Apprentissage collaboratif

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

L'apprentissage collaboratif — des approches pédagogiques où les étudiants travaillent ensemble pour résoudre des problèmes, accomplir des tâches ou construire des connaissances, soutenus ou médiatisés par des outils d'IA. Dans le champ de l'IA en éducation, la recherche sur l'apprentissage collaboratif couvre l'IA comme partenaire de collaboration, l'IA comme médiatrice de la collaboration humaine, et la conception de systèmes de tutorat collaboratif par IA.

Questions à examiner

• Pensez à un moment où vous avez profondément appris quelque chose en groupe. Qu'est-ce qui a fait que cela a fonctionné ? Imaginez maintenant qu'un agent conversationnel d'IA rejoigne ce groupe — comment pourrait-il renforcer ou saper silencieusement ce que vous avez vécu ?
• La recherche constate un arbitrage : déléguer le raisonnement à l'IA produit la meilleure performance sur la tâche mais le plus faible engagement autorégulateur, alors que le mode qui construit l'autorégulation sous-performe sur la tâche. S'il fallait choisir, que protégériez-vous — le résultat ou la lutte ?
• Le cadre ICAP classe la collaboration « interactive » comme la forme la plus profonde d'engagement. Une IA qui répond à la place du groupe pourrait-elle réellement faire descendre la collaboration du stade interactif au stade simplement passif — même si les étudiants s'en disent plus satisfaits ?
• Une étude a constaté que les médiateurs d'IA ne sont crus que tant qu'ils restent neutres ; lorsque l'IA passe au conseil ou à la contestation, cette confiance s'érode. Jusqu'où un médiateur d'IA d'un groupe devrait-il être neutre ?
• Lorsque les apprenants utilisent l'IA pour produire un artefact poli, ils peuvent sauter l'effort épistémique qui construit la compréhension. Comment concevriez-vous un partenaire d'IA qui fait apparaître le désaccord et le conflit au lieu de les lisser ?
• Les étudiants neurodivergents déclarent avoir besoin de devoirs structurés, de petites équipes stables et de rôles explicites. Si les outils de collaboration par IA sont conçus pour l'apprenant « moyen », qui pourraient-ils laisser de côté — et comment concevriez-vous différemment ?

Introduction

L'apprentissage collaboratif est ancré dans les théories socioculturelles de l'apprentissage qui positionnent la construction des connaissances comme fondamentalement sociale. L'IA introduit de nouvelles dynamiques : elle peut servir de pair, de facilitateur ou de participant aux processus collaboratifs. Les articles de cette base de connaissances explorent comment la collaboration médiatisée par l'IA affecte les résultats d'apprentissage, l'engagement épistémique et l'équité — et comment les structures collaboratives doivent être conçues pour accueillir des apprenants variés.

La collaboration comme construit contre le travail de groupe comme structure. L'apprentissage collaboratif est la théorie plus large : la connaissance se co-construit par l'activité et le dialogue conjoints. Le travail en groupe en est la mise en œuvre formelle la plus concrète — une équipe produisant un résultat partagé, et souvent une note partagée. Les deux sont étroitement liés mais non identiques : un groupe peut fonctionner sans collaboration véritable (tâche découpée en parties indépendantes, travaux simplement fusionnés), et la collaboration peut avoir lieu sans groupes formels (paires, dialogue de classe entière, ou interaction humain–IA). L'IA fait porter la plus forte pression exactement sur cet écart — Chen et Zou (2026) ont trouvé des groupes dont la pratique individuelle de l'IA générative ne devenait jamais une capacité collective parce que la tâche n'exigeait jamais de travail conjoint, à côté de groupes où la note partagée faisait de l'usage de l'IA générative un problème de coordination. La page sur le travail en groupe examine ces dynamiques en profondeur ; la présente page garde la lentille plus large sur l'apprentissage collaboratif comme ensemble.

L'IA comme partenaire de collaboration explore le rôle de l'IA dans l'apprentissage en groupe. Kimmerle conceptualise le risque de réduction de l'effort épistémique lorsque les apprenants utilisent l'IA pour produire des artefacts de connaissances polis, préconisant une IA structurée comme un partenaire argumentatif qui préserve le conflit cognitif. En éprouvant cela à l'échelle d'une classe, Oppenheimer, Cash et Connell Pensky (2025) ont fait rédiger des dissertations argumentatives à des étudiants de sciences sociales de premier cycle (n = 154), recevoir des critiques de LLM comme ChatGPT, Gemini ou Claude, puis les intégrer ou les réfuter ; des codeurs en aveugle ont trouvé de la réflexion dans 92.7% et une réfutation active des affirmations des LLM dans 87.8% des réponses (κ inter-évaluateurs = 0.81–0.89), preuve que les apprenants se sont comportés en consommateurs critiques qui préservaient plutôt qu'abandonnaient le conflit cognitif de la critique. Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving examine comment les émotions façonnent la résolution de problèmes collaborative avec l'IA. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy explore les approches collaboratives du développement de l'IA literacy.

L'approbation par le facilitateur est le levier observé le plus fort sur l'acceptation d'un agent contestataire par les étudiants : dans douze équipes interprofessionnelles, celles dont le facilitateur enseignant avait influencé leur intégration de l'IA la jugeaient davantage partie intégrante de l'équipe (M = 3.08 contre 2.64) et sa rétroaction plus utile (M = 3.44 contre 2.93) (Wiss et al. (2025)).

La collaboration entre pairs médiatisée par l'IA examine comment l'IA étaye la collaboration d'humain à humain. ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming et Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning explorent comment les caractéristiques des agents d'IA affectent la dynamique de groupe. When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community documente comment des agents d'IA s'enseignant mutuellement produisent des schémas de discours ressemblant à l'apprentissage entre pairs humain. Les systèmes à l'échelle de la classe étendent cela à la dimension relationnelle de la collaboration : CoBi utilise la reconnaissance vocale et la compréhension du langage pour détecter un discours de petit groupe « porteur » (respectueux, équitable, attaché à la communauté, faisant avancer la pensée) et renvoie des visualisations non évaluatives au niveau de la classe pour soutenir la construction de communauté et les compétences de collaboration, en retenant délibérément la rétroaction au niveau de l'étudiant ou du groupe pour protéger la vie privée et la confiance.

Les perspectives neurodivergentes sur la collaboration révèlent des exigences critiques de conception. Zastudil et al. ont constaté que les étudiants neurodivergents ont besoin de devoirs structurés, de petites équipes stables aux rôles explicitement définis et de schémas d'interaction prévisibles — des exigences auxquelles les outils de collaboration par IA doivent répondre. Cela rattache l'apprentissage collaboratif à l'apprentissage inclusif et à la neurodiversité.

La collaboration enseignant–IA examine comment les enseignants et l'IA travaillent ensemble. Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing et Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence explorent des cadres pour l'enseignement collaboratif humain-IA, rejoignant le rôle de l'enseignant et l'IA avec intervention humaine.

L'IA comme médiateur pédagogique reconceptualise le rôle de l'IA dans la collaboration au-delà de l'outil ou du pair. S'appuyant sur la théorie socioculturelle et la cognition distribuée, Niari positionne l'IA comme un participant actif à l'orchestration de l'interaction, de la construction de sens épistémique et des processus régulateurs, redistribuant l'autonomie, l'autorité et la responsabilité entre acteurs humains et non humains sans déplacer l'autonomie de l'apprenant ou de l'enseignant. Cela ancre l'apprentissage collaboratif dans une vue de l'IA socialement médiatisée et co-régulée plutôt qu'individualiste.

Les modes de collaboration et l'arbitrage entre efficience et régulation. La recherche empirique sur des étudiants de premier cycle collaborant avec l'IA pour la résolution de problèmes complexes identifie trois modes distincts — Raisonnement délégué, Interprétation concertée et Élaboration déléguée. Le mode le plus efficient (raisonnement délégué) produit la plus haute performance sur la tâche mais le plus faible engagement autorégulateur des apprenants, alors que le mode à la plus forte autorégulation (interprétation concertée) sous-performe sur les résultats de tâche. (Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) Cela révèle une tension de conception centrale : les environnements d'apprentissage collaboratif doivent équilibrer l'efficience du système distribué humain–IA et la profondeur de l'engagement régulateur des apprenants.

Le seul contraste méta-analytique disponible pour le travail collaboratif assisté par IA se situe à l'intérieur des interventions d'apprentissage par problèmes et par projets soutenues par l'IA générative, où la collaboration entre pairs se regroupe à g = 0.885 contre g = 0.416 pour le travail individuel, mais la différence n'atteignait qu'une tendance marginale (QM = 3.675, p = .055) et le volet du travail individuel repose sur deux études — si bien que les données probantes regroupées montrant que la collaboration bat le travail solitaire sous IA générative sont suggestives plutôt qu'établies (Chen et al. 2026).

Une revue de cadrage de 18 études cartographie le même arbitrage dans le travail de groupe : l'IA générative a soutenu le développement des connaissances, la génération d'idées et l'efficience de la communication tout en réduisant aussi la demande d'interaction entre pairs, de négociation et de construction de sens collective, et des données probantes randomisées ont trouvé davantage de suggestions innovantes de l'IA sans gain significatif de l'innovativité globale des participants (Wei et Perkins (2026)).

La conception des rôles est un levier sur la qualité, et non sur le volume, de la construction collaborative des connaissances. Cheng et al. (2026) ont attribué des rôles tournants de modérateur, d'analyste et de contradicteur à 58 étudiants de deuxième et troisième cycle et à leur partenaire d'IA dans 16 groupes, et ont constaté que la structure élevait le contenu des cartes mentales de groupe de presque une bande SOLO entière (M = 3.65 à 4.59, z = 3.771, p < 0.001) alors que le nombre de nœuds et de branches restait stable — l'organisation plutôt que la couverture — au prix d'une hausse modérée de la charge cognitive collaborative (p = 0.023). L'analyse séquentielle de décalages a ajouté une auto-transition d'évaluation et un chemin du conflit vers la défense que l'outil seul n'avait pas produits, positionnant la collaboration humain-IA comme un problème de conception plutôt qu'un problème d'outil.

L'IA générative comme agent et comme espace dans les petits groupes — le mode compte. Xu et al. (2026) observent que la manière dont une équipe accède à l'IA générative façonne la collaboration : avec une interface unique partagée en travail synchrone, les équipes co-construisent des « invites collectives », exécutent un cycle de surface–évaluation–intégration, et traitent la conversation comme une mémoire partagée ; en travail asynchrone, l'interrogation privée et le « dé-étiquetage » des productions fragmentent la transparence et augmentent le coût du maintien d'un modèle cognitif partagé. Leur lentille du travail coopératif soutenu par l'IA générative (GSCW) formule l'IA générative comme un agent configurable (assistant individuel à membre d'équipe) et un espace collaboratif interactif — reliant la configuration d'accès directement à la qualité d'engagement interactif pertinente pour l'ICAP.

L'IA générative comme infrastructure de coordination de groupe — et le risque d'aplatissement de la coopération. Chen et Zou (2026) montrent comment quinze groupes d'enseignants en formation ont traité l'IA générative dans une présentation de groupe notée, et la division va à l'encontre de l'hypothèse habituelle que la pression de groupe augmente le recours à l'IA. Cinq groupes ont intensifié l'usage pour résoudre un problème de collaboration familier — ne pas savoir ce que contenaient les sections de leurs pairs — nourrissant ce travail dans un chatbot pour le rendre intelligible et aligner leur propre partie, un groupe reconstruisant son cycle en discussion → externalisation vers l'IA générative → revue collective → re-discussion. Les auteurs lisent cela comme plus qu'un délestage cognitif, puisque les étudiants ont conservé le jugement alors que l'outil absorbait la coordination, mais signalent que le flux de travail plus fluide peut contourner le désaccord par lequel la cohésion se construit conventionnellement, faisant du travail relationnel la question ouverte. Sept groupes ont au contraire réduit leur usage de l'IA générative, protégeant la connaissance située construite dans les classes partagées (« l'IA ne connaît que ce moment où l'on tape »), l'équité envers les camarades de groupe, l'originalité entre groupes, et la diversité de perspectives que le groupe détenait déjà. Trois groupes n'ont vu aucun changement du tout : la tâche étant découpée en sections indépendantes, une pratique individuellement sophistiquée de l'IA générative ne devenait jamais une capacité collective, alors même que la cohérence était un critère explicite. Le schéma suggère que ce sont les normes du groupe, et non l'outil, qui décident de ce qu'un groupe fait de l'IA — et que l'adoption collective peut abaisser le risque perçu d'usage abusif plutôt que d'élever l'engagement.

La collaboration comme objet d'enseignement. ProPACT est un tuteur adaptatif piloté par l'IA pour la programmation en binôme qui traite la dyade — et non l'individu — comme l'unité d'analyse, modélisant l'attention visuelle conjointe, l'effort mental conjoint et des signaux pupillaires en temps réel pour prédire les ruptures de collaboration jusqu'à 30 secondes à l'avance et intervenir avant qu'elles ne surviennent. Les dyades recevant une rétroaction proactive ont obtenu un succès de débogage nettement plus élevé et ont accompli les tâches plus efficacement, et ont montré des gains soutenus en régulation collaborative par la suite — preuve que l'IA peut enseigner la collaboration elle-même, et pas seulement soutenir une tâche. Mesurer la compétence collaborative pose le défi complémentaire d'évaluer à grande échelle la compétence de résolution de problèmes collaborative (CPS), ce qui exige traditionnellement de coder manuellement les données de processus issues de tâches simulées en comportements CPS — long et impraticable à grande échelle ; l'interrogation sensible au contexte de modèles de langue pré-entraînés automatise ce codage en modélisant les dépendances contextuelles et en fusionnant capacités cognitives et sociales, atteignant une performance supérieure à de fortes références.

Étayer selon l'ordre du discours de groupe, et non selon sa fréquence. Wong, Bulathwela et Cukurova (2026) ont exploré les séquences de dialogue en triades de 65 étudiants et ont constaté qu'un seul ordre — paraphraser, puis proposer, puis questionner — suivait l'amélioration alors que l'ordre inverse ne la suivait pas ; l'étayage maximal augmentait le comportement en tâche mais aussi le scriptage et réduisait les indicateurs de résolution de problèmes.

L'IA comme médiateur neutre — et la tension lorsqu'elle cesse de l'être. Spritz est une sonde Grands modèles de langue (LLM) hébergée sur Discord qui médiatise les frontières disciplinaires dans des équipes d'étudiants interdisciplinaires en faisant apparaître les hypothèses implicites et en renvoyant des synthèses anonymisées à la discussion partagée. Les étudiants l'ont valorisée à la fois comme soutien cognitif et comme tampon relationnel, mais une tension centrale est apparue : la neutralité perçue de l'IA était porteuse de sens, et s'est érodée dès que l'IA passait du médiateur neutre au conseiller ou au contradicteur — une contrainte de conception clé pour les agents qui médiatisent la collaboration tout en préservant la collaboration humain-IA et la calibration de la confiance.

Un protocole structuré de facilitation — et son risque de sycophanie. Seo et al. (2026) prolongent la conception pédagogique collaborative par un protocole structuré de divergence–délibération–convergence : un facilitateur LLM empile les tours de parole, minuté les phases et résume par incréments, un format que 45 étudiants ont trouvé simple et semblable à une discussion et qui réduisait le besoin de facilitation externe. La conception repose sur une tension que l'étude a mesurée directement : les agents ont soutenu l'ampleur de la prise de perspective (les groupes ont produit des ensembles plus grands et plus divergents de parties prenantes et de solutions, et les agents ont régulièrement exprimé des points de vue minoritaires), or l'accord sycophantique et dépourvu de raisonnement a aplati le conflit cognitif qui fait que la collaboration approfondit la pensée. Les participants ont demandé que les productions des agents exposent les étapes intermédiaires de la délibération plutôt que les seules conclusions, et des contre-arguments qui préservent un désaccord authentique.

Les structures collaboratives pour l'éducation à l'IA. L'Academic League of AI organise l'éducation à l'IA par une gouvernance démocratique des étudiants et des équipes de projet, intégrant l'apprentissage actif et l'apprentissage par projets dans une structure collaborative et connectée à la communauté.

The ICAP framework: collaboration as the highest engagement mode

L'apprentissage collaboratif occupe le sommet du cadre ICAP (Interactive–Constructive–Active–Passive) : le mode interactif — co-construire du sens par le dialogue, défendre une position, ou résoudre conjointement — produit le changement de connaissances le plus profond dans la taxonomie de Chi. Cela fait de l'ICAP à la fois une justification des pédagogies collaboratives et une contrainte de conception pour l'IA. Une IA qui médiatise la discussion (comme le font Spritz ou ProPACT) est précieuse précisément lorsqu'elle soutient l'engagement interactif ; une IA qui répond à la place du groupe ou lisse le conflit cognitif peut faire descendre la collaboration à un simple mode actif ou passif. L'annotation fondée sur l'ICAP (voir la mesure ICAP étendue du dialogue collaboratif) et la recherche sur la synchronisation de la facilitation traitent toutes deux la qualité du discours interactif comme le résultat d'intérêt, ancrant l'apprentissage collaboratif dans l'engagement étudiant et la hiérarchie ICAP. (Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions)

Practical guidance

• Modéliser la collaboration, et pas seulement l'individu. Des outils qui suivent l'état dyadique ou de groupe (comme le fait ProPACT) peuvent étayer la collaboration elle-même, prédisant et prévenant les ruptures plutôt qu'y réagissant.
• Préserver le conflit cognitif. Structurez l'IA comme un partenaire argumentatif qui fait apparaître le désaccord et les hypothèses implicites, en évitant le problème des artefacts polis où l'IA lisse un engagement épistémique fragile.
• Les personas contestataires ont des coûts affectifs. Sur 97 triades, l'IA contestataire a poussé le discours vers la contestation et la réflexion mais a abaissé la satisfaction à l'égard du travail d'équipe (ε² = .062) et la sécurité psychologique (ε² = .114) sans élever la production créative (Jin et al. (2026)).
• Assortir la fonction de l'agent au résultat visé. Une revue de 46 études sur les agents d'IA dans l'apprentissage collaboratif soutenu par ordinateur a trouvé des gains cognitifs systématiquement rapportés, alors que les résultats comportementaux, sociaux et émotionnels restaient dépendants du contexte, avec l'alignement le plus fort entre fonction de l'agent et résultat au sein d'un même domaine (Ba et al. (2026)).
• Un rôle de facilitateur distinct réduit la dominance, et non la réactivité. Dans le référentiel simulé d'Oyelere (2026), l'ajout d'un agent facilitateur à côté du tuteur a abaissé le déséquilibre des tours et des mots en dyade (M = 0.103 et 0.105 contre 0.183 et 0.182) sans changer l'engagement réciproque — bien que les apprenants fussent des personas synthétiques, et non de véritables dyades.
• Équilibrer l'efficience et l'autorégulation. Une IA collaborative qui maximise l'efficience sur la tâche (raisonnement délégué) peut saper l'engagement régulateur des apprenants ; la conception devrait délibérément ménager un espace pour l'interprétation concertée.
• Respecter la contrainte de neutralité. Les médiateurs d'IA sont crus tant qu'ils sont neutres ; passer à des rôles de conseil ou de contestation déstabilise cette confiance, si bien que les changements de rôle devraient être explicites et configurables.
• Accueillir les apprenants neurodivergents. Les devoirs structurés, les petites équipes stables et les définitions de rôles explicites sont des exigences que les outils de collaboration par IA doivent soutenir.
• Préférer la rétroaction non évaluative au niveau de la classe. Lorsqu'on soutient la dimension relationnelle de la collaboration, une rétroaction agrégée au niveau de la classe protège la vie privée et l'autonomie des étudiants là où une notation individuelle paraîtrait surveillante ; les étudiants de CoBi ont préféré les visualisations qualitatives (un arbre organique) aux quantitatives (un graphique en radar), et les enseignants ont davantage valorisé l'usage des observations du système pour susciter la réflexion que l'affichage en direct.
• Concevoir pour la lecture et l'attention qui précèdent la contribution. L'apprentissage collaboratif dans les forums de discussion en ligne dépend non seulement des publications mais de la lecture qui les précède. Hao et Cukurova (2026) montrent que des résumés de discussion et des publications modèles générés par LLM peuvent agir comme des étayages de navigation qui élargissent l'exposition des étudiants aux contributions de leurs pairs et les conditions de réseau d'un capital social de liaison (lien faible) — un soutien qui devrait compléter, et non remplacer, les stratégies socio-pédagogiques de maintien de l'engagement sous charge de travail académique.
• Le versant social montre une disruption sans gain compensatoire. Sur cinq processus de collaboration, un consensus de 30 experts n'a atteint la vulnérabilité que d'un seul côté, les évaluations d'amélioration restant sous le seuil : Social Connection (3.80 contre une amélioration de 1.90), Socio-Emotional Development (3.60 contre 2.00), Social Learning, Collaborative Learning et Sense of Belonging (tous 3.30) (Kendeou, Greene, Nixon et al., 2026). Le rapport traite l'asymétrie comme une cible de conception, puisque la résolution collaborative de problèmes est ancrée à un produit partagé alors que l'apprentissage collaboratif n'a pas de référent visible et peut s'éroder sans être détecté.

Concepts liés

• Patrons pédagogiques — La collaboration partagée avec IA scriptée et ses conceptions de rôles éprouvées
• Partenariats pédagogiques — Partenariats pédagogiques
• Travail en groupe — Travail en groupe
• Apprentissage par problèmes
• Enseignement et apprentissage en ligne — Enseignement et apprentissage en ligne
• L'apprentissage actif
• Cadre ICAP
• L'étayage
• L'enseignement
• Humain dans la boucle
• L'équité
• Littératie en IA
• Primaire et secondaire (K-12)
• Enseignement supérieur
• Apprentissage inclusif
• Neurodiversité
• Cognition distribuée
• L'apprentissage autorégulé
• Apprentissage par projets
• Collaboration humain-IA
• Le calibrage de la confiance
• Agent pédagogique
• La modélisation de l'apprenant et l'enseignement adaptatif
• L'engagement des étudiants
• Pédagogies et stratégies d'enseignement — Parapluie : pédagogies et stratégies d'enseignement en IA éducation

Articles liés

• Ways Generative AI Can Support and Threaten Learning in K–20 US Education - Un consensus de 30 experts constate un risque social unilatéral : les processus de collaboration vulnérables sans voie d'amélioration
• Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis — Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis
• Emergent Learner Agency in Implicit Human-AI Collaboration: How Supportive and Contrarian AI Personas Reshape Interaction — Emergent learner agency in implicit human-AI collaboration: supportive vs. contrarian personas
• Towards an adaptive AI scaffold for developing student collaborative problem solving
• Utilizing Generative AI to Counter Learner Groupthink by Introducing Controversy in Collaborative Problem Based Learning Settings
• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction"
• Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing
• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning
• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective
• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming — ProPACT : tuteur collaboratif adaptatif proactif pour la programmation en binôme
• Exploring AI-Supported Disciplinary Mediation in Student Project Teams' Text-Based Communication — Spritz : médiation disciplinaire par IA dans les équipes de projet étudiantes
• Academic League of Artificial Intelligence: An Integrative Perspective of Teaching, Research, and Extension — Academic League of AI : éducation à l'IA collaborative et par projets
• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Cadre ICAP étendu pour mesurer l'engagement dans le dialogue collaboratif
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — Synchronisation de la facilitation par LLM dans les discussions collaboratives en ligne
• Artificial Intelligence Agents in Computer-Supported Collaborative Learning: A Systematic Literature Review — Revue des agents d'IA dans l'apprentissage collaboratif soutenu par ordinateur
• Generative AI and Student Collaboration: A Scoping Review of Group Work Processes, Outcomes, and Risks — GenAI and student group work: a scoping review (Wei & Perkins 2026)
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Référentiel synthétique ASTRA pour le tutorat multi-agents et la collaboration à participation équilibrée
• AI as an Agent and Collaborative Space: Exploring the role of generative AI in small group synchronous and asynchronous collaborative dynamics — GenAI as agent and collaborative space in small-group dynamics (Xu et al. 2026)
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — AI-Generated Summary-Driven Learning Design in Online Discussion Forums
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — GenAI as coordination infrastructure in student groups: intensified, restrained, and non-enacted use
• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration