Du numérique au spatial : comment l’IA transforme l’économie de l’apprentissage immersif

L’apprentissage spatial n’a jamais manqué de cas d’usage convaincants. L’anatomie, la chimie, le génie et de nombreuses autres disciplines sont intrinsèquement tridimensionnelles (3D), pourtant les étudiants sont encore souvent amenés à les apprendre et les comprendre à travers du texte, des diagrammes bidimensionnels ou des vidéos plates. Le principal obstacle a été économique : créer suffisamment de contenus interactifs 3D de haute qualité pour couvrir un programme ordinaire, ce qui a traditionnellement nécessité des artistes spécialisés, des développeurs et un temps de production considérable. L’intelligence artificielle (IA) commence à changer cela grâce à de nouvelles formes d’informatique spatiale qui rendent les expériences immersives plus faciles à déployer sur une plus large gamme d’appareils et d’environnements d’apprentissage.

L’enjeu n’est pas de remplacer les manuels, les cours magistraux, les laboratoires physiques ou les enseignants. Il s’agit d’assortir la représentation physique au concept. Un étudiant peut lire sur la structure d’une molécule, examiner une illustration du cœur humain ou étudier le diagramme d’un moteur, mais dans chaque cas, l’apprenant doit reconstruire mentalement les relations entre les objets, les structures et les processus. L’apprentissage spatial peut réduire une partie de cette traduction cognitive en permettant aux étudiants d’inspecter ces relations directement et d’interagir avec elles sous différents points de vue réalistes.

Du numérique à la compréhension spatiale

Le passage à l’apprentissage spatial s’inscrit dans une évolution plus large de la technologie éducative. La numérisation d’un manuel a facilité l’accès à l’information mais n’a pas fondamentalement changé la façon dont cette information était représentée. Les logiciels interactifs ont ajouté de la participation, et les simulations ont introduit l’expérimentation. Les expériences spatiales peuvent aller un pas plus loin en modifiant la représentation elle‑même, notamment lorsque le sujet est intrinsèquement spatial.

Prenons l’anatomie. Reconnaître les structures du cœur humain n’est que le début ; les étudiants doivent également comprendre comment ces structures se rapportent les unes aux autres, où elles se situent dans le corps et comment elles fonctionnent au sein d’un système plus vaste. Le même défi apparaît en chimie, où la géométrie moléculaire compte, et en génie, où comprendre l’interaction entre les composants peut être aussi important que d’identifier les composants eux‑mêmes.

Un nombre croissant de recherches suggèrent qu’il s’agit de plus qu’un avantage théorique. Une méta‑analyse de 2024 publiée dans Anatomical Sciences Education a examiné 27 études expérimentales impliquant 2 199 étudiants en sciences de la santé et a constaté que les technologies de réalité étendue (XR) produisaient des gains de connaissances supérieurs à ceux des approches traditionnelles. Lorsque la XR était utilisée comme ressource supplémentaire aux côtés de l’enseignement conventionnel, cet effet était amplifié. La performance des connaissances avec la XR dépassait également celle des manuels et des atlas, 80 % des étudiants ayant utilisé la XR déclarant la considérer utile pour l’apprentissage de l’anatomie.

Une méta‑analyse distincte d’essais randomisés est parvenue à une conclusion similaire, tout en constatant une variation substantielle entre les études. Cette mise en garde est importante : la technologie spatiale n’est pas automatiquement éducative simplement parce qu’elle est immersive. Sa valeur dépend de la conception pédagogique, de la qualité de la représentation et de la façon dont l’expérience est intégrée au reste de la leçon.

Le même principe s’étend à l’ensemble des STEM. La physique implique des forces et des mouvements qui peuvent être difficiles à observer directement. Les sciences de la Terre et de l’espace traitent de phénomènes qui peuvent être trop grands, trop petits, trop éloignés ou trop dangereux à reproduire physiquement. Dans chaque cas, une bonne représentation spatiale peut rendre visibles des relations qui resteraient autrement abstraites.

Les environnements spatiaux peuvent également rendre l’expérimentation plus accessible. Au lieu de simplement voir le résultat d’un processus, les étudiants peuvent manipuler des variables, tester des hypothèses et observer le résultat. Une simulation permet à l’apprenant de faire une erreur, de modifier une hypothèse et d’essayer à nouveau sans consommer de matériaux physiques ni introduire les mêmes contraintes de sécurité et logistiques que certaines activités de laboratoire.

La recherche sur les systèmes biologiques complexes illustre particulièrement ce potentiel. Dans une étude sur la réalité virtuelle 3D à retour haptique pour l’apprentissage du cœur humain, on a examiné si une expérience 3D interactive pouvait soutenir les élèves du secondaire dans l’apprentissage de l’anatomie et de la physiologie cardiaques. Les chercheurs ont conclu que les technologies 3D, haptiques et VR peuvent fournir des représentations robustes et des interactions dirigées par les étudiants avec des systèmes biologiques complexes, tout en notant que les élèves plus jeunes peuvent nécessiter un soutien supplémentaire pour relier les nouvelles informations à des systèmes plus larges.

Ces exemples montrent également pourquoi l’éducation immersive doit être envisagée comme une catégorie plus large que la simple VR. L’expérience peut se dérouler dans un casque, via la réalité augmentée, sur un affichage 3D sans lunettes basé sur un écran ou via une autre interface. La question pertinente n’est pas quel facteur de forme est universellement le meilleur, mais lequel aide les étudiants à comprendre un concept qui serait autrement difficile à visualiser ou à expérimenter.

À mesure que cette catégorie s’élargit, le changement le plus important pourrait passer de démonstrations isolées à des expériences qui s’intègrent naturellement à l’enseignement ordinaire. Cela nécessite non seulement du matériel convaincant, mais aussi suffisamment de contenu, un alignement avec le programme et une facilité d’utilisation permettant à l’apprentissage spatial de devenir un autre outil pédagogique quotidien.

L’IA change l’économie de l’apprentissage spatial

Si l’apprentissage spatial a montré son potentiel depuis des années, pourquoi est‑il resté relativement spécialisé ? L’un des plus grands obstacles a été le contenu du point de vue économique. Une leçon interactive de haute qualité peut nécessiter une expertise disciplinaire, une conception pédagogique, de la modélisation 3D, du développement logiciel et un temps de production important. Ce modèle fonctionne pour des expériences phares sélectionnées ; il est beaucoup plus difficile à déployer à l’échelle d’un programme complet.

L’intelligence artificielle pourrait commencer à changer cette équation. L’IA générative est déjà adoptée par les éducateurs pour des tâches pratiques telles que la planification de cours, la recherche et le développement de contenu. Selon Gallup, six enseignants sur dix déclarent utiliser l’IA dans leur travail. Parmi les enseignants du secondaire inférieur, les perspectives de l’Éducation numérique 2026 de l’OCDE ont constaté que 57 % étaient d’accord que l’IA les aide à rédiger ou améliorer les plans de cours, tandis que 72 % pensaient que l’IA pourrait nuire à l’intégrité académique en permettant aux étudiants de faire passer un travail généré par d’autres pour le leur.

Ces chiffres illustrent à la fois l’élan et le défi que représente l’IA dans l’éducation. Les enseignants expérimentent déjà la technologie, mais les applications les plus utiles sont susceptibles d’augmenter plutôt que de remplacer le jugement professionnel. Le même principe doit guider l’utilisation de l’IA pour l’apprentissage spatial : automatiser les frictions, pas la pédagogie.

L’IA commence à automatiser des parties du flux de création de contenu spatial qui nécessitaient auparavant des workflows spécialisés. Selon le matériau, les modèles peuvent aider à l’estimation de profondeur à partir d’images 2D, à la segmentation, à la conversion 2D‑vers‑3D, à la génération d’actifs 3D à partir de texte ou d’images, à la reconstruction de scènes à partir de photographies et de vidéos, ainsi qu’à l’adaptation du matériel visuel pour différentes interfaces spatiales. Aucune de ces techniques n’est parfaite, mais ensemble elles modifient le point de départ. Une illustration de manuel, un diagramme scientifique, une photographie ou une vidéo peuvent de plus en plus devenir une matière première pour une expérience spatiale interactive plutôt que d’exiger qu’une équipe construise chaque actif à partir de zéro.

Ce changement est important car la mise à l’échelle de l’éducation repose en grande partie sur la réutilisation. Si les enseignants et les concepteurs pédagogiques peuvent partir de matériaux qu’ils connaissent déjà, tandis que l’IA prend en charge une plus grande partie du travail technique répétitif nécessaire pour rendre ces matériaux spatiaux, l’apprentissage immersif devient plus facile à imaginer à l’échelle d’un programme plutôt que comme une collection de démonstrations ponctuelles coûteuses.

L’IA peut également rendre la même leçon spatiale plus adaptable. Une structure moléculaire difficile, par exemple, pourrait d’abord être présentée sous une forme simplifiée, puis révélée progressivement avec plus de détails. Un autre étudiant pourrait passer plus de temps à manipuler le même modèle ou à recevoir un contexte explicatif supplémentaire. L’éducateur définit toujours l’objectif d’apprentissage ; l’IA peut aider à varier le chemin emprunté pour l’atteindre.

Cette possibilité doit être soigneusement planifiée et abordée. Les orientations de l’UNESCO sur l’IA générative dans l’éducation et la recherche préconisent une stratégie centrée sur l’humain qui protège l’autonomie humaine, répond aux préoccupations de confidentialité et de sécurité et garantit que les systèmes d’IA sont évalués quant à leur adéquation éthique et pédagogique. L’UNESCO souligne également que l’IA doit soutenir l’intelligence humaine plutôt que la remplacer. 

L’objectif, donc, ne doit pas être d’automatiser l’éducation. Il s’agit de réduire le coût et l’expertise nécessaires à la création d’expériences spatiales utiles tout en maintenant les éducateurs responsables de ce qui est enseigné, de la manière dont cela est enseigné et de la façon dont l’apprentissage est évalué.

Intégrer l’apprentissage spatial dans la classe quotidienne

La création de contenu n’est qu’une partie de l’équation. L’autre concerne la façon dont les étudiants accèdent à ces expériences.

Pendant une grande partie de l’histoire de la technologie immersive, le chemin le plus visible vers les expériences spatiales a été le casque de réalité virtuelle. Les casques peuvent créer des niveaux d’immersion puissants, mais le déploiement en classe soulève également des questions pratiques concernant le coût, la maintenance, l’accessibilité, la gestion des appareils et la facilité avec laquelle un enseignant peut passer d’une instruction individuelle à une instruction de groupe.

Ce n’est pas un argument contre les dispositifs portés sur la tête. Pour certaines leçons, l’immersion totale peut être exactement l’outil adéquat. Mais l’apprentissage spatial sera plus utile si les éducateurs peuvent choisir parmi plusieurs modes de diffusion. Les expériences 3D basées sur un écran, sans casque, par exemple, peuvent préserver de nombreux avantages de la visualisation spatiale tout en réduisant les frictions pour une utilisation dirigée par l’enseignant ou collaborative. La question n’est pas casque contre affichage ; il s’agit d’assortir l’interface à la méthode d’enseignement.

Cette distinction est importante car l’apprentissage en classe est intrinsèquement social. Les étudiants doivent poser des questions, comparer leurs observations et se référer à l’enseignant ou à leurs pairs. La technologie spatiale est la plus efficace lorsqu’elle soutient cette interaction plutôt que de devenir la destination elle‑même.

Un exemple concret utile est zSpace, dont la plateforme éducative combine du matériel 3D basé sur un écran, sans casque, avec des logiciels alignés sur le programme, des simulations et un apprentissage professionnel. La leçon importante porte moins sur un produit en particulier que sur le modèle de diffusion : l’apprentissage spatial est plus facile à intégrer lorsque la technologie se comporte comme une partie de la classe plutôt que d’exiger que chaque étudiant entre dans un environnement virtuel séparé.

Le même principe s’étend à l’apprentissage professionnel et médical. Chez UHealth – University of Miami Health System, les médecins utilisent Eonis Vision, développé par Avatar Medical avec Barco, pour transformer les scanners CT et IRM en anatomie 3D interactive et spécifique au patient lors des consultations. Le déploiement actuel se concentre sur la compréhension du patient et la communication clinique plutôt que sur l’enseignement médical formel, mais il illustre le même principe éducatif : l’anatomie complexe peut devenir plus facile à discuter lorsque deux personnes peuvent examiner ensemble la même représentation spatiale. Cette approche a un potentiel évident pour les étudiants et les stagiaires qui apprennent l’anatomie à partir de données cliniques réelles.

La recherche indique également que les technologies immersives et spatiales sont souvent de bons compléments à l’instruction conventionnelle plutôt que des remplacements. Les preuves anatomiques citées précédemment ont montré des gains particulièrement forts lorsque la XR était utilisée comme ressource supplémentaire. Cela soutient un modèle où les expériences spatiales sont intégrées à une leçon plus large aux côtés de discussions, de lectures, d’expérimentations physiques et de l’orientation de l’enseignant.

La prochaine génération d’apprentissage numérique

La première vague d’éducation numérique a facilité l’accès à l’information. La prochaine vague rendra l’information spatiale. Il s’agit d’un changement plus fondamental que simplement placer un autre type de contenu sur un écran, car cela modifie la façon dont les étudiants peuvent interagir avec l’information elle‑même.

Au lieu de simplement lire à propos d’une structure complexe, les étudiants peuvent l’examiner. Au lieu de regarder un diagramme d’un système, ils peuvent le manipuler. Au lieu de mémoriser les étapes d’un processus, ils peuvent modifier des variables et observer les conséquences. Ces expériences peuvent aider à combler le fossé entre une explication abstraite et le modèle interne de l’apprenant sur le fonctionnement de quelque chose.

La salle de classe traditionnelle ne disparaîtra pas à l’avenir. Les enseignants restent essentiels, et les compétences fondamentales telles que la lecture, l’écriture, la discussion et la pensée critique restent tout aussi importantes. L’opportunité est d’assortir le format d’apprentissage à la nature du concept : certaines idées sont mieux enseignées par le cours magistral ou le texte, d’autres par l’expérimentation physique et d’autres deviennent beaucoup plus faciles à comprendre lorsque les étudiants peuvent voir comment les composants se rapportent dans l’espace.

L’IA et l’informatique spatiale peuvent rendre cette dernière catégorie beaucoup plus accessible. L’IA peut réduire le temps, le coût et l’expertise spécialisée nécessaires pour transformer les matériaux existants en expériences interactives, tandis que les avancées du matériel spatial peuvent rendre ces expériences disponibles dans davantage de contextes de classe et sur davantage d’appareils.

La classe elle‑même pourra donc sembler étonnamment familière. Les enseignants enseigneront toujours et les étudiants collaboreront toujours. Ce qui change, c’est la nature de certaines informations à l’intérieur de cet environnement : les étudiants peuvent de plus en plus explorer, manipuler et comprendre ces informations sous plusieurs perspectives plutôt que de se contenter de consommer une représentation fixe.

C’est la promesse plus large du passage du numérique à l’apprentissage spatial. Il ne s’agit pas de remplacer les façons dont les étudiants apprennent aujourd’hui, mais d’élargir le nombre de manières dont ils peuvent comprendre ce qui leur est enseigné. Si l’IA continue à abaisser les barrières à la création de contenu spatial, l’apprentissage immersif aura une voie claire, des expériences spécialisées jusqu’à un outil ordinaire de la boîte à outils de l’éducateur.