1. Introduction et problème

Sur le trajet qui va du jardin d’enfants, du préscolaire ou d’un CENDI vers le primaire s’est installé un paquet de trois artefacts qui prétendent valoir pour transition. Le premier est un score : une note de « maturité scolaire » ou de « prêt à apprendre » qui classe l’enfant comme on track, needs support ou at risk. Le deuxième est un modèle : un classifieur de forêt aléatoire, d’extra-trees ou de boosting qui, avec des variables du foyer, de l’enquête ou du dossier, prédit qui « arrivera préparé ». Le troisième est un système d’alerte précoce : un tableau de bord qui, avec l’assiduité, la démographie ou des indicateurs de conduite, signale qui est « à risque » avant qu’un seuil ne soit franchi. Les trois sont visibles, auditables et bon marché en temps de coordination. Ils permettent d’exhiber, devant la supervision, le réseau ou les familles, que le centre « fait déjà la transition avec l’intelligence artificielle ». Le saut énonciatif est énorme : on passe de classer, prédire ou alerter à affirmer qu’il y a une transition pédagogique. Ce saut n’est autorisé ni par les données sur les transitions ECEC–primaire ni par celles sur la prédiction du développement.

La thèse de cet article est restrictive. Un score ou un modèle qui « prédit » la préparation au primaire n’est pas une transition pédagogique. La transition est un processus relationnel d’enfants, de familles et d’enseignants ; ce n’est pas un seuil algorithmique. Le rapport mondial sur l’éducation et la protection de la petite enfance le formule avec netteté institutionnelle : le droit à une base solide ne s’épuise pas dans un indicateur « en bonne voie » ; il exige des environnements, des éducateurs et des familles qui soutiennent l’apprentissage et le bien-être (UNESCO et UNICEF, 2024). Starting Strong VI ancre la qualité de l’éducation de la petite enfance dans la qualité de processus : les interactions quotidiennes avec les adultes, les pairs, les matériaux et l’espace sont le moteur le plus proximal du développement (OECD, 2021). Un score extrait un signal, lui assigne une catégorie et renvoie un rapport. Il peut produire une donnée. Il ne produit pas de continuité pédagogique.

Le problème s’aggrave pour une raison de métier que les fiches produit ne mentionnent pas. L’ODD 4.2 demande que, d’ici 2030, toutes les filles et tous les garçons aient accès à un développement, à des soins et à une éducation préprimaire de qualité, de sorte qu’ils soient « prêts pour l’enseignement primaire ». L’indicateur 4.2.1 s’opère, à l’échelle de la population, avec l’Indice de développement de la petite enfance 2030 (ECDI2030) : vingt items déclarés par la personne qui s’occupe de l’enfant, pour les 24 à 59 mois (Halpin, de Castro, Petrowski et Cappa, 2024 ; UNICEF, 2023). Cet instrument est un moniteur populationnel. Ce n’est pas un diagnostic individuel ni un rite de passage. Lorsqu’un centre, un district ou un fournisseur convertit le même geste — seuil, étiquette, classement — en un modèle qui « prédit la maturité » de chaque enfant, il déplace l’acte éducatif vers une classification. En 2022, 63,6 % des enfants de 3 à 5 ans aux États-Unis ont été considérés « healthy and ready to learn » ; un million, 9,0 %, avaient besoin de soutien dans plusieurs domaines (Ghandour et al., 2024). Ces chiffres décrivent une distribution. Ils ne décrivent pas une transition.

Ce travail ne recycle pas les axes déjà traités dans cette série. La question est de catégorie pédagogique : qu’est-ce qui compte comme transition lorsqu’un centre de petite enfance « fait de l’IA ». Les apports sont trois : reconstruire l’état de l’art qui sépare le school readiness comme attribut de l’enfant du processus relationnel de passage ; examiner trois familles de cas — prédiction du développement et de la maturité, alerte précoce de l’absentéisme dès le prékindergarten, et transitions ECEC–primaire observées comme pratique ; et offrir quatre épreuves pour décider quand un jardin peut affirmer qu’il transitionne, et non seulement qu’il note, prédit ou alerte.

2. État de l’art : de l’enfant prêt à l’école qui reçoit

Il convient de séparer quatre strates que le marché de « l’IA pour la transition » mélange d’ordinaire. La première est le school readiness comme construit multidimensionnel de l’enfant : cognitif, linguistique, socioémotionnel et moteur. La deuxième est la transition ECEC–primaire comme processus relationnel, temporel et situé, impliquant les enfants, les familles, les éducatrices et les enseignants du primaire. La troisième est la prédiction : des modèles qui, avec des données administratives ou d’enquête, classent « en bonne voie » ou « à risque ». La quatrième est le cadre des droits et du haut risque, qui traite l’évaluation automatisée des apprentissages et l’affectation à des institutions éducatives comme des pratiques qui ne peuvent éluder la supervision humaine ni l’intérêt supérieur de l’enfant.

Dans la strate du readiness, Garon-Carrier, Mavungu-Blouin, Letarte, Gobeil-Bourdeau et Fitzpatrick (2024) synthétisent huit études longitudinales centrées sur la personne. Elles identifient quinze profils de maturité scolaire avant l’entrée à l’école, dont sept s’associent à de moins bons résultats académiques et sociaux ultérieurs. Le plus vulnérable — bas équilibré — regroupe, dans des échantillons normatifs, entre 7 et 13 % des préscolaires. Les profils à risque partagent des traits : minorités linguistiques ou ethniques, bas niveau socioéconomique, moindre fréquentation du préscolaire et, plus souvent, des garçons. Un seuil binaire — prêt / pas prêt — ne décrit pas cette hétérogénéité. Inférence, marquée comme telle : un score unique comprime des profils mixtes en un nombre. Le nombre n’est pas le profil, et le profil n’est pas la transition.

Dans la strate de la transition, González-Moreira, Ferreira et Vidal (2024) rassemblent plus de trois cents variables du passage vers le primaire en vingt-neuf groupes, académiques et non académiques ; 67 % des articles considèrent les deux. La recherche s’est polarisée vers l’alphabétisation et la compétence logico-mathématique parce que, dans beaucoup de pays, ce pas inaugure la scolarité obligatoire. Degli Esposti et Cigala (2025), avec 23 articles de 2008 à 2025, déplacent le foyer vers l’expérience des enfants : attentes préalables, perceptions ultérieures et processus d’apprentissage ; un processus graduel et des environnements de soutien émergent comme essentiels. Boylan et al. (2024) traduisent cela en pratique : des transitions efficaces exigent que les écoles connectent et habilitent les enfants et les familles, non qu’elles les classent à la porte. González-Moreira, Ferreira et Vidal (2023) documentent en outre un biais adultocentré : les 5–7 ans sont rarement inclus. Inférence : un modèle qui les prédit sans eux ne répare pas ce vide. Il l’aggrave.

Dans la strate de la prédiction, Benson, Chelangat, Brink, Mwangala, Waljee, Moyer et Abubakar (2025) cartographient 27 études d’apprentissage automatique sur le développement de la petite enfance (0–8 ans). 78 % proviennent de pays à haut revenu ; aucune d’Afrique subsaharienne. 74,1 % se limitent à la prédiction ; seulement 7,4 % ont validé hors échantillon ; 41 % ont expliqué le modèle ; une seule a atteint un essai clinique. Tebeje et al. (2025) opèrent le geste à l’échelle : 12 860 enfants de 24 à 59 mois au Kenya, au Mozambique et en Tanzanie ; ensemble de forêt aléatoire et d’extreme gradient boosting ; exactitude de 66 % et AUC de 0,71 pour prédire si l’enfant est « en bonne voie » selon l’ECDI2030. Halpin et al. (2024) rappellent à quoi cet indice a été conçu : un suivi populationnel comparable, non une classification individuelle d’accès au primaire. Inférence : prédire l’ECDI2030 n’est pas transitionner. C’est réutiliser un instrument de politique comme étiquette d’enfant.

Dans la strate des droits, le règlement (UE) 2024/1689 traite comme à haut risque, à l’annexe III, les systèmes d’IA destinés à déterminer l’accès ou l’admission à des établissements d’enseignement et de formation, à affecter des personnes à ces établissements, à évaluer des résultats d’apprentissage ou à déterminer le niveau éducatif approprié qu’une personne recevra ou auquel elle pourra accéder (Union européenne, 2024). Un score de maturité utilisé pour décider si un enfant « passe » ou « attend » n’est pas un jouet analytique : sur ce territoire, c’est un système à haut risque. La Recommandation sur l’éthique de l’IA exige une supervision humaine, la proportionnalité et une attention particulière lorsqu’il y a des enfants (UNESCO, 2021). UNICEF (2021) exige de prioriser l’intérêt supérieur et de soutenir le développement. Les lignes directrices éthiques de 2022 et le rapport du Département de l’éducation des États-Unis s’accordent à ne pas remplacer le jugement professionnel ni l’enseignant (European Commission, 2022 ; U.S. Department of Education, 2023). Miao et Holmes (2023) fixent un seuil d’âge pour les conversations indépendantes avec des plateformes génératives et exigent une validation pédagogique. Inférence : un enfant de cinq ans n’est pas l’utilisateur d’un tableau de prédiction. C’est le sujet d’une relation que le tableau ne soutient pas.

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 modèle d’enquête, un système d’alerte de district et une reconception de pratiques de passage, mais d’articuler un argument de catégorie pédagogique avec des sources vérifiées. Critères d’inclusion : (a) 2021–2026 ; (b) school readiness, prédiction du développement de l’enfant ou de la maturité scolaire, systèmes d’alerte précoce en petite enfance, ou transitions ECEC–primaire ; (c) pertinence pour le jardin, le préscolaire, le CENDI ou les 3–6 ans ; (d) revue à pairs, DOI ou rapport de l’UNESCO, de l’OCDE, de l’UNICEF, de l’Union européenne, de la Commission européenne ou d’un ministère ; (e) DOI ou page éditoriale vérifiable. Les axes déjà utilisés dans cette série ont été exclus, y compris le SEL/chatbots d’émotions, le leadership des centres et les tuteurs adaptatifs comme objet.

La recherche a été exécutée le 25 août 2026 sur les pages DOI, Springer, Elsevier, PLOS, BMJ, Frontiers, MDPI, Taylor & Francis, Annenberg/EdWorkingPapers, OECD iLibrary, UNESDOC, UNICEF, EUR-Lex, ERIC et PubMed/PMC. Chaque source a été vérifiée contre au moins une de ces pages. Le corpus a été organisé en prédiction du readiness et de l’ECD ; alerte précoce dans les premiers degrés ; et données de transitions relationnelles ECEC–primaire.

L’analyse a distingué trois statuts énonciatifs. Constat empirique : ce qui a été observé ou mesuré dans l’échantillon. Cadre conceptuel ou normatif : ce qu’un cadre, un guide ou un règlement prescrit. Inférence pédagogique : la traduction vers les jardins, préscolaires, CENDI et écoles infantiles, marquée comme telle. Les limites sont celles d’une revue narrative (section 9).

4. Cas 1. Prédire « en bonne voie de développement » n’est pas transitionner vers le primaire

Tebeje, Tesfaye, Sisay, Seboka, Tesfa, Sisay et collègues (2025) publient dans PLOS One l’étude qui illustre le mieux le saut que la thèse refuse. Avec le module ECDI2030 des Enquêtes démographiques et de santé du Kenya, du Mozambique et de la Tanzanie, ils analysent 12 860 enfants de 24 à 59 mois. 57,4 % (IC 95 % : 56,5–58,3) étaient en bonne voie de développement en santé, apprentissage et bien-être psychosocial. Ils entraînent sept algorithmes supervisés et un ensemble des deux meilleurs — extreme gradient boosting et forêt aléatoire — pour prédire cette étiquette. L’ensemble atteint une exactitude de 66 %, une sensibilité de 73 %, une spécificité de 0,56, un F1 pondéré de 0,64 et une AUC de 0,71. Les trois prédicteurs au plus grand SHAP absolu moyen sont l’âge de l’enfant (+0,17), l’exposition maternelle aux médias (+0,12) et le niveau d’éducation maternel (+0,10). Le beeswarm montre que les 24–35 mois, les mères non exposées aux médias et les mères ayant au moins le secondaire s’associent à une plus grande probabilité d’être « en bonne voie ». Les auteurs concluent par des recommandations de politique : prioriser le préprimaire, l’éducation des femmes et un usage approprié des médias.

Statut de la preuve. Constat empirique de classification populationnelle : étant donné certaines covariables d’enquête, un ensemble reproduit l’étiquette ECDI2030 dans deux cas sur trois. Ce n’est pas un constat de transition pédagogique. Le modèle n’observe pas le premier jour de primaire, ni le lien avec la nouvelle maîtresse, ni la continuité du jeu, ni la conversation entre le jardin et l’école. Ce n’est pas un constat de validité individuelle : l’ECDI2030 a été conçu pour le suivi de population (Halpin et al., 2024 ; UNICEF, 2023). Une AUC de 0,71, que les auteurs comparent eux-mêmes au 0,67 d’un modèle analogue au Bangladesh, n’autorise pas une décision d’admission. Inférence pédagogique, marquée comme telle : le geste qu’un jardin copie lorsqu’il « prédit la maturité scolaire » est exactement celui-ci. On prend un seuil de jalons, on lui assigne une probabilité et l’on déclare qu’il y a gestion de la transition. Ce qu’il y a, c’est un dossier de développement. L’ODD 4.2 demande une préparation au primaire comme résultat d’un système de soins et d’éducation. Un tableau SHAP n’est pas ce système.

Benson et al. (2025) saturent le portrait. Sur 759 enregistrements, 27 études remplissent les critères. Les classifieurs supervisés (40,7 %) et le deep learning (22,2 %) prédominent. Le résultat le plus fréquent est le développement cognitif (33,3 %) ; la mesure la plus utilisée, le Bayley-III (33,3 %). Les données sont surtout image, vidéo et capteurs. 74,1 % restent à la prédiction. Une seule a atteint une mise en œuvre clinique. 59 % n’expliquent pas le modèle. Inférence : la littérature d’« IA pour le développement de l’enfant » produit des classifieurs, non des transitions. Confondre un F1 de laboratoire avec un processus de passage entre institutions est l’erreur de catégorie que cet article nomme.

Ghandour et al. (2021, 2024) montrent ce qui se passe lorsque le score devient un indicateur national. En 2016, avec une mesure pilote sur 7 565 enfants de 3 à 5 ans, 42,2 % ont été considérés « healthy and ready to learn » ; le domaine le plus bas était early learning skills (58,4 % on-track). En 2022, avec 11 121 enfants et une mesure révisée — on-track dans quatre ou cinq domaines et aucun qui « a besoin de soutien » — le chiffre monte à 63,6 % ; un million, 9,0 %, avaient besoin de soutien dans plusieurs domaines. Statut : constat de prévalence, non de transition. Inférence : si changer le cut déplace de quinze points la « préparation » d’un pays, le seuil n’est pas un fait de l’enfant. C’est une convention de mesure. Halpin et al. (2024), avec des échantillons du Mexique (n = 1 641) et de Palestine (n = 1 099), soutiennent l’ECDI2030 pour le suivi populationnel. L’indice n’est pas offert comme porte du primaire.

5. Cas 2. Alerter l’absentéisme dès le prékindergarten n’est pas une pédagogie du passage

Wu et Weiland (2025) publient, dans les EdWorkingPapers de l’Annenberg Institute, le cas qui illustre le mieux le deuxième artefact : le système d’alerte précoce porté vers la petite enfance. Avec un échantillon démographiquement divers de 6 698 élèves suivis du prékindergarten à la troisième année dans les Boston Public Schools, elles comparent la régression logistique typique des EWS en usage avec des algorithmes contemporains — SMOTE et XGBoost — pour prédire qui deviendra chroniquement absent en troisième année. L’absentéisme chronique se définit comme manquer 10 % ou plus des jours scolaires, pour quelque raison que ce soit. Le meilleur modèle, XGBoost avec SMOTE, obtient une amélioration de 54 points de pourcentage en recall par rapport au modèle logistique le plus proche des EWS actuels. Les modèles qui excluent l’information démographique de l’élève maintiennent une exactitude prédictive comparable. L’étude demande aussi combien d’années d’histoire sont nécessaires pour décider une intervention précoce et comment des seuils de probabilité distincts peuvent accommoder des contraintes budgétaires.

Statut de la preuve. Constat empirique de prédiction de l’assiduité : dans un grand district urbain, un boosting avec suréchantillonnage identifie mieux, dès les premiers degrés, ceux qui manqueront de façon chronique en troisième année. Ce n’est pas un constat de transition ECEC–primaire. L’objet est l’absentéisme, non le processus relationnel de passage. Ce n’est pas un constat que l’alerte produit une continuité pédagogique, un jeu conjoint, un lien famille–école ou un alignement curriculaire. Les autrices sont explicites : beaucoup d’EWS ont été conçus pour prédire le décrochage du secondaire ; les porter au prékindergarten est une extension analytique, non une pédagogie du jardin. Inférence pédagogique, marquée comme telle : le geste qu’un centre copie lorsqu’il « fait la transition avec un early warning » est celui-ci. On prend un signal d’assiduité, on lui assigne un risque et l’on déclare une alerte précoce de la maturité scolaire. Ce qu’il y a, c’est une prévision d’absences. Manquer l’école est un problème grave, associé à la réussite, aux compétences socioémotionnelles et, plus tard, au décrochage (Wu et Weiland, 2025). Intervenir sur l’assiduité peut être une politique juste. Cela ne fait pas du tableau la transition. La transition a lieu lorsqu’une éducatrice et une maîtresse de première se coordonnent autour d’un enfant concret, avec sa famille, dans un temps qui ne tient pas dans un recall.

Wu et Weiland montrent aussi qu’omettre la démographie ne fait pas s’effondrer la prédiction. Inférence : si le modèle « fonctionne » sans race ni revenu, il ne s’ensuit pas que l’alerte soit pédagogiquement neutre. Il s’ensuit que le signal d’assiduité concentre déjà des inégalités que le district ne résoudra pas avec un seuil. Un EWS plus exact peut aider à allouer des soutiens d’assiduité. Il ne fait pas que le primaire reçoive l’enfant que le jardin a connu. OECD (2021) situe ce travail dans la qualité de processus. UNESCO et UNICEF (2024) le situent dans le droit à une base solide et dans la baisse de la scolarisation nette un an avant le primaire — de 75 % en 2020 à 72 % en 2022. Un tableau de risque d’absences n’inscrit pas, n’accompagne pas et n’aligne pas les pédagogies.

Kim (2024) offre un contraste utile et une limite. Avec la cohorte ECLS-K:2011 (n = 18 174), elle montre que les perceptions enseignantes des approaches to learning, de la pensée mathématique et des sciences, à l’entrée en kindergarten, prédisent les réussites ultérieures en mathématiques et en sciences jusqu’en cinquième année. Statut : constat que le jugement enseignant d’entrée s’associe à des trajectoires. Ce n’est pas un constat d’IA. Ce n’est pas un constat qu’automatiser ce jugement améliore la transition. Inférence : si le rapport de la maîtresse de jardin prédit déjà, la valeur ajoutée d’un modèle n’est souvent pas de « découvrir » l’enfant. C’est de dupliquer une perception adulte dans le vocabulaire de l’exactitude. La transition n’est pas cette prédiction. C’est ce qui se passe entre le rapport et la nouvelle classe.

6. Cas 3. Ce que le jardin fait lorsqu’il y a transition : un processus relationnel

Boylan, Barblett, Lavina et Ruscoe (2024) ont publié dans l’European Early Childhood Education Research Journal (vol. 32, p. 704–718) l’étude qui, dans ce corpus, ancre le mieux ce qu’est réellement une transition pédagogique. Avec une lentille de fonds de connaissance et de fonds d’identité, des enfants de 3 à 6 ans et leurs enseignants ont réimaginé les pratiques de passage vers le primaire. Par un processus de design-based thinking, l’équipe a recueilli des données qualitatives de quatre journées d’apprentissage professionnel, de séances individuelles de coaching, d’observations des premiers jours d’école et d’entretiens avec les parties prenantes. Des études de cas ont été élaborées en collaboration avec chaque école participante. Trois principes de conception, formulés par les enseignantes elles-mêmes, ont affecté positivement la préparation des maîtresses et des écoles aux transitions. Toutes les parties ont décrit le processus comme utile pour transformer les pratiques et pour penser les transitions depuis des perspectives distinctes (Boylan et al., 2024). ERIC indexe le travail comme recherche empirique avec étude de cas, coaching et relation famille–école en Australie (ERIC, 2024, EJ1431215).

Statut de la preuve. Constat empirique de reconception de pratiques : la transition, lorsqu’elle est prise au sérieux, apparaît comme un travail conjoint d’enseignants, d’enfants et de familles, médiatisé par le savoir que l’enfant apporte et par l’identité qu’il met en jeu. Ce n’est pas un constat d’IA. Ce n’est pas un constat qu’un score reproduit ces trois principes. Inférence pédagogique, marquée comme telle : c’est l’objet qu’un centre de petite enfance peut appeler, à bon droit, transition. C’est un processus relationnel, temporel et situé. Un classifieur d’ECDI ne demande pas les fonds de connaissance. Un EWS d’absences n’observe pas le premier jour. Un tableau « prêt / pas prêt » n’habilite pas la famille dans le processus : au mieux, il l’informe d’une étiquette.

Degli Esposti et Cigala (2025) saturent le portrait avec 23 articles : attentes avant le pas, perceptions ensuite, processus d’apprentissage, et un processus graduel comme facteur essentiel. González-Moreira et al. (2024) montrent pourquoi le score ne suffit pas : plus de trois cents variables, vingt-neuf groupes. Réduire cette écologie à un seuil de jalons — sept à quinze selon l’âge, dans l’ECDI2030 (Tebeje et al., 2025) — est une opération de politique statistique, légitime à l’échelle d’un pays, illégitime comme rite de passage d’un enfant. González-Moreira et al. (2023) documentent une vue adultocentrée dans les méthodes. Inférence : un modèle entraîné sur le rapport de la mère ou de la maîtresse hérite de cet adultocentrisme et le présente comme objectivité.

Garon-Carrier et al. (2024) ferment le contraste : quinze profils, sept à risque. Le constat sert à concevoir des soutiens. Il n’autorise pas à traiter le profil comme verdict d’entrée. Les autrices situent la réponse dans un accueil de qualité et dans des partenariats famille–école, non dans un seuil. OECD (2021) aligne le curriculum comme levier de continuité. TALIS Starting Strong 2024 situe les pratiques hebdomadaires dans l’observation des interactions et dans l’amélioration de la façon dont les enfants jouent ensemble (OECD, 2025). Inférence : la preuve qu’il y a transition se vérifie dans ces interactions et ces alliances, non dans une AUC. Si la « preuve » est un classement de maturité ou un feu de risque, le centre a fait de la gestion de produit, non de la pédagogie du passage.

7. Cadre inférentiel : quatre épreuves pour affirmer qu’il y a transition, non un seuil

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, un préscolaire, un CENDI ou une école infantile ne les passe pas, il ne peut déclarer qu’un score de maturité, un modèle qui prédit la préparation ou un système d’alerte précoce constituent une transition pédagogique.

7.1. Épreuve du processus relationnel, non du seuil. Boylan et al. (2024) montrent la transition comme reconception avec les enfants, les familles et les enseignants. Degli Esposti et Cigala (2025) montrent une expérience enfantine graduelle. González-Moreira et al. (2024) montrent une écologie de plus de trois cents variables. Inférence : la preuve de transition se vérifie dans le lien, dans le temps partagé, dans la continuité des pratiques et dans la voix de l’enfant, non dans une coupe de jalons. Si la « preuve » que le centre transitionne est un score on-track ou un journal de risque, le centre a classé, non passé.

7.2. Épreuve de la continuité pédagogique, non de la prédiction. OECD (2021) situe le curriculum comme levier d’alignement entre étapes et la qualité de processus comme moteur du développement. OECD (2025) situe les interactions et le jeu conjoint comme pratiques hebdomadaires. Tebeje et al. (2025) prédisent une étiquette d’enquête. Wu et Weiland (2025) prédisent des absences. Inférence : prédire un résultat ultérieur n’est pas produire la continuité que ce résultat exigerait. Un modèle peut identifier qui manquera en troisième année. Il n’a pas pour autant aligné le jardin avec le primaire. Kim (2024) montre que le jugement enseignant d’entrée s’associe déjà à des trajectoires : l’automatiser n’ajoute pas, par soi, une pédagogie du passage.

7.3. Épreuve de l’instrument populationnel, non du verdict individuel. Halpin et al. (2024) et UNICEF (2023) conçoivent l’ECDI2030 pour le suivi de population et pour l’indicateur 4.2.1. Ghandour et al. (2021, 2024) montrent que changer le cut du HRTL déplace la prévalence nationale de 42,2 % à 63,6 %. Garon-Carrier et al. (2024) montrent des profils, non un bit. Benson et al. (2025) montrent que la plupart des modèles d’ECD ne sont ni validés hors échantillon ni mis en œuvre. Inférence : un seuil d’enquête ou de tableau n’est pas un diagnostic de maturité pour décider le passage d’un enfant. L’utiliser comme tel confond l’ODD avec un rite d’admission.

7.4. Épreuve des droits et du haut risque, non du tableau de produit. L’annexe III du règlement (UE) 2024/1689 inclut, parmi les systèmes à haut risque, ceux destinés à déterminer l’accès ou l’admission à des établissements d’enseignement, à y affecter des personnes, à évaluer des résultats d’apprentissage ou à déterminer le niveau éducatif approprié (Union européenne, 2024). UNESCO (2021) exige une supervision humaine et une attention particulière aux enfants. UNICEF (2021) exige l’intérêt supérieur. European Commission (2022) et U.S. Department of Education (2023) exigent de ne pas remplacer l’enseignant. Miao et Holmes (2023) exigent une validation pédagogique et un seuil d’âge pour l’usage autonome de plateformes génératives. Inférence : un centre de petite enfance ne peut traiter l’enfant de 3–6 ans comme objet d’un verdict automatisé de « prêt pour le primaire ». Le seuil ne se « respecte » pas en abaissant l’âge du classé. Il se respecte en n’utilisant pas la prédiction comme porte. Sur le territoire européen, un système qui assigne une place ou un niveau avec l’IA n’est pas une innovation de transition : sauf les sauvegardes du règlement, c’est une pratique à haut risque.

Le cadre admet l’ECDI2030 et le HRTL comme moniteurs populationnels (Halpin et al., 2024 ; Ghandour et al., 2024 ; UNICEF, 2023) ; les EWS comme outils d’assiduité, non comme pédagogie du passage (Wu et Weiland, 2025) ; les profils de readiness comme hypothèses de soutien, non comme verdicts (Garon-Carrier et al., 2024) ; et le jugement enseignant comme information relationnelle, non comme entrée d’un classifieur qui le remplace (Kim, 2024). Il refuse de déclarer une transition par un score de maturité, un modèle qui prédit l’ECDI ou le HRTL à l’échelle de l’enfant, un feu d’alerte précoce présenté comme « gestion de la transition », ou le traitement de l’enfant de petite enfance comme utilisateur d’un seuil algorithmique (Tebeje et al., 2025 ; Benson et al., 2025 ; Union européenne, 2024 ; Boylan et al., 2024).

8. Discussion

Trois tensions organisent la discussion. La première est entre prédire et transitionner. C’est un constat qu’un ensemble prédit l’ECDI2030 avec une AUC de 0,71 chez 12 860 enfants d’Afrique de l’Est (Tebeje et al., 2025) ; que 27 études d’apprentissage automatique sur l’ECD se concentrent sur la prédiction, avec une validation externe rare et une mise en œuvre quasi nulle (Benson et al., 2025) ; et qu’un XGBoost améliore de 54 points le recall de l’absentéisme chronique dès le prékindergarten (Wu et Weiland, 2025). C’est un cadre que l’ECDI2030 est un moniteur populationnel (Halpin et al., 2024) et qu’assigner un niveau ou un accès avec l’IA est, dans l’Union européenne, à haut risque (Union européenne, 2024). Ce n’est pas un constat que prédire une étiquette produit le processus que Boylan et al. (2024) observent. La politique des trois artefacts — score, modèle, alerte — mesure ce que l’ingénierie sait mesurer et déclare ce que seule la transition relationnelle autoriserait.

La deuxième est entre l’enfant comme attribut et le système comme récepteur. Garon-Carrier et al. (2024) montrent que la maturité n’est pas un trait unique. Ghandour et al. (2021, 2024) montrent que le cut de l’indicateur change qui compte comme « prêt ». González-Moreira et al. (2024) montrent que la transition se recherche comme une écologie, non comme un bit. UNESCO et UNICEF (2024) montrent que le monde n’est pas en voie d’atteindre le 4.2 et que la scolarisation un an avant le primaire a reculé. Inférence : insister pour que l’enfant « soit prêt » pendant que le système ne s’aligne pas est une pédagogie inversée. Le score blâme l’enfant de ce que le curriculum, le temps et le lien ne soutiennent pas. OECD (2021) avait averti que le levier est la qualité de processus et la continuité entre étapes. Le modèle de maturité fait l’opération inverse : il extrait l’enfant du processus et le rend comme une probabilité.

La troisième est entre le tableau et la voix. Degli Esposti et Cigala (2025) et González-Moreira et al. (2023) documentent que les enfants de 5–7 ans restent peu entendus dans la recherche du passage. Boylan et al. (2024) montrent ce qui se passe lorsqu’on les inclut : les pratiques changent, non le classement. Un système d’alerte précoce parle d’eux à la troisième personne. Un score de maturité parle d’eux comme d’un vecteur. Ni l’un ni l’autre ne leur demande les fonds de connaissance que Boylan place au centre. Datafier cette voix — en faire une feature — ne répare pas le silence. Il l’administre.

9. Limites

Cette revue est narrative. Elle n’applique pas PRISMA et n’estime pas d’effets combinés. Tebeje et al. (2025) prédisent une étiquette d’enquête, non un résultat de classe de primaire ; le transfert au rite de passage est une inférence. Benson et al. (2025) couvrent l’ECD de 0 à 8 ans, non seulement la transition ECEC–primaire, et excluent les troubles neurodéveloppementaux. Wu et Weiland (2025) est un working paper de district sur l’absentéisme, non un essai de pratiques de transition ; le DOI institutionnel Annenberg est vérifié, et le statut de preprint est déclaré. Boylan et al. (2024) est qualitatif dans des écoles indépendantes d’Australie. Degli Esposti et Cigala (2025) et González-Moreira et al. (2023, 2024) sont des revues, non des observations d’IA. Garon-Carrier et al. (2024) examinent des profils de 2005–2022 ; plusieurs études de base précèdent 2021. Ghandour et al. (2021, 2024) sont des enquêtes parentales des États-Unis ; le changement de mesure interdit de lire la hausse de 42,2 % à 63,6 % comme une amélioration nette du développement. Kim (2024) est un jugement enseignant, non un modèle. Halpin et al. (2024) valident un indice populationnel. UNESCO, UNICEF, l’OCDE, l’Union européenne et les guides de 2022–2023 sont prescriptifs. Des essais latino-américains de prédiction de maturité scolaire par IA au pas jardin–primaire n’ont pas été localisés avec le même degré de DOI. Les inférences de la section 7 sont des hypothèses de catégorie pédagogique, non une preuve de mise en œuvre.

10. Conclusions

Un score de maturité scolaire, un modèle qui prédit la préparation au primaire ou un système d’alerte précoce ne constituent pas une transition pédagogique dans un centre d’éducation de la petite enfance. Les données vérifiées n’autorisent pas cette déclaration. Un ensemble qui reproduit l’ECDI2030 chez 12 860 enfants classe une étiquette d’enquête ; c’est de la prédiction populationnelle, non un passage (Tebeje et al., 2025). Vingt-sept études d’apprentissage automatique sur le développement de l’enfant restent, dans leur grande majorité, à la prédiction sans validation externe ni mise en œuvre (Benson et al., 2025). Un EWS qui améliore le recall de l’absentéisme chronique dès le prékindergarten identifie des absences ; c’est une alerte d’assiduité, non une continuité pédagogique (Wu et Weiland, 2025). Le HRTL national bouge lorsque le cut de l’indicateur change (Ghandour et al., 2021, 2024). L’ECDI2030 s’offre comme moniteur de population, non comme verdict d’enfant (Halpin et al., 2024 ; UNICEF, 2023). Quinze profils de readiness démentent le seuil unique (Garon-Carrier et al., 2024). En revanche, lorsqu’il y a transition, il y a reconception relationnelle avec des enfants de 3 à 6 ans, des familles et des enseignants (Boylan et al., 2024) ; il y a une expérience enfantine graduelle (Degli Esposti et Cigala, 2025) ; il y a une écologie de facteurs qui ne tient pas dans un bit (González-Moreira et al., 2024). Le droit en vigueur exige une supervision humaine, l’intérêt supérieur et, dans l’Union européenne, de traiter comme à haut risque l’IA qui détermine l’accès, l’admission, l’affectation ou le niveau éducatif (UNESCO, 2021 ; UNICEF, 2021 ; Union européenne, 2024 ; European Commission, 2022 ; U.S. Department of Education, 2023).

Là où les sources ne mesurent pas un jardin, cet article ne l’affirme pas. Là où elles mesurent une classification ou une alerte, il ne les traduit pas en transition. Accompagner des enfants de trois à six ans vers le primaire, c’est soutenir un processus relationnel d’enfants, de familles et d’enseignants. Le reste est un seuil. Ce n’est pas une transition, et cela ne doit pas se présenter comme ce qu’il n’est pas.

Laboratorio Editorial de NEXTECH.IA / Ingeniero Mitre.

Références

  1. Benson, F. N., Chelangat, D., Brink, W., Mwangala, P. N., Waljee, A. K., Moyer, C. A., et Abubakar, A. (2025). Application of machine learning in early childhood development research: A scoping review. BMJ Open, 15(8), e100358. https://doi.org/10.1136/bmjopen-2025-100358
  2. Boylan, F., Barblett, L., Lavina, L., et Ruscoe, A. (2024). Transforming transitions to primary school: Using children’s funds of knowledge and identity. European Early Childhood Education Research Journal, 32(4), 704–718. https://doi.org/10.1080/1350293X.2023.2291354
  3. Degli Esposti, C., et Cigala, A. (2025). Children’s experience of transition from preschool to primary school: A scoping literature review. Early Childhood Education Journal. https://doi.org/10.1007/s10643-025-02019-1
  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. Garon-Carrier, G., Mavungu-Blouin, C., Letarte, M.-J., Gobeil-Bourdeau, J., et Fitzpatrick, C. (2024). School readiness among vulnerable children: A systematic review of studies using a person-centered approach. Psicologia: Reflexão e Crítica, 37, 16. https://doi.org/10.1186/s41155-024-00298-y
  6. Ghandour, R. M., Hirai, A. H., Moore, K. A., Robinson, L. R., Kaminski, J. W., Murphy, K., Lu, M. C., et Kogan, M. D. (2021). Healthy and ready to learn: Prevalence and correlates of school readiness among United States preschoolers. Academic Pediatrics, 21(5), 818–829. https://doi.org/10.1016/j.acap.2021.02.019
  7. Ghandour, R. M., Hirai, A. H., Moore, K. A., Paschall, K., LaForett, D. R., Reddington, E., et Kogan, M. D. (2024). School readiness among United States children: Results from the 2022 National Survey of Children’s Health. Academic Pediatrics, 24(7), 1049–1061. https://doi.org/10.1016/j.acap.2024.02.013
  8. González-Moreira, A., Ferreira, C., et Vidal, J. (2023). Review on research methods for studying transition from early childhood education to primary education. Education Sciences, 13(3), 254. https://doi.org/10.3390/educsci13030254
  9. González-Moreira, A., Ferreira, C., et Vidal, J. (2024). A journey to primary education: A systematic review of factors affecting the transition from early childhood education to primary education. Preventing School Failure, 69(1), 77–91. https://doi.org/10.1080/1045988X.2024.2335679
  10. Halpin, P. F., de Castro, E. F., Petrowski, N., et Cappa, C. (2024). Monitoring early childhood development at the population level: The ECDI2030. Early Childhood Research Quarterly, 67, 1–12. https://doi.org/10.1016/j.ecresq.2023.11.004
  11. Kim, J. (2024). The relationships between teachers’ evaluation of children’s academic readiness and children’s later outcomes. International Journal of Child Care and Education Policy, 18, 6. https://doi.org/10.1186/s40723-024-00131-0
  12. Miao, F., et Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  13. OECD. (2021). Starting Strong VI: Supporting meaningful interactions in early childhood education and care. OECD Publishing. https://doi.org/10.1787/f47a06ae-en
  14. OECD. (2025). Results from TALIS Starting Strong 2024: Strengthening early childhood education and care. OECD Publishing. https://doi.org/10.1787/20af08c0-en
  15. Tebeje, T. M., Tesfaye, S. H., Sisay, G., Seboka, B. T., Tesfa, G. A., Sisay, D., et al. (2025). Application of machine learning algorithms to predict early childhood development in children aged 24–59 months across three East African countries. PLOS One, 20(9), e0332023. https://doi.org/10.1371/journal.pone.0332023
  16. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137
  17. UNESCO et UNICEF. (2024). Global report on early childhood care and education: The right to a strong foundation. UNESCO. https://doi.org/10.54675/FWQA2113
  18. UNICEF. (2021). Policy guidance on AI for children 2.0. UNICEF Innocenti. https://www.unicef.org/innocenti/reports/policy-guidance-ai-children
  19. UNICEF. (2023). The Early Childhood Development Index 2030: A new measure of early childhood development. UNICEF. https://data.unicef.org/resources/early-childhood-development-index-2030-ecdi2030/
  20. Union européenne. (2024). Règlement (UE) 2024/1689 du Parlement européen et du Conseil du 13 juin 2024 établissant des règles harmonisées concernant l’intelligence artificielle. Journal officiel de l’Union européenne, L 2024/1689. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  21. U.S. Department of Education, Office of Educational Technology. (2023). Artificial intelligence and the future of teaching and learning: Insights and recommendations. https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
  22. Wu, T., et Weiland, C. (2025). Leveraging modern machine learning to improve early warning systems and reduce chronic absenteeism in early childhood (EdWorkingPaper 24-1081). Annenberg Institute at Brown University. https://doi.org/10.26300/xxvz-cv94