai qui illustre le mieux le saut que la thèse rejette. Quatre-vingt-dix enfants de 3 à 6 ans ont lu avec un agent conversationnel ou avec un adulte. La conversation guidée de l’agent a été aussi soutenante pour la compréhension que celle de l’adulte. Le patron communicatif n’a pas été le même : l’adulte a élicité des réponses plus longues, plus diverses en lexique et plus pertinentes au topique ; l’agent a favorisé l’intelligibilité. Statut. Résultat de compréhension et de patron verbal en une séance, non de médiation quotidienne sur l’année. Ce n’est pas un résultat selon lequel l’agent « converse » au sens de dialogue situé. Inférence pédagogique, marquée comme telle : c’est le geste qu’un CENDI copie lorsqu’il « fait de l’IA pour l’oralité ». On prend la compréhension d’un conte pour du langage oral, on produit un tour de machine et on déclare une médiation. Ce que l’essai autorise à dire est plus étroit : un agent peut soutenir une lecture dialogique assez pour que la compréhension ne baisse pas dans cette séance. Il n’autorise pas à dire que le jardin a médiatisé la parole. L’intelligibilité n’est pas une expansion. Un enfant qui articule clairement une réponse courte n’a pas été entendu dans son lexique ni dans son topique.

Xu et al. (2022) saturent le portrait avec 117 enfants de 3 à 6 ans (50 % de filles ; 37 % Blancs, 31 % Asiatiques, 21 % multiethniques). L’agent a répliqué le bénéfice dialogique en compréhension en augmentant les vocalisations pertinentes à la narration. Statut : engagement et compréhension en une séance, non développement oral longitudinal. Cheng et al. (2024) transposent le devis à 148 kindergarteners de Pékin (83 filles ; M = 70,07 mois) : le chatbot a été comparable en compréhension et en mots ; l’effet a été modéré par la langue préalable, non par l’âge ni par la lecture. Statut : N = 148, non gonflé à tout CENDI. Inférence : un chatbot « fonctionne » mieux avec qui a déjà plus de langue. Ce n’est pas une médiation de ce groupe. C’est une sélection de qui peut déjà répondre au prompt.

Xiao et al. (2025) rapprochent le contraste du modèle de langage : 67 enfants de 5 à 8 ans. Le groupe avec agent a surpassé l’adulte en compréhension, avec des bénéfices comparables en vocabulaire et en récit. L’agent a produit plus d’engagement comportemental et d’attention visuelle ; l’adulte, plus d’engagement affectif et plus de vocalisations pertinentes à la narration. Statut : 5 à 8 ans, anglais langue additionnelle ; le transfert à 3–6 est une inférence. Cela n’est pas converti en étude de médiation parentale : l’objet est le patron de parole avec un adulte face à un agent. Inférence : si « l’oralité » consiste à regarder l’écran, l’agent gagne. Si « l’oralité » consiste à produire une langue narrative pertinente, l’adulte gagne. La thèse se joue sur le second critère.

Dong et al. (2024) nomment le mécanisme que le chatbot ne remplace pas. Chez 364 kindergarteners, douze semaines, PEER — prompt, évaluer, élargir, répéter — a surpassé les prompts à rétroaction minimale en vocabulaire expressif et en intérêt. Houen et al. (2022) rappellent que questionner ne suffit pas : la conversation riche dépend de la réactivité continue. Hadley et al. (2023) et Jiang et al. (2025) situent cette réactivité dans la parole enseignante, non dans un tour de machine. Xu, Branham et al. (2021) montrent que les interfaces vocales actuelles ne soutiennent pas un dialogue ouvert. Inférence : un chatbot qui questionne et donne une rétroaction préassemblée a exécuté le prompt. Il n’a pas évalué cet énoncé ni l’a élargi. PEER sans évaluer et sans élargir n’est pas une lecture dialogique. C’est un questionnaire parlé.

5. Cas 2. Un conte généré, ou un soutien narratif qui ne se transfère pas, n’est pas une narration médiatisée

Zhang et al. (2026) publient dans Learning and Instruction l’étude qui nomme le mieux, dans ce corpus, la différence entre la performance avec le système et la narration lorsque le système s’éteint. Cent quatre-vingts enfants du nord de la Chine (M = 78,91 mois, É-T = 7,05 ; 97 garçons) ont été assignés au récit passif-actif, à la narration autonome avec rétroaction d’IA ou à la narration itérative avec rétroaction d’IA. La structure, la complexité et les termes d’état interne ont été mesurés à la ligne de base, avec soutien et au transfert. Après contrôle de la performance basale, de l’âge et de la durée, la condition itérative a surpassé les autres pendant la phase avec le système et a rapporté plus de plaisir. Au transfert, sans le soutien, il n’y a pas eu de différences significatives entre conditions. Statut. Résultat d’entraînement narratif ; l’âge moyen dépasse un peu 6 ans, de sorte que le transfert à 3–6 est marqué comme inférence. Ce n’est pas un résultat selon lequel « l’IA enseigne à narrer ». Inférence pédagogique, marquée comme telle : un centre ne peut pas appeler cela, à bon droit, un développement de la narration. Un enfant qui narre mieux pendant que le modèle lui renvoie des versions a produit un output conjoint. La médiation se vérifie lorsqu’il narre sans le système, devant un adulte qui écoute.

He et al. (2025) saturent le portrait avec StoryPal : un agent à modèle de langage qui génère questions et rétroaction. Vingt-trois enfants de 4 à 7 ans, en une séance, ont montré un fort engagement verbal, avec des patrons distincts entre locuteurs dominants en anglais et bilingues. Les adultes ont demandé qu’il ne remplace pas la lecture avec un adulte. Statut : utilisabilité, N = 23, une séance ; ce n’est pas un développement narratif. Le patron bilingue n’est cité que comme limite technique, non comme axe. Inférence : un jardin qui déclare « nous narrons déjà avec l’IA » parce que l’agent a questionné a mesuré l’engagement d’une séance. Il n’a pas mesuré la narration.

Xu (2023) et Xu et al. (2022) rappellent que le bénéfice des agents est surtout la compréhension en séance, non une narration propre. Rowe et Snow (2020) exigent trois dimensions à la fois : interactive, linguistique et conceptuelle. Un conte généré peut simuler la dimension linguistique et échouer aux deux autres : il n’y a pas de contingence avec cet enfant ni de défi ancré dans ce qu’il vient de dire. Aistear (Government of Ireland, 2024) demande que les littératies émergentes reposent sur le langage oral. La NAEYC (2020) demande des conversations étendues. L’OECD (2021) mesure la qualité de processus dans l’interaction, non dans le fichier du conte. Inférence : générer le conte la veille et le lire au groupe n’est pas médier la narration. C’est substituer la voix de l’enfant à la fluidité du modèle. La narration de petite enfance se vérifie lorsque cet enfant raconte ce qu’il a vu ou inventé, et qu’un adulte écoute et élargit. Un pdf avec une « clôture » morale n’est pas cet acte.

Sun et al. (2025), Chen (2024), Su et Yang (2022) et Ljungcrantz (2026) saturent la carte : le champ mesure le vocabulaire, l’alphabet et la compréhension, non si cet enfant narre demain sans le système. Zhang et al. (2026, IOJET) concluent que l’IA fonctionne mieux sous la direction d’éducatrices, non comme substitut. Inférence : le vide n’est pas de produits. Il est de catégorie. On mesure l’output parce que l’output est ce qu’un modèle sait produire.

6. Cas 3. Une appli qui « corrige la parole » trébuche à entendre ; entendre n’est pas élargir

Kim et al. (2022) publient le cas qui illustre le mieux le troisième artefact. Vingt-huit enfants de 5 à 10 ans ont interagi avec un assistant vocal commercial : demandes, récitation et conversation non structurée. L’appareil a transcrit correctement plus de 84 % en conversation non scriptée. Il a répondu de manière pertinente au contenu seulement la moitié du temps. Les réponses appropriées ont augmenté avec l’âge et lorsque le discours s’est standardisé. En conversation libre, l’objectif le plus courant a été de construire une relation avec l’appareil. Statut : laboratoire, 5 à 10 ans, N = 28 ; le transfert à 3–6 est une inférence, et la tranche inférieure est la plus défavorable. Ce n’est pas un résultat selon lequel le reconnaisseur « corrige » la parole. Inférence pédagogique, marquée comme telle : une appli de correction hérite de ce plafond. Si elle entend la forme et ne répond pas au sens, il n’y a pas de dialogue. Il y a transcription. Un enfant de quatre ans qui essaie une phrase n’a pas besoin d’une note. Il a besoin que quelqu’un recueille le sens et le lui rende un peu plus large.

Pelfrey et al. (2024) saturent le portrait en classe préscolaire : le traitement automatique montre des taux d’erreur plus élevés pour la parole enfantine que pour la parole adulte. Quan et al. (2026) déploient un système conversationnel à modèle de langage : en 150 séances sur six semaines, les séances avec adulte ont surpassé celles avec l’IA (d = 3,74) ; la reconnaissance de la parole, les indices non verbaux et l’instruction phonémique ont été des limites. Statut : N = 10 familles, 3 à 7 ans ; non généralisé au CENDI ni converti en article de foyer. L’objet est que l’adulte entend et que le système trébuche. Inférence : déclarer une « correction de la parole » lorsque le reconnaisseur échoue avec la parole de 3 à 6 ans n’est pas une médiation. C’est une métrique que l’enfant ne peut pas contester.

Houen et al. (2022) et Hadley et al. (2022, 2023) rappellent ce qu’un adulte ferait au même instant : répondre, éliciter, conceptualiser. Jiang et al. (2025) associent cette qualité de la parole enseignante au développement langagier. Miao et Holmes (2023) excluent le mineur de 13 ans comme interlocuteur indépendant. Un enfant de quatre ans n’est pas l’utilisateur de l’appli de correction. Inférence : si l’IA entre dans un jardin, le seul lieu où elle ne contredit pas l’oralité de petite enfance est l’atelier de l’adulte — mots possibles, un topique —, soumis à validation pédagogique et discardable à l’écoute de cet enfant. Elle n’entre pas comme auditrice ni comme correctrice.

Le cadre des droits clôt le cas. L’UNESCO (2021) exige une supervision humaine. L’UNICEF (2021) exige le développement. La Commission européenne (2022) exige de ne pas remplacer le jugement professionnel. L’annexe III du règlement (UE) 2024/1689 inclut l’évaluation automatisée et la détermination du niveau (Unión Europea, 2024). Inférence : transcrire, noter et traiter la parole comme niveau dans un CENDI n’est pas une innovation d’oralité. C’est, sur ce territoire, une pratique à haut risque. Le seuil de Miao et Holmes (2023) ne se respecte pas en baissant l’âge de l’utilisateur. Il se respecte en ne convertissant pas l’enfant de petite enfance en interlocuteur d’un système qui n’entend pas ce qui importe.

7. Cadre inférentiel : quatre épreuves pour affirmer qu’il y a médiation du langage oral, non un output

Le cadre qui suit est une inférence pédagogique de cet article, ancrée dans les cas et dans les instruments vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue quatre épreuves. Si un jardin d’enfants, un préscolaire, un CENDI ou une école infantile ne les passe pas, il ne peut pas déclarer qu’un conte généré, un chatbot qui « converse » ou une appli qui corrige la parole constituent une médiation du langage oral.

7.1. Épreuve de cet énoncé, non du locuteur générique. Xu et al. (2021) montrent que l’adulte, non l’agent, a élicité la pertinence topique et la diversité lexicale. Cheng et al. (2024) montrent que le chatbot favorise qui a déjà plus de langue. Rowe et Snow (2020) exigent une adaptation linguistique et un défi conceptuel pour ce niveau. La NAEYC (2020) demande des conversations avec ces enfants. Inférence : la preuve de médiation se vérifie dans des traits de cet énoncé — ce qui a été dit, ce qui n’a pas été atteint, ce qui a été rendu un peu plus large — présents au tour suivant. Si la « preuve » que le centre médiatise la parole est un prompt avec l’âge et le thème du conte, le centre a généré un output pour un locuteur générique. Il n’a pas médiatisé.

7.2. Épreuve de l’écoute et de l’expansion, non du prompt. Dong et al. (2024) montrent qu’évaluer et élargir, pas seulement questionner, marquent la différence expressive. Houen et al. (2022) montrent que la question ne garantit pas la conversation. Hadley et al. (2023) et Jiang et al. (2025) situent la qualité dans la parole enseignante qui répond. Kim et al. (2022) montrent un appareil qui transcrit et ne répond pas au sens. Inférence : un chatbot qui parcourt un arbre de questions ne passe pas l’épreuve. Il peut être un matériau. La médiation commence lorsqu’on entend et qu’on élargit.

7.3. Épreuve du transfert sans le système, non de la performance avec le système. Zhang et al. (2026) montrent des gains pendant la phase avec soutien d’IA et aucune différence entre conditions lorsque le soutien est retiré. He et al. (2025) mesurent une séance. Xu et al. (2022) mesurent la compréhension en séance. Inférence : si « l’oralité » s’évanouit à l’extinction de l’agent, il n’y a pas eu de médiation du langage oral. Il y a eu coproduction d’un output. La narration de petite enfance inclut que cet enfant raconte demain, sans le modèle, à un adulte qui est encore là.

7.4. Épreuve de l’adulte qui entend, non de la fluidité du modèle. Miao et Holmes (2023) excluent le mineur de 13 ans comme interlocuteur indépendant. Pelfrey et al. (2024) et Quan et al. (2026) documentent le plafond du reconnaisseur. La Commission européenne (2022) et l’UNESCO (2021) exigent de ne pas remplacer le jugement professionnel. L’OECD (2021, 2025) situe la qualité dans les interactions du personnel. Government of Ireland (2024) réserve Communicating à un environnement relationnel lent. Inférence : l’enfant de 3–6 ans n’est pas l’utilisateur d’un conte généré, d’un chatbot ni d’une appli de correction. Il est le locuteur d’une matinée qu’un adulte soutient. Si l’IA entre, elle entre comme atelier de matériaux de l’adulte, soumis à validation pédagogique. Elle n’entre pas comme interlocutrice, narratrice ni correctrice.

Le cadre admet l’IA générative comme atelier de l’adulte (He et al., 2025 ; Zhang et al., 2026, lus contre la thèse : un input discardable, non un interlocuteur) ; les cycles de lire, questionner, évaluer et élargir (Dong et al., 2024 ; Houen et al., 2022) ; et la parole enseignante conceptuelle et interactive comme forme de médiation (Hadley et al., 2023 ; Jiang et al., 2025). Il refuse de déclarer une médiation du langage oral par un conte généré, un chatbot qui « converse » ou une appli qui corrige la parole (Xu et al., 2021, 2022 ; Cheng et al., 2024 ; Xiao et al., 2025 ; Zhang et al., 2026 ; Kim et al., 2022).

8. Discussion

Trois tensions organisent la discussion. La première est entre produire un output et médier une parole. C’est un résultat qu’un agent peut égaler ou surpasser la compréhension d’un adulte en une séance (Xu et al., 2021, 2022 ; Cheng et al., 2024 ; Xiao et al., 2025). C’est un cadre que le langage oral de petite enfance est un dialogue situé, une écoute et une expansion (Rowe et Snow, 2020 ; Dong et al., 2024 ; Houen et al., 2022 ; Government of Ireland, 2024 ; NAEYC, 2020). Ce n’est pas un résultat qu’égaliser la compréhension produise la parole expressive et topique que l’adulte a élicitée (Xu et al., 2021 ; Xiao et al., 2025) ni les pratiques linguistiques que Jiang et al. (2025) associent au développement. Les trois artefacts mesurent ce que l’ingénierie sait mesurer et déclarent ce que seul le métier situé autoriserait.

La deuxième est entre le locuteur générique et cet énoncé. Cheng et al. (2024) montrent la modération par la langue préalable. Kim et al. (2022) montrent que l’appareil répond mieux lorsque l’enfant standardise son discours et lorsqu’il est plus âgé. Zhang et al. (2026) montrent un soutien qui ne se transfère pas. Inférence : insister sur le fait que « le conte est déjà là » ou que « le chatbot a déjà conversé » pendant que personne n’a entendu cet énoncé est une pédagogie inversée. Rowe et Snow (2020) placent la contingence au début. Le modèle écrit d’abord et, le cas échéant, entend ensuite.

La troisième est entre l’atelier de l’adulte et l’interlocutrice de l’enfant. He et al. (2025) montrent qu’on demande un complément, non un remplacement. Miao et Holmes (2023) excluent le mineur de 13 ans. Quan et al. (2026) montrent un effet important en faveur de l’adulte. Inférence : le seul usage d’IA qui ne contredit pas l’oralité de petite enfance demeure du côté de l’adulte, avec validation pédagogique et droit de faire taire le système. Une liste de mots peut être un matériau. Un modèle qui « converse » avec un enfant de quatre ans n’est pas une médiation.

9. Limites

Cette revue est narrative. Elle n’applique pas PRISMA et n’estime pas d’effets combinés. Xu et al. (2021, 2022) sont des séances de lecture, non une année de jardin. Cheng et al. (2024) sont un kindergarten chinois, N = 148. Xiao et al. (2025) ont 5 à 8 ans en anglais langue additionnelle ; ils ne sont pas utilisés comme article de famille ni de multilinguisme. Zhang et al. (2026) ont un âge moyen de 78,91 mois ; le transfert à 3–6 est une inférence ; l’objet n’est pas un échafaudage générique, mais la non-transfert de la narration. He et al. (2025) sont N = 23 et une séance. Kim et al. (2022) ont 5 à 10 ans, N = 28. Pelfrey et al. (2024) mesurent l’erreur de transcription. Quan et al. (2026) sont 10 familles ; ils sont cités pour le contraste adulte/IA et pour le reconnaisseur, non comme objet de foyer. Dong et al. (2024) sont une lecture dialogique avec des adultes, non de l’IA. Houen et al. (2022), Hadley et al. (2022, 2023), Jiang et al. (2025), Weadman et al. (2023) et Rowe et Snow (2020) relèvent de la parole enseignante et de l’input. Chen (2024), Su et Yang (2022), Ljungcrantz (2026), Sun et al. (2025) et Zhang et al. (2026, IOJET) cartographient l’IA et le langage précoce. NAEYC, Aistear, UNESCO, UNICEF, l’OECD et l’Union européenne sont de cadre. Miao et Holmes (2023) sont utilisés pour le seuil d’âge, non pour la compétence enseignante. Le biais du reconnaisseur vers la parole adulte et le discours standardisé est cité comme limite technique. Aucun essai latino-américain d’IA et de médiation du langage oral en jardin mesurant l’expansion située et le transfert sans le système n’a été localisé. Les inférences de la section 7 sont des hypothèses de catégorie, non une preuve d’implantation.

10. Conclusions

Un conte généré par un modèle, un chatbot qui « converse » avec l’enfant ou une appli qui corrige la parole ne constituent pas une médiation du langage oral dans un centre d’éducation de la petite enfance. La preuve vérifiée n’autorise pas cette déclaration. Des enfants de 3 à 6 ans comprennent aussi bien ou mieux avec un agent, mais l’adulte a élicité plus de production, de diversité lexicale, de pertinence topique et de vocalisations narratives (Xu et al., 2021, 2022 ; Xiao et al., 2025) ; un chatbot comparable se modère par qui a déjà plus de langue (Cheng et al., 2024). Cent quatre-vingts enfants narrent mieux avec un soutien itératif d’IA et cessent de différer lorsque le soutien est retiré (Zhang et al., 2026) ; en une séance, les adultes demandent qu’il ne remplace pas l’adulte (He et al., 2025). Un assistant répond au sens la moitié du temps (Kim et al., 2022) ; le reconnaisseur échoue davantage avec la parole enfantine (Pelfrey et al., 2024) ; les séances avec adulte surpassent celles avec l’IA (Quan et al., 2026). PEER gagne lorsque l’adulte évalue et élargit, non lorsqu’il ne fait que questionner (Dong et al., 2024). La qualité de la parole enseignante s’associe au développement langagier de plus de cent mille enfants (Jiang et al., 2025). Le champ de l’IA et du langage précoce n’équivaut pas cela à une médiation quotidienne (Chen, 2024 ; Su et Yang, 2022 ; Ljungcrantz, 2026 ; Zhang et al., 2026). Lorsqu’il y a médiation en petite enfance, il y a un adulte qui entend et élargit : un input interactif, linguistique et conceptuel (Rowe et Snow, 2020), une parole conceptuelle et interactive (Hadley et al., 2023), une réactivité continue (Houen et al., 2022), le langage oral comme base (Government of Ireland, 2024) et des interactions de moment à moment (NAEYC, 2020 ; OECD, 2021). Le droit en vigueur exige une supervision humaine, l’intérêt supérieur, un seuil de 13 ans pour les conversations indépendantes avec des plateformes génératives et, dans l’Union européenne, de traiter comme à haut risque l’IA qui détermine l’accès, l’admission, l’assignation, l’évaluation ou le niveau (UNESCO, 2021 ; UNICEF, 2021 ; Miao et Holmes, 2023 ; Unión Europea, 2024 ; European Commission, 2022).

Là où les sources ne mesurent pas un jardin, cet article ne l’affirme pas. Là où elles mesurent la compréhension d’une séance ou un conte plus fluide, il ne les traduit pas en médiation. Accompagner des enfants de trois à six ans dans le langage oral, c’est dialoguer en situation, écouter cet énoncé et l’élargir. Le reste est un output de modèle. Ce n’est pas une médiation.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Références

  1. Chen, J. J. (2024). A scoping study on AI affordances in early childhood education: Mapping the global landscape, identifying research gaps, and charting future research directions. Journal of Artificial Intelligence Research, 81, 701–740. https://doi.org/10.1613/jair.1.16882
  2. Cheng, X., Yin, L., Lin, C., Shi, Z., Zheng, H., Zhu, L., Liu, X., Chen, K., y Dong, R. (2024). Chatbot dialogic reading boosts comprehension for Chinese kindergarteners with higher language skills. Journal of Experimental Child Psychology, 240, 105842. https://doi.org/10.1016/j.jecp.2023.105842
  3. Dong, Y., Chow, B. W.-Y., Mo, J., Miao, X., y Zheng, H.-Y. (2024). Effects of dialogic reading elements on children’s language development. Journal of Research in Reading, 47(2), 181–200. https://doi.org/10.1111/1467-9817.12447
  4. European Commission. (2022). Ethical guidelines on the use of artificial intelligence (AI) and data in teaching and learning for educators. Publications Office of the European Union. https://doi.org/10.2766/153756
  5. Government of Ireland. (2024). Aistear: The Early Childhood Curriculum Framework. National Council for Curriculum and Assessment. https://www.curriculumonline.ie/early-childhood/aistear-2024/
  6. Hadley, E. B., Barnes, E. M., y Hwang, H. (2023). Purposes, places, and participants: A systematic review of teacher language practices and child oral language outcomes in early childhood classrooms. Early Education and Development, 34(4), 862–884. https://doi.org/10.1080/10409289.2022.2074203
  7. Hadley, E. B., Barnes, E. M., Wiernik, B. M., y Raghavan, M. (2022). A meta-analysis of teacher language practices in early childhood classrooms. Early Childhood Research Quarterly, 59, 186–202. https://doi.org/10.1016/j.ecresq.2021.12.002
  8. He, K., Gastón-Panthaki, A., Zhuo, D., Munsey, J., Zhang, M., y Warschauer, M. (2025). StoryPal: Supporting young children’s dialogic reading with large language models. En Proceedings of the 24th Interaction Design and Children (pp. 494–511). ACM. https://doi.org/10.1145/3713043.3728867
  9. Houen, S., Thorpe, K., van Os, D., Westwood, E., Toon, D., y Staton, S. (2022). Eliciting and responding to young children’s talk: A systematic review of educators’ interactional strategies that promote rich conversations with children aged 2–5 years. Educational Research Review, 37, 100473. https://doi.org/10.1016/j.edurev.2022.100473
  10. Jiang, Y., Kaplan, B., y Ko-Wong, L. (2025). Does teacher talk matter too? A meta-analysis of partial correlations between teachers’ language practices and children’s language development from preschool to third grade. Review of Educational Research. https://doi.org/10.3102/00346543251339131
  11. Kim, M. K., Druga, S., Esmaeili, S., Woodward, J., Shaw, A., Jain, A., Langham, J., Hollingshead, K., Lovato, S. B., Beneteau, E., Ruiz, J., Anthony, L., y Hiniker, A. (2022). Examining voice assistants in the context of children’s speech. International Journal of Child-Computer Interaction, 34, 100540. https://doi.org/10.1016/j.ijcci.2022.100540
  12. Ljungcrantz, L. (2026). The interaction of AI and early childhood education. A state-of-the-art review 2020–2024. Early Childhood Education Journal, 54, 3565–3581. https://doi.org/10.1007/s10643-025-02079-3
  13. Miao, F., y Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  14. NAEYC. (2020). Developmentally Appropriate Practice (DAP) position statement. National Association for the Education of Young Children. https://www.naeyc.org/resources/position-statements/dap
  15. OECD. (2021). Starting Strong VI: Supporting meaningful interactions in early childhood education and care. OECD Publishing. https://doi.org/10.1787/f47a06ae-en
  16. OECD. (2023). Empowering young children in the digital age (Starting Strong). OECD Publishing. https://doi.org/10.1787/50967622-en
  17. OECD. (2025). Results from TALIS Starting Strong 2024: Strengthening early childhood education and care. OECD Publishing. https://doi.org/10.1787/20af08c0-en
  18. Pelfrey, G. L., Justice, L. M., Gonzalez Villasanti, H., y Foster, T. J. (2024). Evaluating the accuracy of automated processing of child and adult language production in preschool classrooms. Frontiers in Psychology, 15, 1322665. https://doi.org/10.3389/fpsyg.2024.1322665
  19. Quan, S., Tu-Shea, X., Ding, Y., Du, Y., Zheng, Q., y Gerdich, L. E. (2026). Conversational AI in children’s home literacy learning: Effectiveness, advantages, challenges, and family perception. Computers and Education: Artificial Intelligence, 10, 100549. https://doi.org/10.1016/j.caeai.2026.100549
  20. Rowe, M. L., y Snow, C. E. (2020). Analyzing input quality along three dimensions: Interactive, linguistic, and conceptual. Journal of Child Language, 47(1), 5–21. https://doi.org/10.1017/S0305000919000655
  21. Su, J., y Yang, W. (2022). Artificial intelligence in early childhood education: A scoping review. Computers and Education: Artificial Intelligence, 3, 100049. https://doi.org/10.1016/j.caeai.2022.100049
  22. Sun, H., Tan, J., y Lim, M. C. (2025). AI and early language learning: A scoping review. AI, Brain and Child, 1, 4. https://doi.org/10.1007/s44436-025-00005-3
  23. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  24. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Office of Global Insight and Policy. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  25. Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea, L 2024/1689. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  26. Weadman, T., Serry, T., y Snow, P. (2023). Oral language and emergent literacy strategies used by Australian early childhood teachers during shared book reading. Early Childhood Education Journal, 51, 1335–1348. https://doi.org/10.1007/s10643-022-01381-8
  27. Xiao, F., Zou, E. W., Lin, J., Li, Z., y Yang, D. (2025). Parent-led vs. AI-guided dialogic reading: Evidence from a randomized controlled trial in children’s e-book context. British Journal of Educational Technology, 56(5), 1784–1813. https://doi.org/10.1111/bjet.13615
  28. Xu, Y. (2023). Talking with machines: Can conversational technologies serve as children’s social partners? Child Development Perspectives, 17(1), 53–58. https://doi.org/10.1111/cdep.12475
  29. Xu, Y., Aubele, J., Vigil, V., Bustamante, A. S., Kim, Y.-S., y Warschauer, M. (2022). Dialogue with a conversational agent promotes children’s story comprehension via enhancing engagement. Child Development, 93(2), e149–e167. https://doi.org/10.1111/cdev.13708
  30. Xu, Y., Branham, S., Deng, X., Collins, P., y Warschauer, M. (2021). Are current voice interfaces designed to support children’s language development? En Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (pp. 1–12). ACM. https://doi.org/10.1145/3411764.3445271
  31. Xu, Y., Wang, D., Collins, P., Lee, H., y Warschauer, M. (2021). Same benefits, different communication patterns: Comparing children’s reading with a conversational agent vs. a human partner. Computers & Education, 161, 104059. https://doi.org/10.1016/j.compedu.2020.104059
  32. Zhang, N., Xu, J., Wei, R., y Wang, Y. (2026). From scaffolding to transfer: The impact of AI-powered support on children’s narrative skills. Learning and Instruction, 104, 102345. https://doi.org/10.1016/j.learninstruc.2026.102345
  33. Zhang, Y., Husnin, H. B., y Kamsin, I. F. B. (2026). The application of artificial intelligence technology in early childhood language development. International Online Journal of Education and Teaching, 13(2), 1–16. https://www.iojet.org/index.php/IOJET/article/view/2306