1. Introduction et problème

Dans les écoles d’éducation initiale et de base circule une promesse séduisante : l’intelligence artificielle « personnalise » l’apprentissage, « libère » l’enseignant et « rend visible » ce que l’œil humain n’atteint pas. Cette promesse tait d’ordinaire sa condition de possibilité. Pour personnaliser, il faut une donnée. Pour libérer, une métrique. Pour rendre visible, une caméra, un microphone ou un registre continu de conduite. La donnée n’est pas abstraite. C’est la voix d’une fille de quatre ans, le visage d’un garçon de huit ans, le point qu’un enseignant attribue parce que l’enfant a « travaillé dur » ou « parlé hors de son tour ». Ceux qui produisent cette donnée ne peuvent lire une politique de confidentialité, négocier avec un fournisseur, ni choisir de ne pas être en classe.

Le problème n’est pas l’hostilité à la technologie. C’est la confusion entre trois objets. Le premier est un constat empirique : ce que l’on observe lorsqu’une plateforme quantifie la conduite, lorsque l’on enregistre la voix infantile ou lorsque l’on teste la reconnaissance faciale dans l’enceinte scolaire. Le deuxième est un cadre normatif : ce qu’exigent la Convention relative aux droits de l’enfant dans l’environnement numérique, le RGPD, la COPPA, l’UNICEF, l’UNESCO et les autorités de protection des données. Le troisième est une inférence pédagogique : ce qui ne devrait pas être délégué en classe même si le marketing dit « consentement parental » ou « bénéfice éducatif ». Les mélanger produit une pédagogie de la capture : l’école « utilise l’IA » sans pouvoir dire ce qui est extrait, qui le conserve, combien de temps, et avec quel droit de dire non.

La thèse de cet article est restrictive. L’IA éducative dans la classe d’éducation initiale et de base ne personnalise pas sans coût ; elle extrait voix, image et conduite de sujets qui ne peuvent consentir. Ce seuil — le non déléguable — ne se résout pas par une case signée par un adulte ni par la fiction que l’école agit toujours comme agent du parent. Lupton et Williamson (2017) ont nommé l’« enfant datafié » et signalé la rareté d’instruments spécifiques face à la dataveillance. Depuis, la classe a concentré des plateformes de conduite, de l’analytique d’apprentissage, l’enregistrement vocal pour la reconnaissance automatique et, dans certains districts, la biométrie faciale. Cet article ne traite pas la médiation parentale au foyer (axe du 19 août extra), ni l’alphabétisation curriculaire pour les élèves (20 août soir), ni l’inclusion/handicap (20 août, 5 h), ni la compétence enseignante UNESCO (19 août matin), ni le jeu ou les PopBots (18 août), ni les tuteurs adaptatifs (16 août). L’objet est la classe : l’espace de présence obligatoire où la capture se naturalise.

Là où la source ne mesure pas l’amélioration de l’apprentissage, cet article ne l’affirme pas. Là où elle ne mesure pas que la protection des données « est déjà résolue », il ne le promet pas. Le vide qui organise le travail est celui du consentement sous asymétrie : l’enfant ne peut refuser l’école ; le parent souvent ne peut refuser la plateforme choisie par l’école ; l’enseignant est pris entre soin et quantification (Lu et al., 2021).

2. État de l’art : datafication, vie privée et la classe comme enceinte

Il convient de séparer trois strates. La première est conceptuelle : ce que signifie datafier l’enfance à l’école. La deuxième est normative : quels cadres fixent vie privée, consentement et limites à la biométrie ou à l’IA. La troisième est empirique : ce qui a été documenté en classe et sur les plateformes scolaires, pas avec le foyer comme axe.

Dans la strate conceptuelle, Lupton et Williamson (2017) offrent une critique de la datafication et de la dataveillance de la gestation aux années scolaires, et concluent qu’il existe peu de preuves d’instruments spécifiques pour sauvegarder les droits face à ces pratiques. Leur article n’est pas un essai de classe ; il est retenu comme cadre critique de l’« enfant datafié ». Manolev, Sullivan et Slee (2019) déplacent ce cadre vers ClassDojo et soutiennent que la datafication de la discipline intensifie et normalise la surveillance, produit une culture performative et opère comme contrôle de conduite. Williamson (2017), cité dans cette lignée, avait relié ClassDojo à la psycho-politique et à l’apprentissage socio-émotionnel persuasif ; ici, ce n’est pas un cas nucléaire, mais un antécédent du débat.

Dans la strate normative, le Comité des droits de l’enfant (2021), dans l’Observation générale n° 25, affirme que les droits de la Convention s’appliquent dans l’environnement numérique. En matière de vie privée (par. 67–73), il exige que toute ingérence soit légale, légitime, proportionnée, avec minimisation des données et dans l’intérêt supérieur de l’enfant ; que le consentement — de l’enfant ou du titulaire de la responsabilité parentale selon l’âge et les capacités évolutives — soit informé et libre ; et que l’accès, la rectification, l’effacement et l’opposition soient possibles. L’UNICEF (2021), dans le Policy guidance on AI for children 2.0, exige de protéger données et vie privée, d’adopter la privacy by design, de minimiser le traitement « invisible » et de ne pas laisser les données de l’enfance suivre la personne jusqu’à l’âge adulte. Le considérant 38 du RGPD reconnaît une protection spécifique aux enfants ; l’article 8 régit le consentement de l’enfant pour les services de la société de l’information (seuil de 16 ans, réductible à pas moins de 13) ; le considérant 43 avertit que le consentement n’est pas libre en cas de déséquilibre clair, surtout lorsque le responsable est une autorité publique ; le considérant 71 indique que la prise de décision automatisée fondée sur un profilage ne devrait pas concerner un enfant. Miao et Holmes (2023) avertissent que l’absence de régulation nationale laisse la vie privée des usagers sans protection et proposent de mandater la protection des données et une limite d’âge pour les conversations indépendantes avec l’IA générative. La Recommandation de l’UNESCO (2021) élève la vie privée et la protection des données au rang de principe. Le règlement (UE) 2024/1689 (annexe III, point 3) classe comme à haut risque les systèmes d’IA destinés à déterminer l’accès ou l’admission à des établissements d’enseignement, à évaluer les résultats d’apprentissage, à apprécier le niveau d’éducation approprié ou à surveiller et détecter des comportements interdits d’étudiants pendant les examens. La FTC (2022) rappelle que, dans le contexte scolaire, les opérateurs d’edtech couverts par la COPPA ne peuvent utiliser les informations de l’élève à des fins commerciales étrangères au service éducatif demandé. L’American Academy of Pediatrics (Radesky et al., 2020 ; AAP, 2026) insiste sur la difficulté des enfants à comprendre la collecte de données et l’impossibilité d’un consentement significatif, et demande la privacy by default ainsi que d’éviter surveillance et publicité ciblée. L’ICO (2023) précise que les écoles ne sont pas des « services de la société de l’information » au sens du Children’s Code, mais que les fournisseurs d’edtech peuvent l’être lorsqu’ils déterminent leurs propres finalités (recherche, marketing, développement de produit).

Dans la strate empirique de classe, les preuves qualitatives sur ClassDojo (Lu et al., 2021 ; DiGiacomo et al., 2021 ; Manolev et al., 2024) documentent la quantification de la conduite, les tensions soin/contrôle et le pouvoir métrique, sans mesurer l’apprentissage académique comme effet de la plateforme. Les corpus de voix (Pradhan et al., 2024) documentent l’échelle et les procédures de consentement institutionnel, non l’amélioration pédagogique. La décision de Skellefteå (Integritetsskyddsmyndigheten, 2019), la position de la CNIL (2019) et la détermination de New York (New York State Education Department, 2023), avec le rapport de Galligan et al. (2020), documentent la disproportion, l’invalidité du consentement biométrique ou l’interdiction de la reconnaissance faciale scolaire. Le vide n’est pas l’absence de normes : c’est la naturalisation scolaire de la capture sous le lexique de la personnalisation.

3. Méthode de revue

Une revue narrative critique a été menée, non une méta-analyse. Le but n’était pas d’estimer une taille d’effet « IA et apprentissage », inexistante de façon homogène entre une étude d’entretiens enseignants, un corpus de voix et une sanction administrative, mais d’articuler le seuil du non déléguable avec des sources vérifiées. Critères d’inclusion : (a) focus sur la classe, l’école ou une plateforme utilisée dans l’enceinte scolaire, pas la médiation parentale au foyer comme axe ; (b) publication préférentielle 2021–2026, avec exception justifiée pour les cadres encore en vigueur ; (c) type documentaire revue ou actes avec DOI, rapport universitaire archivé, décision ou communiqué officiel d’autorité, ou texte juridique EUR-Lex / FTC / NYSED / ICO ; (d) accès au DOI, à la page éditoriale ou à l’URL officielle confirmant auteurs, année, titre et portée. Ont été exclus comme cas nucléaires la médiation parentale et les jouets du foyer (sauf saturation brève), l’alphabétisation curriculaire des élèves, l’inclusion/handicap, la compétence enseignante UNESCO, PopBots/jeu genAI et tuteurs/évaluation adaptative.

La recherche a été exécutée le 21 août 2026 (vers 01 h 06, America/Mexico_City) sur pages DOI, ACM Digital Library, Taylor & Francis, Springer, ScienceDirect, EUR-Lex, FTC, EDPB/IMY, CNIL, NYSED, UNESDOC, UNICEF Innocenti, ICO, Deep Blue (University of Michigan) et ACL Anthology. Chaque source citée a été vérifiée contre au moins une de ces pages. Le corpus a été organisé en trois cas nucléaires : datafication comportementale (ClassDojo) ; voix infantile en contextes éducatifs ; biométrie faciale à l’école. McReynolds et al. (2017) sert seulement de saturation de l’opacité de l’enregistrement.

L’analyse a distingué trois statuts énonciatifs. Constat empirique : ce qui a été observé ou décidé dans l’échantillon ou le dossier. Cadre normatif : ce qu’un organisme prescrit. Inférence pédagogique : la traduction pour la classe d’éducation initiale et de base, marquée comme telle. Les limites sont celles de toute revue narrative (section 9).

4. Cas 1. ClassDojo et la datafication de la conduite en classe

ClassDojo est une plateforme de communication et de gestion de la conduite qui permet aux enseignants de quantifier, enregistrer et communiquer des points liés à des comportements désirés ou non, outre portfolios et messagerie familiale. Manolev, Sullivan et Slee (2019) ont examiné de façon critique comment le système datafie la discipline et le comportement des élèves. Ils soutiennent qu’il intensifie et normalise la surveillance, crée une culture de performativité et sert de mécanisme de contrôle. Le statut est celui d’une analyse critique du design et des rationalités disciplinaires, non d’un essai contrôlé d’apprentissage. Ils ne mesurent pas si les points améliorent la lecture ou les mathématiques ; ils montrent, sur le plan conceptuel, comment la conduite devient nombre, comparable et gouvernable.

Lu, Dillahunt, Marcu et Ackerman (2021) ont publié dans Proceedings of the ACM on Human-Computer Interaction (CSCW) une étude d’entretiens auprès de vingt enseignants K-8 utilisant ClassDojo. Constat empirique : les enseignants déploient l’outil pour contrôler et pour soigner ; en même temps, ils sont exposés au regard des parents, des administrateurs et des élèves, et accomplissent un « travail de données » — recontextualiser des corps et des besoins réduits à des points, et parfois manipuler des points pour résister aux attentes de surveillance. L’article n’affirme pas que ClassDojo améliore l’apprentissage ; il documente la tension d’(in)visibilité et d’autonomie enseignante sous datafication.

Lu, Marcu, Ackerman et Dillahunt (2021), dans DIS, analysent la même lignée qualitative sous l’angle du biais de codage. Constat empirique : l’usage de ClassDojo risque de mesurer, de codifier et de simplifier des facteurs psycho-sociaux qui sous-tendent la conduite, opérant comme un « pansement » de problèmes plus profonds et pouvant perpétuer des inégalités. Ils proposent trois considérations de conception : fournir du contexte, exposer le biais et défier ce qui compte comme « normal ». DiGiacomo, Greenhalgh et Barriage (2021), dans TechTrends, apportent une étude à méthodes mixtes dans un État du sud-est des États-Unis sur la manière dont élèves et principaux comprennent ClassDojo. Constat empirique : perception d’une médiation des relations élève-enseignant et élève-parent ; les préoccupations de vie privée apparaissent dans les médias et la littérature, mais restent sous-étudiées dans l’expérience quotidienne. Manolev, Sullivan et Tippett (2024), dans le British Journal of Sociology of Education, examinent les pratiques enseignantes avec ClassDojo par une enquête qualitative critique. Constat empirique : les pratiques opèrent via des techniques de contrôle centrées sur les métriques ; les auteurs invoquent le « pouvoir métrique » et soutiennent que les métriques de ClassDojo agissent comme des dispositifs pédagogiques étroits qui fixent le regard sur la mesure et reconfigurent la discipline scolaire sous des rationalités néolibérales. Ils ne mesurent pas non plus le rendement académique.

Statut de la preuve. Constat empirique cumulé : dans les classes K-8, ClassDojo quantifie la conduite, déplace la complexité psycho-sociale vers des points, expose enseignants et élèves à une surveillance croisée et reconfigure la discipline comme gouvernement par métriques. Ce n’est pas un constat d’amélioration de l’apprentissage. Ce n’est pas un constat que la vie privée « est couverte » parce qu’une politique en ligne existe. Inférence pédagogique, marquée comme telle : en éducation initiale et au premier cycle, transformer la journée en tableau de points est déjà une datafication de la présence obligatoire. Même sans caméra ni microphone, il y a un profil comportemental. Ce profil n’est pas une « personnalisation pédagogique » tant qu’un lien causal avec les apprentissages n’est pas démontré — et il ne l’est pas ici ; c’est la capture de la conduite de qui ne peut refuser la classe.

5. Cas 2. Voix infantiles : corpus, enregistrement et le seuil du microphone

La voix infantile est une donnée biométrique potentielle et, sous la COPPA, un fichier audio contenant la voix d’un enfant est une information personnelle (Federal Trade Commission, s. d., FAQ F). Dans des contextes éducatifs, cette voix est recueillie pour des tuteurs virtuels, la reconnaissance automatique de la parole infantile, l’analytique du langage en classe ou la recherche. Pradhan, Cole et Ward (2024) décrivent le corpus My Science Tutor (MyST) : environ 400 heures de parole conversationnelle d’environ 1 300 élèves de 3e à 5e année dans des sessions avec un tuteur virtuel de sciences (environ 10 500 sessions et 230 000 énoncés ; la version publiée inclut plus de 100 000 énoncés transcrits). Le projet rapporte une revue IRB, un consentement parental et un assentiment de l’élève, et une distribution de données anonymes. Constat empirique : il existe à l’échelle un corpus scolaire de voix infantile aligné sur l’instruction en sciences ; les auteurs rapportent des taux d’erreur de mot de modèles entraînés sur le corpus. Ce n’est pas un constat que le tuteur virtuel améliore l’apprentissage des sciences dans cet article de description de corpus.

Dutta, Irvin et Hansen (2025) explorent, dans l’International Journal of Human-Computer Studies, des unités discrètes de parole comme encodage anonyme pour la reconnaissance automatique destinée aux enfants d’âge scolaire et préscolaire. Constat empirique : un modèle ASR discret entraîné sur MyST atteint un taux d’erreur de mot de 15,7 % et une performance comparable à des modèles bout-en-bout bien plus grands ; les auteurs soutiennent que la séquence d’unités discrètes rend virtuellement impossible la reconstruction de la forme d’onde originale, introduisant un degré de vie privée. Ils rapportent aussi des résultats prometteurs sur la reconnaissance de mots interrogatifs, noms, verbes et pronoms dans une étude de cas d’interactions enseignant-enfant dans un centre de garde. Statut : constat technique de privacy by design en ASR infantile ; ce n’est pas un constat que la classe « est déjà protégée » si l’on enregistre le brut, ni d’amélioration curriculaire.

Comme saturation — non comme cas nucléaire —, McReynolds, Hubbard, Lau, Saraf, Cakmak et Roesner (2017) ont montré, dans des entretiens avec des paires parent-enfant et des jouets connectés, que les enfants ignoraient souvent que le jouet enregistrait ou que d’autres pouvaient entendre. On le cite seulement pour souligner l’opacité phénoménologique de l’enregistrement. Cette saturation ne déplace pas l’axe vers le foyer.

Inférence pédagogique : enregistrer des voix infantiles en classe franchit un seuil distinct de celui d’une note. La voix identifie, permet des inférences affectives et peut entraîner des modèles commerciaux ou de recherche au-delà du but déclaré. L’UNICEF (2021) exige minimisation et délais courts de conservation. Le Comité des droits de l’enfant (2021) exige une finalité définie et aucune conservation inutile. Dutta et al. (2025) montrent des voies techniques de minimisation ; ils ne montrent pas que les plateformes scolaires les adoptent par défaut. Là où le microphone est continu et que l’enfant ne peut l’éteindre, le consentement parental — ou celui de l’école comme agent sous l’orientation COPPA — n’efface pas le déséquilibre que le considérant 43 du RGPD signale face aux autorités publiques.

6. Cas 3. Visage et biométrie : quand la classe devient un capteur

La reconnaissance faciale à l’école a produit un corpus de décisions administratives, de rapports de politique et, dans une moindre mesure, d’études empiriques de déploiement. Integritetsskyddsmyndigheten (2019) — alors Datainspektionen — a sanctionné la municipalité de Skellefteå de 200 000 SEK pour un pilote de trois semaines avec 22 élèves du secondaire utilisant la reconnaissance faciale pour contrôler la présence. Constat de l’autorité : traitement de données biométriques sensibles sans exception valide ; le consentement n’était pas une base adéquate en raison du déséquilibre de pouvoir ; le traitement était plus intrusif que nécessaire (art. 5 RGPD) ; évaluation d’impact adéquate et consultation préalable manquantes (arts. 35 et 36). Première amende GDPR en Suède. Ce n’est pas un essai d’apprentissage : c’est un dossier de légalité.

La CNIL (2019) s’est prononcée sur l’expérimentation de « portiques virtuels » de reconnaissance faciale dans deux lycées (Nice et Marseille). Elle a considéré le dispositif contraire à la proportionnalité et à la minimisation du RGPD : s’agissant d’élèves pour la plupart mineurs, et en présence d’alternatives moins intrusives (p. ex. badge), le recours à la reconnaissance faciale pour fluidifier et sécuriser les accès apparaissait disproportionné et illégitime. Galligan, Rosenfeld, Kleinman et Parthasarathy (2020), dans le rapport Cameras in the Classroom de l’University of Michigan, analysent les implications de la reconnaissance faciale scolaire par comparaison analogique de cas. Ils anticipent l’exacerbation du racisme, la normalisation de la surveillance et l’érosion de la vie privée, le rétrécissement de la définition de l’élève « acceptable », la commodification des données et l’institutionnalisation de l’inexactitude ; ils recommandent d’interdire l’usage à l’école. New York State Education Department (2023), après le rapport de l’Office of Information Technology Services au titre de la State Technology Law § 106-b, a déterminé d’interdire l’achat ou l’utilisation de la technologie de reconnaissance faciale dans les écoles de l’État ; d’autres biométries restent des décisions locales conditionnées à la vie privée, aux droits civils, à l’efficacité et à la participation parentale.

Statut de la preuve. Constat normatif-administratif : en Suède, en France (position CNIL) et à New York, la reconnaissance faciale scolaire a été sanctionnée, déclarée disproportionnée ou interdite. Constat de rapport de politique : Galligan et al. (2020) argumentent des risques structurels sans prétendre à un ECR. Ce n’est pas un constat que les caméras à IA améliorent la sécurité ou l’apprentissage. Inférence pédagogique : si la biométrie faciale échoue au test de proportionnalité pour la présence ou l’accès au secondaire, elle échoue a fortiori en éducation initiale, où le visage est une identité en développement, l’enfant ne comprend pas le traitement, et l’alternative moins intrusive (liste, badge, présence enseignante) est triviale. Le règlement (UE) 2024/1689, en catalogueant certains usages éducatifs de l’IA comme à haut risque, renforce — comme cadre, non comme évaluation d’un produit concret — que surveillance et évaluation automatisées en éducation ne sont pas une « innovation innocente ».

7. Cadre inférentiel : le seuil du non déléguable

Le cadre qui suit est l’inférence pédagogique de cet article, ancrée dans les cas et les instruments vérifiés. Ce n’est pas une nouvelle norme internationale. Il distingue cinq tests d’admissibilité. Si une proposition d’« IA en classe » d’éducation initiale ou de base ne les passe pas, elle n’est pas déployée.

7.1. Test de présence obligatoire. La classe n’est pas un service de la société de l’information auquel l’enfant arrive par choix. Le considérant 43 du RGPD et la décision de Skellefteå (Integritetsskyddsmyndigheten, 2019) montrent que le consentement s’affaiblit ou s’invalide face au déséquilibre de pouvoir. Inférence : présenter une plateforme de conduite, un microphone continu ou une caméra biométrique comme une « option » est de la rhétorique ; l’option réelle est souvent d’accepter ou d’être exclu de l’activité scolaire ordinaire. Le non déléguable commence ici : on ne feint pas la liberté là où la scolarisation est obligatoire.

7.2. Test de finalité et de minimisation. L’UNICEF (2021) et le Comité des droits de l’enfant (2021) exigent une finalité définie, la minimisation et des délais courts. La FTC (2022) limite l’usage edtech à la finalité éducative contractée, sans marketing. Inférence : si le fournisseur conserve voix ou conduite pour entraîner ses propres modèles, améliorer le produit ou profiler, la capture n’est plus une « extension numérique de l’école » (ICO, 2023). En éducation initiale, la minimisation par défaut est de ne pas enregistrer ; si l’on enregistre pour la recherche, Dutta et al. (2025) illustrent des techniques d’irréversibilité de la forme d’onde — non que des politiques vagues suffisent.

7.3. Test de non-substitution du jugement pédagogique par la métrique. Manolev et al. (2019, 2024) et Lu et al. (2021) documentent comment le point remplace la complexité. Inférence : une analytique de conduite ou d’« engagement » n’est pas vendue comme personnalisation de l’apprentissage tant qu’il n’y a pas de preuve d’apprentissage. Cet article n’a pas trouvé, dans le corpus nucléaire, cette preuve. L’affirmer inventerait un résultat.

7.4. Test de biométrie et de proportionnalité. CNIL (2019), Integritetsskyddsmyndigheten (2019), Galligan et al. (2020) et New York State Education Department (2023) convergent : le visage à l’école exige un seuil élevé ou une interdiction. Inférence : en éducation initiale et de base, la reconnaissance faciale pour la présence, l’accès ou l’« attention » échoue à la proportionnalité lorsque des alternatives existent. Le règlement (UE) 2024/1689 renforce le caractère à haut risque de certains systèmes éducatifs d’IA.

7.5. Test d’agence infantile et du « non ». Le Comité des droits de l’enfant (2021) exige un consentement informé et libre, l’accès, la rectification, l’opposition et une information en langage enfantin. L’AAP (2026) affirme que les enfants ne peuvent consentir de façon significative à la collecte. Inférence : si l’enfant ne peut dire non sans sanction scolaire, et si le parent ne peut retirer la donnée sans exclure l’enfant de la classe, il n’y a pas de consentement ; il y a aquiescence. Le non déléguable est le droit de ne pas être converti en flux d’entraînement.

Opérationnellement, le cadre admet : (a) outils locaux sans profilage commercial ; (b) données agrégées et effaçables ; (c) recherche avec IRB, consentement vérifiable et techniques de minimisation démontrables ; (d) évaluation humaine de la conduite sans tableau permanent. Il rejette : (e) biométrie faciale scolaire de routine ; (f) enregistrement continu de voix sans finalité étroite et effacement ; (g) métriques de conduite comme proxy de l’apprentissage ; (h) la fiction que « l’école a déjà consenti » clôt le débat éthique.

8. Discussion

Trois tensions organisent la discussion. La première oppose personnalisation et extraction. Le marketing éducatif parle d’adapter ; les cas montrent la quantification de la conduite (Manolev et al., 2024 ; Lu et al., 2021), l’accumulation de voix (Pradhan et al., 2024) et la tentative de lire des visages (Integritetsskyddsmyndigheten, 2019). Sans preuve d’apprentissage dans ce corpus, « personnaliser » fonctionne comme euphémisme de capture. Miao et Holmes (2023) avertissent de la non-protection de la vie privée face à la vitesse de l’IA générative ; cet avertissement vaut a fortiori pour l’IA qui opère sur des corps infantiles en classe.

La deuxième tension oppose consentement formel et consentement libre. La COPPA et l’orientation FTC permettent, dans certaines limites, que l’école agisse relativement au consentement parental pour des usages éducatifs non commerciaux (Federal Trade Commission, 2022 ; FAQ COPPA). Le RGPD, en revanche, relativise le consentement face aux autorités et interdit de fait de fonder la biométrie sensible sur un « oui » scolaire (Integritetsskyddsmyndigheten, 2019). Inférence : se conformer à une FAQ n’épuise pas le seuil de l’Observation générale n° 25 ni l’intérêt supérieur de l’enfant. L’école peut être un agent administratif et, en même temps, échouer au test éthique du non déléguable.

La troisième tension oppose privacy by design et privacy par communiqué. Dutta et al. (2025) montrent que l’on peut concevoir un ASR infantile avec irréversibilité de la forme d’onde. L’UNICEF (2021) exige la privacy by design. Les plateformes de conduite et de nombreuses caméras scolaires ne démontrent pas, dans les preuves citées, cette conception. Un avis dans le manuel n’est pas une minimisation. Galligan et al. (2020) avertissent de la normalisation de la surveillance : chaque pilote « petit » éduque l’institution à regarder sans être regardée.

Si l’objet est la classe d’éducation initiale et de base, l’enseignant n’a pas besoin d’être juriste. Il a besoin de l’autorité de dire qu’un microphone continu, un tableau de points perpétuel ou une caméra biométrique ne sont pas de la pédagogie tant que finalité légitime, proportionnalité et bénéfice éducatif mesuré ne sont pas démontrés. Remplacer ce jugement par la licence du fournisseur est une capture institutionnelle.

9. Limites

Cette revue est narrative. Elle n’applique pas un protocole PRISMA complet ni n’estime des effets combinés sur l’apprentissage. Les études ClassDojo sont qualitatives ou à méthodes mixtes avec des échantillons limités (p. ex. vingt enseignants chez Lu et al., 2021) ; ce ne sont pas des essais randomisés de rendement. MyST et Dutta et al. (2025) mesurent l’ASR et la vie privée technique, non les acquis curriculaires. Les décisions de Skellefteå, de la CNIL et de NYSED sont des actes d’autorité, non des ethnographies de classe d’éducation initiale. McReynolds et al. (2017) est une saturation domestique, non une preuve scolaire. La géographie est biaisée vers les États-Unis, la Suède, la France, le Royaume-Uni (ICO) et les cadres de l’ONU ; aucun essai latino-américain de biométrie ou de ClassDojo en éducation initiale répondant à ces critères n’a été localisé avec le même degré d’ouverture vérifiable. Cette absence est un vide, non une preuve d’inexistence. Les cadres UNICEF, CRC, UNESCO, RGPD, COPPA, AAP et règlement (UE) 2024/1689 sont prescriptifs : leur autorité est normative. Les inférences de la section 7 sont des hypothèses de seuil éthico-pédagogique, non une preuve de mise en œuvre nationale. Cet article n’affirme pas que toute analytique est illicite ; il affirme que, dans le corpus vérifié, ni l’amélioration de l’apprentissage ni la résolution de la vie privée n’ont été démontrées.

10. Conclusions

L’intelligence artificielle dans la classe d’éducation initiale et de base ne personnalise pas sans coût. Elle extrait voix, image et conduite de filles et de garçons situés dans un régime de présence obligatoire. Trois familles de preuves vérifiées soutiennent l’argument. ClassDojo montre la datafication de la discipline et le pouvoir métrique sans preuve d’apprentissage (Manolev et al., 2019, 2024 ; Lu et al., 2021 ; DiGiacomo et al., 2021). Les corpus et modèles de voix infantile montrent l’échelle de la capture et, en même temps, des voies techniques de minimisation qui n’équivalent pas à une protection déjà acquise (Pradhan et al., 2024 ; Dutta et al., 2025). La reconnaissance faciale scolaire a été sanctionnée, déclarée disproportionnée ou interdite dans des décisions et rapports de poids (Integritetsskyddsmyndigheten, 2019 ; CNIL, 2019 ; Galligan et al., 2020 ; New York State Education Department, 2023).

Le droit et la politique ne sont pas muets. L’UNICEF (2021) exige de protéger données et vie privée dès la conception. Le Comité des droits de l’enfant (2021) exige un consentement libre, la minimisation et l’intérêt supérieur. Le RGPD relativise le consentement face au pouvoir public et protège la biométrie. La COPPA et la FTC (2022) limitent l’usage commercial des données scolaires. Miao et Holmes (2023) et l’UNESCO (2021) mandatent la vie privée et une approche centrée sur l’humain. Le règlement (UE) 2024/1689 marque comme à haut risque des usages éducatifs centraux de l’IA. Là où les sources ne mesurent pas l’apprentissage ni une « vie privée résolue », cet article ne l’invente pas. Le seuil du non déléguable est pédagogique avant d’être contractuel : on ne délègue pas la capture de l’enfance en échange d’une promesse non mesurée.

Ingeniero Mitre / Laboratorio Editorial de NEXTECH.IA

Références

  1. American Academy of Pediatrics. (2026). Digital ecosystems, children, and adolescents: Policy statement. Pediatrics, 157(2), e2025075320. https://doi.org/10.1542/peds.2025-075320
  2. CNIL. (2019, 29 octobre). Expérimentation de la reconnaissance faciale dans deux lycées: la CNIL précise sa position. https://www.cnil.fr/fr/experimentation-de-la-reconnaissance-faciale-dans-deux-lycees-la-cnil-precise-sa-position
  3. Comité de los Derechos del Niño. (2021). Observación general núm. 25 (2021) relativa a los derechos de los niños en relación con el entorno digital (CRC/C/GC/25). Naciones Unidas. https://www.ohchr.org/en/documents/general-comments-and-recommendations/general-comment-no-25-2021-childrens-rights-relation
  4. DiGiacomo, D. K., Greenhalgh, S. et Barriage, S. (2021). How students and principals understand ClassDojo: Emerging insights. TechTrends, 66, 172–184. https://doi.org/10.1007/s11528-021-00640-6
  5. Dutta, S., Irvin, D. et Hansen, J. H. L. (2025). Exploring discrete speech units for privacy-preserving and efficient speech recognition for school-aged and preschool children. International Journal of Human-Computer Studies. https://doi.org/10.1016/j.ijhcs.2025.103460
  6. Federal Trade Commission. (s. f.). Complying with COPPA: Frequently asked questions (sección N, COPPA and Schools; sección F, Photos, videos, and audio recordings). https://www.ftc.gov/business-guidance/resources/complying-coppa-frequently-asked-questions
  7. Federal Trade Commission. (2022). Policy statement of the Federal Trade Commission on education technology. https://www.ftc.gov/system/files/ftc_gov/pdf/Policy%20Statement%20of%20the%20Federal%20Trade%20Commission%20on%20Education%20Technology.pdf
  8. Galligan, C., Rosenfeld, H., Kleinman, M. et Parthasarathy, S. (2020). Cameras in the classroom: Facial recognition technology in schools. Science, Technology, and Public Policy Program, University of Michigan. https://doi.org/10.7302/21934
  9. ICO. (2023). The Children’s code and education technologies (edtech). Information Commissioner’s Office. https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/childrens-information/childrens-code-guidance-and-resources/the-children-s-code-and-education-technologies-edtech/
  10. Integritetsskyddsmyndigheten. (2019). Facial recognition used to monitor the attendance of students (decisión; sanción a Skellefteå). https://www.imy.se/globalassets/dokument/beslut/facial-recognition-used-to-monitor-the-attendance-of-students.pdf
  11. Lu, A. J., Dillahunt, T. R., Marcu, G. et Ackerman, M. S. (2021). Data work in education: Enacting and negotiating care and control in teachers’ use of data-driven classroom surveillance technology. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW2), Article 452. https://doi.org/10.1145/3479596
  12. Lu, A. J., Marcu, G., Ackerman, M. S. et Dillahunt, T. R. (2021). Coding bias in the use of behavior management technologies: Uncovering socio-technical consequences of data-driven surveillance in classrooms. En Designing Interactive Systems Conference 2021 (DIS ’21). ACM. https://doi.org/10.1145/3461778.3462084
  13. Lupton, D. et Williamson, B. (2017). The datafied child: The dataveillance of children and implications for their rights. New Media & Society, 19(5), 780–794. https://doi.org/10.1177/1461444816686328
  14. Manolev, J., Sullivan, A. et Slee, R. (2019). The datafication of discipline: ClassDojo, surveillance and a performative classroom culture. Learning, Media and Technology, 44(1), 36–51. https://doi.org/10.1080/17439884.2018.1558237
  15. Manolev, J., Sullivan, A. et Tippett, N. (2024). Reshaping school discipline with metrics: An examination of teachers’ disciplinary practices with ClassDojo. British Journal of Sociology of Education, 45(7–8), 1146–1160. https://doi.org/10.1080/01425692.2024.2407874
  16. McReynolds, E., Hubbard, S., Lau, T., Saraf, A., Cakmak, M. et Roesner, F. (2017). Toys that listen: A study of parents, children, and Internet-connected toys. En Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems (pp. 5197–5207). ACM. https://doi.org/10.1145/3025453.3025735
  17. Miao, F. et Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  18. New York State Education Department. (2023, 27 September). State Education Department issues determination on biometric identifying technology in schools. https://www.nysed.gov/news/2023/state-education-department-issues-determination-biometric-identifying-technology-schools
  19. Pradhan, S., Cole, R. A. et Ward, W. H. (2024). My Science Tutor (MyST)–a large corpus of children’s conversational speech. En Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) (pp. 12040–12045). ELRA et ICCL. https://aclanthology.org/2024.lrec-main.1052/
  20. Radesky, J., Chassiakos, Y. R., Ameenuddin, N., Navsaria, D. et Council on Communication and Media. (2020). Digital advertising to children. Pediatrics, 146(1), e20201681. https://doi.org/10.1542/peds.2020-1681
  21. Reglamento (UE) 2016/679 del Parlamento Europeo et del Consejo, de 27 de abril de 2016 (RGPD), arts. 8 et 9; considerandos 38, 43 et 71. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32016R0679
  22. Reglamento (UE) 2024/1689 del Parlamento Europeo et del Consejo (Artificial Intelligence Act), Anexo III, punto 3 (educación et formación profesional). https://artificialintelligenceact.eu/annex/3/
  23. UNESCO. (2021). Recommendation on the ethics of artificial intelligence. 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