Base de connaissances AIEdAIEd KB
Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Concepts

L'agence de l'apprenant

Création 2026-08-13 · Mise à jour 2026-10-10

Traduction automatique de la page anglaise, non relue par un locuteur natif.

Agence de l'apprenant (learner agency) — la capacité des apprenants à agir intentionnellement, à faire des choix et à exercer un contrôle sur leur propre apprentissage. Dans l'IA en éducation, l'agence est une préoccupation centrale, car les outils d'IA peuvent à la fois soutenir et saper le contrôle des apprenants : une IA bien conçue préserve et amplifie l'autonomie de l'apprenant, tandis qu'une dépendance excessive ou l'acceptation passive des productions de l'IA peuvent l'éroder. L'agence rejoint l'L'apprentissage autorégulé, la La motivation, la Le sentiment d'efficacité personnelle et la conception éthique des systèmes d'IA, et elle est étroitement liée aux concepts psychologiques d'autonomie et de sentiment d'agence.

Questions à examiner

  • L'agence de l'apprenant — votre capacité à agir intentionnellement et à contrôler votre propre apprentissage — est centrale dans l'IA en éducation. Lorsque vous utilisez un outil d'IA, quel contrôle conservez-vous réellement sur le processus d'apprentissage, par rapport à l'outil ?
  • L'IA peut à la fois soutenir et saper l'agence : une IA bien conçue amplifie votre autonomie, tandis qu'une dépendance excessive l'érode. Repensez à un moment où vous avez laissé une IA « faire le travail ». Avez-vous moins appris, même si le résultat semblait meilleur ?
  • Les étudiants qui délèguent l'interprétation à l'IA peuvent perdre le contrôle sur leur propre raisonnement. Lorsque vous confiez une tâche à l'IA, quelle part de votre propre pensée abandonnez-vous discrètement ?
  • Une étude a montré que l'apprentissage autonome préalable des étudiants avec l'IA prédisait ce qu'ils retiraient de l'enseignement — les apprenants à forte agence en bénéficiaient le plus. Si l'agence est en partie une compétence que vous apportez, comment votre propre contexte pourrait-il la construire plutôt que la présupposer ?
  • L'agence n'est pas seulement un trait : elle émerge d'instant en instant dans le travail de groupe, où l'IA peut redistribuer qui façonne une collaboration sans que les apprenants s'en aperçoivent. Quand avez-vous remarqué pour la dernière fois un outil orienter silencieusement la direction d'un groupe ?
  • Des personas d'IA contestataires pourraient pousser les groupes vers un challenge productif, mais ils ont aussi réduit la satisfaction liée au travail d'équipe et la sécurité psychologique. Une friction productive peut-elle exister sans sécurité psychologique — et qu'est-ce que cela implique pour la conception de coéquipiers d'IA ?

Introduction

L'agence importe parce que l'apprentissage est le plus efficace lorsque les apprenants sont des participants actifs et intentionnels plutôt que des récepteurs passifs. Les systèmes d'IA — qu'il s'agisse d'agents tutoriels, de robots ou de agents conversationnels — façonnent le degré de contrôle que les apprenants conservent sur leur processus d'apprentissage. Préserver l'agence constitue donc un principe de conception clé d'une IA responsable en éducation, aux côtés du soutien de la Le sentiment d'efficacité personnelle, de l'établissement de la Confiance et de l'évitement du dépendance excessive.

Mishra et al. présentent l'opposition entre contrôle et agence comme la tension essentielle et récurrente de l'IA en éducation — des premiers tuteurs intelligents jusqu'à l'IA générative actuelle — faisant de l'agence de l'apprenant l'axe durable des débats du domaine.

Une vision de l'agence comme jeu à somme nulle face aux outils agentiques : Prieto et Dimitriadis (2026) soutiennent que plus les outils d'IA éducatifs se voient accorder d'agence, moins les apprenants en conservent — que l'agence est en réalité un jeu à somme nulle, et que les approches actuelles centrées sur l'humain (par ex. le value-sensitive design) sont insuffisantes parce que la dépendance excessive et l'isolement sont dus à des facteurs systémiques plus larges et à la tendance humaine à emprunter le chemin le plus facile. Leur vision d'une conception émancipatrice, orientée vers l'épanouissement de l'apprenant au sein de systèmes complexes, traite la préservation et la culture de l'agence de l'apprenant comme l'objectif central de la conception de l'IA générative plutôt que comme une réflexion accessoire.

L'agence comme finalité, et pas seulement comme capacité : Là où les cadrages précédents demandent quelle part d'agence les apprenants conservent, Fagerlund et al. (2026) demandent à quoi sert l'L'IA en éducation. Après avoir interrogé treize enseignants finlandais, de la maternelle à la 9e année, sur les finalités de l'enseignement avec et sur l'IA, et lu leurs récits à travers les trois domaines de finalité éducative de Biesta (qualification, socialisation, subjectivation), ils ont trouvé que la compétence était la finalité la plus claire et la plus concrète : les enseignants voulaient que les élèves comprennent l'IA comme un phénomène sociotechnique et utilisent ses outils. La subjectivation, c'est-à-dire un engagement autodéterminé et personnellement signifiant avec l'IA, a été affirmée comme importante mais laissée sans stratégies pédagogiques concrètes, les enseignants se rabattant sur la discussion et la contemplation génériques plutôt que sur des activités conçues. Les auteurs proposent l'agence IA éclairée comme heuristique plaçant la subjectivation au centre tout en traitant les compétences comme son fondement explicatif, aidant les élèves à voir quelles options existent et à choisir ce qu'ils veulent poursuivre. La conséquence pratique est directe : un curriculum axé d'abord sur les compétences peut évincer la finalité agentique qu'il est censé servir, et le remède consiste à expliciter le « pourquoi » de l'éducation à l'IA plutôt qu'à ajouter une compétence de plus à la liste.

Comment l'agence apparaît dans les recherches de la base de connaissances

Évalué sur dix modèles, le soutien à l'agence est le domaine où ils performent le moins, après l'apprentissage. ImpactBench a mesuré « Agency & Purpose » à 56.0% sur les critères positifs (IC à 95% [49.2, 62.5]) et à 43.9% sur les critères négatifs ([36.9, 50.8]), le deuxième plus faible des 14 sous-domaines, et ses critères d'assistance préservant l'autonomie demandent si un modèle propose un contexte et des compromis plutôt que de prescrire un plan d'action (ImpactBench (2026)). Les modèles étaient aussi bien moins constants pour éviter de nuire que pour être utiles : un écart de 38.6 points contre 15.9 points.

Le coût dépend de la couche déléguée : dans une étude d'écriture de huit semaines, déléguer le raisonnement — justifications, contre-arguments, interprétation des preuves — présentait l'association négative la plus forte avec la performance indépendante (ab = −0.34), et l'écriture auto-régulée l'atténuait sans jamais l'inverser (Chen (2026)).

Une étude de panel à trois vagues portant sur 342 étudiants de premier cycle répartis en 85 groupes d'écriture fixes donne une direction temporelle à cette préoccupation : une fois les différences interindividuelles stables isolées dans un modèle de panel croisé à intercepts aléatoires, une dépendance au IA générative supérieure à l'habitude prédisait une agence perçue ultérieure plus faible, tandis que les chemins allant de l'agence vers la dépendance étaient plus faibles et non étayés statistiquement, bien que les intervalles de confiance et les analyses de sensibilité Monte Carlo laissent possibles de faibles effets inverses. Les données de journal (log) mettent aussi en garde contre une lecture du volume d'usage comme perte d'agence — la dépendance auto-déclarée correspondait bien à l'intensité d'usage de l'IA, mais les journaux ne pouvaient distinguer la consultation stratégique du Délestage cognitif ou de la déférence, si bien que les tableaux de bord devraient lire l'intensité conjointement aux traces de discours, de réflexion et de révision (Wu et Lu, 2026).

Un récit complémentaire élargit l'ASL plutôt qu'il ne la remplace : de Barba (2026) distingue la régulation (gérer son propre processus), l'intégration (organiser le soi à travers le temps et les contextes) et le positionnement (interpréter de façon critique ce que l'environnement mesure), et soutient qu'une conception orientée vers l'agence doit faire passer les apprenants d'une « agence dans les conditions » à une « agence sur les conditions » au lieu d'optimiser des proxies comportementaux.

  • Concevoir pour l'agence : la conception fondée sur la connaissance pour des robots sociaux génératifs (Teachy Mini) aborde des risques comme la dépendance excessive, qui sapent l'agence de l'apprenant.

  • Concevoir pour la passation de relais, pas pour un engagement prolongé. Le prototype bimodale Amico traite l'IA comme une médiation bornée et temporaire dont le succès se mesure aux transitions observables vers les enseignants, les pairs ou la communauté, et non au temps passé avec l'IA ; son pilote Italie–Chine a montré que les apprenants le reconnaissaient comme un outil borné plutôt que comme un substitut relationnel (Benedetti (2026)).

  • L'étayage adaptatif se négocie contre l'autonomie professionnelle. de Jong (2026) soutient que, l'adaptation exigeant du système qu'il évalue la compétence de l'utilisateur, elle réduit l'autorité des professionnels sur leur propre développement et risque un sur-étayage des experts, et qu'un mécanisme perçu comme inutile sera purement et simplement ignoré — laissant ouverte la question de savoir qui décide quels utilisateurs reçoivent un étayage : le système, l'organisation ou le professionnel.

  • Un étayage plus performant n'est pas plus d'agence. Un bot de conception expert sur mesure a accru la durée d'interaction et les prompts auto-générés des enseignants en formation initiale, pourtant l'agence en résolution collaborative de problèmes a chuté, tant dans cette condition que dans la condition ChatGPT, les participants se rangeant à l'avis du bot au lieu de le critiquer (Krushinskaia et al. (2026)).

  • L'agence préalable prédit qui en bénéficie : Liang et al. (2026), s'appuyant sur la théorie sociale cognitive de Bandura, ont montré que l'apprentissage autonome préalable des étudiants avec l'IA (une manifestation comportementale de l'agence) prédisait ce qu'ils retiraient d'une année d'enseignement de l'IA à l'école — les apprenants à forte agence arrivaient avec la meilleure préparation, tandis que les curricula scolaires réduisaient les écarts psychologiques mais laissaient intacts les écarts cognitifs. L'instruction structurée et l'apprentissage préalable lié à l'agence agissaient de manière synergique, et non comme des substituts.

  • La sélectivité principielle comme agence enseignante face au changement technologique : Adiozaman et Segar (2026) ont interviewé deux universitaires expérimentés trois fois au cours d'un semestre et constaté qu'ils naviguaient l'enseignement médiatisé par l'IA ni par une adoption ni par une résistance de principe, mais par des décisions délibérées et sensibles au contexte, guidées par des valeurs pédagogiques, un engagement éthique et le jugement professionnel — un schéma que les auteurs nomment sélectivité principielle, dans lequel le refus d'un usage particulier compte comme un jugement plutôt que comme une adoption manquée. C'est le pendant, du côté enseignant, des résultats côté apprenant : une utilisation inégale de l'IA peut être un exercice d'agence, et non la preuve de son absence.

  • L'agence enseignante comme condition médiatrice de l'agence de l'apprenant : les résultats les plus récents côté enseignant rendent explicite une division que les résultats côté apprenant laissent implicite : l'agence enseignante s'exerce au moment de la conception et est médiatrice, l'agence de l'apprenant se joue dans l'instant, et la première fixe les conditions de la seconde. Canonigo (2026) a suivi dix enseignants de mathématiques du secondaire pendant une intervention de huit semaines avec ChatGPT-4 et constaté que, là où les enseignants conservaient et interrogeaient les productions de l'IA (posant des problèmes ouverts, pré-promptant l'outil pour qu'il délivre des indices en retenant les solutions, exigeant des élèves qu'ils placent les productions de l'IA à côté de leur propre travail et argumentent quelle méthode était la meilleure), l'IA devenait un artefact provisoire offert à la critique et les élèves se dirigeaient vers la conjecture et l'interrogation métacognitive ; là où la médiation était absente, l'autorité migrait vers l'algorithme et les enseignants devenaient des validateurs plutôt que des premières sources de savoir — un glissement qu'un enseignant décrivait comme le passage de l'« oracle » à l'« éditeur ». L'inégale qualité des outils accroît ce que cette médiation doit porter : sur 50 prompts soumis trois fois à chaque modèle, l'offre gratuite était inexacte dans 49 des 150 réponses (32.7%) contre 18 des 150 (12%) pour l'offre premium (χ2(1) = 17.5, p < .001). Charles (2026) en tire l'implication pour la préparation : l'agence enseignante est une ressource professionnelle mobilisée par des décisions de conception et des artefacts, si bien que la préparation devrait se juger à partir des productions que conçoivent les enseignants plutôt qu'à la fréquence de leur usage de l'IA, et une décision raisonnée de ne pas recourir à l'IA peut elle-même témoigner de la préparation. Lus ensemble, ces résultats mettent en garde contre une lecture d'une forte utilisation de l'IA comme preuve d'une classe agentique, puisque la disposition qui préserve l'agence de l'apprenant s'exerce dans ce qu'un enseignant conçoit et critique, non dans le fait que l'outil soit présent.

  • L'accès au choix n'est pas l'agence en acte : Su, Nair et Nagashima (2026) ont réparti aléatoirement 69 étudiants universitaires dans un plan 2 × 2 croisant le contrôle des paramètres d'une Simulation de banc de poissons avec l'accès à un agent conversationnel facultatif, et n'ont trouvé aucun effet fiable de l'une ou l'autre affordance sur les gains d'apprentissage une fois les connaissances antérieures contrôlées (contrôle des paramètres F(1, 50) = 0.04, p = .849 ; agent F(1, 50) = 2.68, p = .108). Les gains dépendaient de la manière dont le contrôle était utilisé : le temps passé sur les curseurs dans la leçon conceptuellement la plus complexe prédisait des gains plus élevés (β = .11, p = .007), tandis que le même comportement dans la leçon plus facile prédisait des gains plus faibles (β = −.04, p = .047), et l'engagement avec l'agent facultatif allait de 0 à 32 questions par apprenant sans lien avec les résultats. Les auteurs y lisent une agence mise en acte plutôt qu'octroyée : la question de conception est de savoir ce qui aide un apprenant à décider ce qui vaut la peine d'être changé et à en remarquer les conséquences.

  • La délégation épistémique dans la recherche en début de carrière : Han et Liu (2026) qualifient la dépendance à l'IA chez les doctorants et postdoctorants de délégation épistémique — le transfert au système intelligent de la problématisation, du choix de méthode et de l'autorité interprétative — et la trouvent associée négativement à la fois à l'auto-efficacité en recherche et à l'autonomie de recherche, le soutien de l'encadrement atténuant la perte. Cela prolonge les débats sur l'agence, de l'autonomie de l'apprenant à la formation du chercheur lui-même.

  • L'autorité interprétative comme variable de conception (un cadre conceptuel). Porath (2026) reformule la question du « qui décide » comme la distribution de l'autorité interprétative — qui définit les problèmes, évalue les réponses et détermine quand la compréhension est atteinte — en cartographiant quatre configurations non hiérarchiques (à dominance humaine, assistive par l'IA, directive par l'IA, partenariat dialogique) que les classes traversent à l'intérieur d'une même tâche, et en ancrant les glissements dans cinq couches écologiques allant de la métacognition individuelle aux récits socioculturels. La thèse normative de l'article rejoint les données de cette page : les configurations directives par l'IA, si sophistiquées soient-elles, peuvent supprimer la lutte productive et la régulation métacognitive — les mêmes capacités que cette page identifie comme le substrat de l'agence. En tant que pièce conceptuelle, elle apporte un vocabulaire diagnostique, non des données empiriques.

  • Le contrôle entre enseignant et étudiant n'est pas un jeu à somme nulle — mais la bonne distribution dépend de l'étape. Une étude de speed-dating participatif menée auprès de 17 enseignants et 13 étudiants classant 34 dispositifs de contrôle hybride a montré que les deux groupes préféraient un fort contrôle de l'enseignant pendant la préparation et l'amorçage, puis progressivement plus de poids aux étudiants à mesure que la collaboration se déployait — et qu'aucun des deux groupes n'a jamais préféré le plein contrôle par les étudiants. Les préférences se faisaient écho : les enseignants voulaient plus de contrôle sur le moment de la mise en binôme, tandis que les étudiants voulaient pouvoir signaler eux-mêmes leur degré de préparation ; les étudiants faisaient confiance au choix du partenaire par l'enseignant, tandis que les enseignants voulaient entendre la voix des étudiants sur les partenaires. L'implication pour la conception : répartir l'agence par point de décision et par étape, avec des propositions d'étudiants bornées et structurées, validées par des analyses destinées à l'enseignant, plutôt qu'une mainmise libre. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)

L'agence rejoint l'L'apprentissage autorégulé, la La motivation, la Le sentiment d'efficacité personnelle, l'L'expérience étudiante, la Collaboration humain-IA, l'L'éthique, le dépendance excessive et la La métacognition. C'est une considération centrale en robotique, dans le domaine de l'tutorat et dans la conception des agents d'apprentissage par l'IA.

  • L'usage borné comme contrôle épistémique, et non comme réticence. Zagami (2026) rapporte que les étudiants les plus performants d'une enquête universitaire à 484 réponses montraient un engagement actif moindre avec l'IA et un impact perçu plus faible sur l'apprentissage, tout en déclarant aussi un moindre désengagement lié à l'IA, et décrivaient leur propre usage comme intensif en vérification : productions contrôlées, puis subordonnées à leur propre raisonnement. Lue comme une agence plutôt que comme une évitement, cette configuration est une rétention délibérée du jugement — les étudiants gardant la paternité de la conclusion tout en utilisant l'outil pour clarifier et résumer.

C'est le travail de frontière soutenu, et non l'habileté avec l'outil, qui sépare l'agence de la délégation : les étudiants utilisant le même outil fondé sur la recherche documentaire produisaient des artefacts d'une qualité de présentation comparable, qu'ils contraignent et réécrivent ses productions ou qu'ils abandonnent tôt l'interprétation, si bien que la différence n'apparaissait que dans les prompts, la latence, les corrections et les refus (O'Byrne, 2026).

  • Agir, savoir et répondre ne sont pas la même chose. Une analyse de discours assistée par corpus de 366 résumés d'articles d'enseignement supérieur sur le IA générative nomme l'IA comme acteur 2,050 fois sans jamais la rendre responsable, tandis que la responsabilité de juger les productions et de vérifier les affirmations est placée sur les étudiants : activation grammaticale, agence fonctionnelle, autorité épistémique et responsabilité normative se disjoignent (Poudyal, 2026).
  • L'agence a trois modes, et le troisième est celui que fournit la politique. Avec seulement 18% des enseignants et 24% des chefs d'établissement déclarant une politique d'établissement sur l'IA, la plupart des éducateurs exercent une agence individuelle sans aucune agence par procuration agissant pour eux — le troisième mode de Bandura, fourni par les règles institutionnelles (Tench, Weinstein et James, 2026).

L'agence comme phénomène émergent et interactionnel

L'agence de l'apprenant n'est pas seulement un trait individuel statique : c'est aussi un processus émergent, constitué interactionnellement, mis en acte à travers le discours et la coordination moment par moment du travail de groupe. Dans l'apprentissage collaboratif, l'agence est distribuée et renégociée à travers l'interaction de processus divergents (générer des idées, explorer des alternatives) et de processus convergents (évaluer, intégrer, synthétiser). Cette vue importe pour l'IA, car les systèmes d'IA agentique peuvent subtilement redistribuer le travail épistémique et régulateur au sein d'un groupe, remodelant qui contribue, qui façonne la directionnalité et qui régule la progression — souvent sans que les apprenants en soient conscients.

  • L'agence comme qualité émergente d'une configuration de compétences. Le cadre de compétence en collaboration humain-IA exclut délibérément l'agence de l'apprenant comme composante autonome et la traite comme ce que les apprenants expriment lorsqu'ils coordonnent la compétence de domaine, la compétence en IA et la compétence métacognitive — le travail intégratif que le modèle TPACK assigne à la pédagogie passant à la propre Réglementation de l'IA dans l'éducation métacognitive de l'apprenant ; sur 24 éducateurs de l'enseignement supérieur, chaque dimension apparaissait dans leurs propos, la dimension de domaine (12–19% des unités codées) et celle d'IA (16–22%) étant mises en avant (Dang et al., 2026).

  • Jin et al. (2026) fournissent les preuves les plus directes : dans une vaste expérience (224 étudiants, 97 triades) où l'IA opérait comme une coéquipière non divulguée, des personas d'IA bienveillants et contestataires reconfiguraient néanmoins l'agence émergente. L'IA contestataire tirait le discours vers des trajectoires orientées vers le défi et la réflexion (friction productive), tandis que l'IA bienveillante stabilisait l'accord et relançait l'idéation.

  • Les personas d'IA comme mécanismes de gouvernance du discours. Les personas contestataires extériorisaient le fardeau de la contestation (redistribuant le travail épistémique vers la critique), tandis que les personas bienveillants extériorisaient l'affirmation et le maintien du consensus. L'étude a identifié six profils émergents d'agence — notamment, la Réglementation de l'IA dans l'éducation réflexive était uniquement humaine (l'IA extériorisait la critique et l'affirmation, mais non le suivi de niveau méta).

  • Le coût affectif de la friction. L'IA contestataire réduisait la satisfaction liée au travail d'équipe et la sécurité psychologique sans produire de gains de performance créative, découplant la stimulation épistémique de la Durabilité expérientielle. Cela avertit que les structures de discours « productives » doivent être interprétées conjointement à leurs conséquences émotionnelles — l'agence ne s'épanouit que dans un climat psychologiquement sûr.

  • La participation implicite de l'IA est une gouvernance invisible. Parce que les personas fonctionnaient même sans divulgation de l'IA, l'étude positionne la conception de personas comme une forme de gouvernance invisible sur les processus collaboratifs — un résultat aux implications directes pour les assistants d'écriture, les systèmes de Évaluation par les pairs et les plateformes de travail d'équipe qui peuvent façonner les contributions sans annoncer leur présence.

  • Trois configurations d'agence dans l'évaluation de groupe. Chen et Zou (2026) ont interviewé 15 groupes de discussion d'enseignants en formation initiale au sujet d'une présentation de groupe authentique et ont trouvé l'agence opérant dans trois directions à la fois : cinq groupes intensifiaient l'usage du GenAI comme infrastructure de coordination (agence orientée coopération — décoder les sections des pairs, aligner les parties, protéger une note partagée), sept le contenaient (agence normative — frontières tracées pour protéger l'authenticité, l'équité, l'originalité et la diversité des perspectives), et trois ne changeaient jamais la pratique par rapport au travail individuel (agence non mise en acte, où la capacité individuelle n'était jamais mobilisée collectivement). Leur distinction importe parce que la retenue était ici une autorégulation normative plutôt qu'une conformité ou un désengagement, et parce que la capacité seule ne produisait pas d'agence collective. L'appartenance au groupe inversait aussi la responsabilisation que le travail de groupe est censé créer : un climat collectif permissif abaissait le risque perçu de mésusage au lieu d'élever l'engagement.

  • L'agence comme soi relationnel. Xie (2026) met au défi le modèle individualiste de l'agence que, soutient-il, même les critiques de l'IA présupposent. S'appuyant sur le soi relationnel taoïste — un soi « fluide et hétérogène » constitué à travers les relations avec autrui et le cosmos — il conclut qu'une fracture numérique ou une discrimination algorithmique est « une violation de la constitution fondamentale du soi », faisant de l'égalité d'accès à l'apprentissage « non pas simplement une injonction éthique mais un donné ontologique », et que le pouvoir asymétrique et les coûts environnementaux sont des « dimensions intégrales du soi » plutôt que des externalités. Son contre-idéal, le « Zhenren » (真人) ou apprenant naturel, traite l'IA comme un « adjoint instrumental » plutôt qu'un substitut cognitif — l'agence comme plénitude cultivée, non optimisation sans friction.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Pour les contextes collaboratifs, cela reformule la question de conception : non pas si l'IA peut participer comme coéquipière, mais comment sa participation structurée équilibre la rigueur épistémique, la sécurité émotionnelle et le sentiment de propriété des apprenants. La friction bornée (défi contraint, associé à des mouvements intégratifs et de réparation) et la littératie méta-collaborative explicite sont les garde-fous recommandés.

Une lecture structurelle de l'agence apparaît dans le cadre d'évaluation joyeuse d'El Khoury et Ma, où l'agence est traitée comme une propriété de conception plutôt que comme une motivation : les étudiants choisissent l'ordre des tâches, fixent le rythme et signalent quand une interaction se termine, si bien que le soutien est disponible tandis que la responsabilité du travail reste du côté de l'apprenant. Le mécanisme qu'ils nomment est l'appréciation — répéter sans public et choisir quand commencer change ce qu'une tâche signifie, d'un verdict à quelque chose qu'un étudiant peut façonner — et ils soutiennent que l'expérience répétée de ce glissement est ce qui fixe des sentiments occasionnels d'efficacité en une posture quotidienne envers l'évaluation.

L'agence et l'identité de l'apprenant

L'identité d'apprenant et l'agence de l'apprenant sont faciles à confondre, alors qu'elles désignent des choses différentes — et toutes deux sont remodelées par l'IA.

  • L'agence est mise en acte ; l'identité est habitée. L'agence est la capacité située d'agir intentionnellement et de diriger son apprentissage maintenant — une propriété variable et interactionnelle. L'identité est le sens plus durable, narratif, de qui l'on est et de qui l'on devient comme apprenant. L'agence est un processus ; l'identité est un état d'être qui s'accumule à partir de lui.
  • L'identité est une agence intériorisée. Les actes agentiques répétés — choisir, créer, persister — sont la manière dont un apprenant en vient à se voir comme une personne agentique et compétente. L'identité est le sédiment de l'agence à travers le temps, renforcé par la reconnaissance et l'appartenance.
  • Des modes d'échec distincts. L'agence est érodée par le dépendance excessive et l'acceptation passive (l'apprenant cesse de diriger son raisonnement) ; l'identité est érodée par la perte de paternité et la menace sur la compétence (l'apprenant cesse de sentir que la production est la sienne, ou qu'il appartient au domaine). La redistribution implicite par l'IA du travail épistémique est avant tout une préoccupation d'agence ; le paradoxe de la compétence dans les domaines créatifs est avant tout une préoccupation d'identité.
  • Les deux doivent être conçues pour. La conception orientée vers l'agence préserve le contrôle et le choix (friction productive bornée, supervision humaine dans la boucle, transparence) ; la conception orientée vers l'identité protège la paternité et la reconnaissance (évaluation authentique, attribution claire de la contribution de l'IA vs. humaine, tâches qui permettent aux apprenants de s'approprier un domaine). Protéger l'agence sans protéger la paternité conserve le contrôle mais non l'estime de soi — et inversement.

Cette distinction entre agence mise en acte et identité stable s'applique au refus. Comme le décrit Zagami (2026), refuser un chatbot pour un écrit évalué, l'interdire pour le raisonnement non assisté, résister au tri automatisé dans l'accompagnement des étudiants, ou retarder une acquisition sont des relations distinctes à des systèmes distincts, couvrant les niveaux personnel, pédagogique, professionnel, administratif et institutionnel plutôt qu'une disposition unique et durable. Ce droit est inégalement réparti : les étudiants dotés d'une confiance académique peuvent refuser sans pénalité, tandis que ceux qui ont besoin d'un soutien linguistique, d'accessibilité ou de retour rapide lisent le refus comme une occasion perdue, et les universitaires établis refusent par principe tandis que le personnel occasionnel ressent une pression à adopter. Là où l'IA s'inscrit dans l'infrastructure, le refus se déplace de l'opt-out individuel vers l'acquisition, l'audit et la contestabilité.

  • Le refus comme construction de l'identité, et pas seulement comme une décision (étudiants de couleur dans l'apprentissage en apprentissage). Gyekye (2026) a interrogé cinq apprentis du secondaire pendant 9 mois et a constaté qu'ils se sont construits eux-mêmes à travers l'IA en trois mouvements : le refus (le non-usage comme alignement institutionnel), la négociation (réparer les inadéquations institutionnelles, la vie privée comme abstraction lointaine) et la reconnaissance (assimiler l'équité à l'absence de biais visible — une « platitude culturelle » dans laquelle leurs identités ne sont pas représentées dans les réponses de l'IA). Les deux concepts interprétatifs de l'étude — Institutional AI Literacy et Recognition Bandwidth — nomment la capacité à rendre l'usage de l'IA lisible institutionnellement et la marge dont disposent les étudiants pour se voir reconnus dans les productions de l'IA. Une enquête narrative à cinq étudiants dans un seul programme ; sa contribution est de montrer que l'usage de l'IA, sa limitation et son refus sont liés à la manière dont les apprenants se comprennent comme auteurs et comme professionnels en devenir.

Le cadre de co-agence écologique : l'agence comme problème de conception épistémique

Poudyal (2026) reformule l'agence de l'apprenant comme fondamentalement une préoccupation épistémique : l'IA générative ne se contente pas d'ajouter un outil, elle réassigne l'autorité épistémologique — la capacité à produire du savoir, à valider des affirmations et à créer des preuves d'apprentissage — des enseignants aux étudiants puis aux machines. Le cadre de co-agence écologique de l'article traite la co-agence comme la relation entre trois dimensions interdépendantes, toutes bornées par une condition non négociable de responsabilité épistémique humaine :

  • Co-agence relationnelle — l'agence comme produit de l'interaction entre étudiant, outil et contexte, requérant une division transparente des tâches déléguées à l'IA et de celles qui sont conservées, plus une co-agence éthique dans laquelle les humains conservent la responsabilité première et agissent en capacité de supervision.
  • Co-agence régulatrice — faire correspondre le cycle d'apprentissage auto-régulé (avant-pensée, performance, réflexion) à la médiation par l'IA. Le fait que le GenAI intervienne avant ou après la tentative de l'apprenant détermine s'il amplifie ou érode le contrôle perçu ; le déchargement stratégique ne soutient l'apprentissage transformateur que lorsque la décision de déléguer est intentionnelle plutôt que routinière.
  • Co-agence pédagogique — placer les enseignants au centre, se déplaçant le long d'un continuum observateur–adoptant–collaborateur–innovateur qui dépend du soutien institutionnel, et non de la disposition individuelle.

La condition aux limites du cadre exige la contestabilité (la capacité à questionner et recouper les productions de l'IA), la provenance (savoir d'où viennent les données d'entraînement et les productions) et la non-délégation du crédit moral et intellectuel (les jugements à enjeux élevés concernant le bien-être des étudiants, leur statut académique et leurs notes ne doivent pas être déterminés par la seule IA). Cela donne aux éducateurs et aux décideurs un vocabulaire plus précis que le vague « équilibre » entre contributions humaines et artificielles, reliant l'agence à l'L'éthique, l'Évaluation, l'L'équité et la La gouvernance de l'IA.

Un cadrage étroitement lié est celui de l'agence épistémique relationnelle (Du et Yuan 2026), qui s'accorde sur le fait que l'agence est socialement habilitée et technologiquement médiatisée plutôt qu'une question d'isolement vis-à-vis de la dépendance. Là où le cadre de co-agence écologique souligne la responsabilité épistémique humaine comme frontière non négociable, Du et Yuan retiennent une asymétrie explicite : les systèmes d'IA peuvent façonner et étendre le raisonnement sans posséder de responsabilité réciproque ni d'autorité légitime. Leurs six critères diagnostiques — contestabilité, recouvrabilité, transfert, traçabilité, responsabilité distribuée et pluralité épistémique — fournissent un test pratique pour déterminer quand une relation humain–IA préserve la capacité de l'apprenant à participer à la formation, à l'évaluation et à l'acceptation des affirmations, et quand elle se contente de livrer un produit. L'agence, selon ce compte, n'est pas l'indépendance vis-à-vis des outils mais la capacité à juger de manière responsable avec, à travers et contre les systèmes qui médiatisent le savoir.

  • L'agence déléguée comme mécanisme, et pas seulement comme risque. Yan et Gašević (2026) traitent la délégation du travail cognitif à l'IA comme une partie de la manière dont l'apprentissage advient, et non comme une simple menace pesant sur lui : dans leur compte, la performance assistée ne devient une capacité durable que lorsque l'apprenant conserve la responsabilité de problématiser, de fixer les critères et de justifier les réponses — une division du travail qu'ils nomment agence déléguée. C'est l'allocation elle-même qui devient ainsi la variable de conception, puisque le même outil peut préserver ou dissoudre l'agence de l'apprenant selon les responsabilités qu'il absorbe.

Concepts liés

Articles liés

FAQ liées

Métadonnées

Public viséLearners
Apprentissage et enseignementLa motivation, L'apprentissage autorégulé
Équité, éthique et usage responsableL'éthique
Fondements de l'IA dans l'éducationL'agence de l'apprenant, Délestage cognitif, Collaboration humain-IA
SourceHistoryEditChat

Intégrer cette page

Copiez le code ci-dessous pour intégrer cette page dans un système de gestion de l'apprentissage ou un autre site. La version intégrée n'affiche que le contenu de la page : l'en-tête, la navigation et le pied de page du site sont masqués.