Les usages de l’intelligence artificielle générative en éducation se multiplient chez les enseignants. Ils l’utilisent aussi bien pour planifier leurs enseignements que pour évaluer les apprentissages. Peu importe les usages, il est essentiel que les enseignants apprennent à rédiger des prompts efficaces. Différentes techniques de prompting sont décrites dans la littérature, notamment le zero-shot, le one-shot et le few-shot. La technique few-shot demande aux utilisateurs de fournir plusieurs exemples de réponses dans le prompt. Cependant, un nombre élevé d’exemples ne garantit pas nécessairement une meilleure qualité de réponse. La pertinence des exemples repose sur leur conformité à certains critères spécifiques. Dans le cadre de cette étude, l’objectif est de comprendre les facteurs qui influencent le choix des exemples par les futurs enseignants lors de la rédaction de leurs prompts. Les résultats mettent en évidence des facteurs liés à leur expérience en enseignement, ainsi qu’à la similarité entre les exemples fournis et la réponse attendue.