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'IA conversationnelle

Création 2026-08-22 · Mise à jour 2026-10-10

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

Les agents d'IA conversationnelle (IAC) — des agents pilotés par l'IA, vocaux ou textuels, qui simulent et automatisent des conversations, des chatbots à base de règles aux assistants fondés sur les LLM IA multimodale et sur le TAL/l'apprentissage automatique — comptent parmi les interfaces d'IA les plus utilisées en éducation, appréciées pour leur soutien à l'enseignement, d'ordre psychologique et métacognitif, alors même que persistent des préoccupations techniques, cognitives et éthiques.

Questions à examiner

  • Lorsque vous avez utilisé un chatbot ou un assistant d'IA, le considériez-vous comme un enseignant, un moteur de recherche, ou autre chose ? Comment ce cadrage a-t-il influencé ce que vous en avez réellement appris ?
  • L'IA conversationnelle décrit COMMENT un agent parle, et non ce qu'il est conçu pour faire. Un chatbot pourrait-il être conversationnel tout en étant totalement dépourvu de visée pédagogique — et à quoi reconnaîtriez-vous la différence ?
  • Une étude a montré que c'était la littératie en IA — et non l'aisance technologique générale — qui prédisait si les étudiants étaient disposés et capables d'utiliser un chatbot. Pourquoi savoir comment fonctionne l'IA pourrait-il importer davantage que d'être « doué avec les ordinateurs » ?
  • Un chatbot généraliste brut peut court-circuiter le raisonnement en répondant immédiatement, tandis qu'un tuteur structuré préserve la lutte productive en retenant ses réponses. Quels choix de conception déterminent le type d'agent qu'un étudiant rencontre ?
  • Les étudiants utilisant le chatbot d'un cours de droit ont réalisé un tiers de leurs interactions en dehors des heures de cours — preuve que la disponibilité 24h/24 et 7j/7 est un bénéfice réel. Mais un accès permanent comporte-t-il aussi des risques contre lesquels vous voudriez vous prémunir par la conception ?
  • Le principal obstacle à l'adoption du chatbot dans une étude était une fenêtre contextuelle mal conçue, et non la méfiance ou la crainte d'atteintes à l'intégrité académique. Qu'est-ce que cela suggère quant à l'endroit où échouent réellement les investissements dans l'IA en éducation ?

Introduction

L'IA conversationnelle (IAC) est le terme parapluie désignant les agents pilotés par l'IA qui tiennent un dialogue oral ou écrit, le plus souvent réalisés sous forme de chatbots et, plus récemment, d'assistants génératifs fondés sur les Grands modèles de langue (LLM), tels que ChatGPT, Claude, et les avatars éducatifs multimodaux. Les agents d'IAC modernes se répartissent en catégories fondées sur l'Apprentissage automatique, sur le TAL et hybrides, les agents textuels étant les plus répandus en éducation. Comme outils d'apprentissage, ils fonctionnent comme des tuteurs intelligents, des fournisseurs de La rétroaction, des partenaires d'interaction et des assistants administratifs — ce qui recoupe les agents pédagogiques tout en couvrant un ensemble plus large d'applications.

Comment l'IA conversationnelle apparaît dans la base de connaissances

Une synthèse issue d'une revue parapluie. L'revue parapluie des agents d'IAC (34 articles de revue) montre que l'utilisation de l'IAC se concentre sur le soutien à l'enseignement et à l'apprentissage (97.1% des revues), le soutien psychologique et motivationnel (91.2%) et le développement personnel et métacognitif (88.2%), tandis que le soutien administratif, la gestion de la recherche et la formation aux professions de santé sont à la traîne. La revue documente le fait que les préoccupations relatives à la relation humain–IA persistent à travers toutes les générations d'IAC, l'Intégrité académique et la La vie privée des données émergeant comme de nouvelles questions éthiques, et appelle à une conception fondée sur les IHM et sur les données probantes, ainsi qu'à un soutien plus fort en matière d'Littératie en IA.

Des chatbots aux agents tutoraux. La base de connaissances retrace l'évolution de l'IAC, des chatbots à base de règles répondant à la FAQ vers des agents axés sur l'tutorat. Le cadre des tuteurs d'IA conversationnelle soutient que des Technologies de l'IA éprouvées de type STI (Traçage des connaissances, détection des affects, modélisation de l'apprenant) devraient ancrer les tuteurs génératifs tandis que l'L'IA générative fournit un dialogue flexible. Les recherches sur le fait de savoir si les tuteurs à base de LLM enseignent ou résolvent et sur l'IA spécifique au tutorat par rapport à l'IA générale montrent que des Les garde-fous conçus pédagogiquement importent : les chatbots généralistes bruts peuvent court-circuiter le raisonnement tandis que les tuteurs structurés préservent les difficultés.

Les repères de référence peuvent surestimer la mesure dans laquelle l'étayage est effectivement mobilisé : sur 9,490 conversations réparties dans neuf jeux de données, les étudiants, dans des déploiements réels, contournaient le cadrage pédagogique du chatbot à peu de coût relationnel pour orienter l'interaction vers leurs propres objectifs — un mouvement instrumental de Recherche d'aide plutôt qu'un désengagement (Neagu et al. (2026)).

Interaction et collaboration. Les agents conversationnels sont de plus en plus envisagés comme des partenaires d'interaction plutôt que comme des donneurs de réponses. L'interaction élève-IA rend compte de la manière dont les apprenants formulent des invites, questionnent et vérifient avec l'IAC dans la pratique. Dans l'apprentissage collaboratif, les agents servent de médiateurs à la participation et à la Réglementation de l'IA dans l'éducation partagées, et dans l'apprentissage des langues ils offrent une pratique conversationnelle en temps réel. Le fil de l'Collaboration humain-IA examine à quelles conditions ce partenariat préserve le travail cognitif de l'apprenant au lieu de s'y substituer. Les LLM comme partenaires de critique illustrent concrètement le versant de la préservation : Oppenheimer, Cash & Connell Pensky (2025) ont fait critiquer par ChatGPT, Gemini ou Claude les essais argumentatifs d'étudiants sur un semestre entier, et les apprenants ont progressé en écriture, en ingénierie des invites et en réponse à la rétroaction, tout en jugeant les échanges utiles, engageants et agréables — la réfutation active des affirmations du modèle (87.8%) montrant qu'ils traitaient le partenaire conversationnel de manière critique plutôt que passive.

Les agents conversationnels sont aussi utilisés pour noter, et leur comportement évaluatif diverge de celui des humains : ChatGPT a été le plus indulgent des trois évaluateurs des mêmes 52 projets de premier cycle (M = 91.46 contre 83.13 pour l'enseignant) et n'a partagé aucune logique de notation avec ses pairs (r = 0.05), bien que les étudiants aient apprécié son interactivité dialogique (Usher & Faraon (2026)).

Étayer le versant étudiant de la conversation. Jin et al. (2026) ajoutent à une interface de conversationnalité un moniteur de spécificité des questions et un modèle de révision, et n'interviennent que sur les questions vagues : dans une étude entre sujets portant sur 40 étudiants universitaires apprenant la programmation web, les utilisateurs de HelpCoach ont rédigé des premières questions significativement plus spécifiques (57.3% contre 40.5%) et ont retenu davantage de connaissances une semaine plus tard (gain moyen de 1.9 contre 0.3 sur 6, d = 1.100). Le bénéfice en matière de rétention ne passait pas par des réponses de chatbot plus ciblées, qui ne différaient pas selon la condition — laissant le mécanisme à l'état d'hypothèse ouverte plutôt que de voie démontrée.

Le rôle joué par l'agent façonne l'interaction. La conception de l'IAC n'est pas neutre quant à sa persona : Liao (2026) a constaté qu'un compagnon au rôle fixe de « pair étudiant » dans un cercle de lecture au primaire prolongeait les interactions tout en dominant la conversation (part plus faible des mots et des phrases côté étudiant) et atteignait un « plafond affectif » — égalant un enseignant humain sur le rappel factuel mais en deçà sur la réflexion émotionnelle et tournée vers l'avenir — ce qui plaide pour une IAC qui adapte son rôle (pair, assistant d'enseignant, conseiller parental) plutôt que monolithique. Xu et al. étendent ce constat aux petits groupes, montrant que l'IA générative agit à la fois comme un agent et comme un espace collaboratif dans les dynamiques collaboratives synchrones et asynchrones, où la conception de l'interaction décide si elle étaye ou supplante la cognition de groupe. Le ton peut aussi être fixé par un classifieur externe plutôt que par la seule conversation : Sukoon (Bashir & Afzal, 2026) entraîne une forêt aléatoire sur 20 variables issues d'un questionnaire pour attribuer un niveau de stress faible, modéré ou élevé, et cette sortie sélectionne l'un des trois paliers de réponse inspirés du Stepped Care Model — chaleureux et encourageant à faible stress, recentrant et non jugeant à stress élevé — avant qu'un LLM Open source (GLM-4.5-Air via OpenRouter) ne prenne le relais du dialogue avec l'historique complet de la conversation et une invite système culturellement adaptée renvoyée à chaque tour. Les auteurs ont délibérément choisi un modèle multilingue à accès libre pour que le déploiement reste faisable dans les universités régionales, et notent que l'ourdou apparaît via l'ingénierie des invites plutôt que par un pipeline véritablement bilingue — une limite qui importe chaque fois que l'adéquation culturelle est revendiquée comme propriété du système plutôt que comme résultat évalué.

Le comportement conversationnel suit le fournisseur, et non le réglage. Sur 1,971 transcriptions produites par l'IA et 135 par des humains, évaluées selon six règles fixes tirées des sciences de l'apprentissage, les modèles d'un même fournisseur se regroupaient sans aucun recouvrement entre les plages des familles, ce que les auteurs interprètent comme un comportement d'enseignement suivant des pratiques d'entraînement à l'échelle du fournisseur plutôt que le réglage individuel des modèles (Northcutt et al. (2026)).

La constance des réponses est un problème d'infrastructure, et non d'ingénierie des invites : la similarité des réponses au sein d'un même modèle s'établissait entre 0.715–0.795 contre 0.443–0.604 entre modèles, et l'ajout de l'historique de conversation modifiait le contenu des réponses, y compris pour un même message central (Hao (2026)). Les points de vue des étudiants. L'usage réel montre que l'adoption dépend de l'Littératie en IA et de l'expérience utilisateur plus que de la capacité technique. Une étude mixte centrée sur l'humain portant sur le « Jordan Chatbot », un agent pédagogique fondé sur GPT-4o dans un cours de droit en Australie, a montré que les étudiants ont des attitudes positives et perçoivent des gains de connaissances tout en soutenant fermement les exigences d'Intégrité académique ; plus d'un tiers des interactions avaient lieu en dehors des heures de cours, confirmant la valeur de la disponibilité 24h/24 et 7j/7 (Colbran, Jha & Schiavone 2026). Fait notable, c'était la littératie en IA — et non la maîtrise générale des technologies — qui prédisait la disposition et la confiance à utiliser le chatbot, et l'utilisabilité (une fenêtre contextuelle intrusive) constituait le plus grand obstacle parmi les non-utilisateurs, devant la confiance, la préférence pour le personnel et la crainte d'atteintes à l'intégrité académique.(Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education) L'étude recommande une conception centrée sur l'humain, des politiques d'IA explicites et des étiquettes d'évaluation, la formation du personnel et des étudiants, et une surveillance continue des erreurs — preuve qu'un déploiement efficace de l'IAC est autant un problème de conception et de littératie qu'un problème technique. À l'autre extrémité du spectre des âges, Vahedian Movahed & Martin (2025) ont étudié des enfants de 6 à 14 ans interagissant avec AMA, un chatbot délimité par un sujet et adapté à l'âge (astronomie, sneakers et chaussures, dinosaures), constatant une large ouverture à l'IA et une confiance élevée en elle comme source d'information — les enfants allaient jusqu'à tester sa crédibilité avec des questions dont ils connaissaient la réponse — parallèlement à des lacunes d'engagement critique et de conscience des enjeux de sécurité numérique qui plaident pour une conception conversationnelle d'IA sensible à l'âge et attentive à la confiance, ainsi que pour un enseignement explicite de la La vie privée.

Les utilisateurs de l'agent varient aussi : parmi 97 étudiants diplômés en statistique, plus d'un quart n'ont jamais utilisé le chatbot StatBot, et les étudiantes l'ont utilisé significativement plus souvent (W = 679.5, p = .015), ce que les auteurs interprètent comme une IA conversationnelle abaissant le risque social perçu lié au fait de poser des questions (Lee et Wu (2026)).

L'adoption n'est pas homogène : le regroupement de 192 réponses d'étudiants et d'éducateurs fait apparaître quatre personas — Cautious Achievers, Skeptical Utilitarians, Disengaged Doubters et Engaged Enthusiasts — que les modèles d'acceptation fondés sur l'effet moyen occultent, les étudiants privilégiant le La rétroaction immédiat et les éducateurs l'exactitude des contenus et l'Intégrité académique (Saihi & Ahmed (2026)).

La durabilité a été observée pour un déploiement institutionnel. Une évaluation randomisée sur quatre ans d'un chatbot non génératif fondé sur une base de connaissances à la California State University, Northridge (N = 8,708), a montré que les étudiants demeuraient réceptifs sur huit semestres — les taux de désinscription annuels n'ont jamais dépassé 4% — tandis que les effets se concentraient sur des tâches administratives sensibles au temps, comme l'inscription anticipée aux cours (34 points de pourcentage de probabilité en plus de s'inscrire avant l'échéance), et qu'aucun effet statistiquement significatif n'apparaissait sur le GPA, le nombre d'unités ou la persévérance (Mata, Russell & Page 2026, document de travail). Sa leçon en matière de mesure éclaire la façon dont l'engagement envers l'IAC est compté : avec une désinscription proche de zéro parallèlement à environ 5% d'engagement actif sur les campagnes interactives, les conclusions sur l'engagement soutenu dépendent de ce qu'une étude compte — les seules réponses directes ou aussi l'engagement passif, lorsque les étudiants agissent sur une information sans répondre par texto.

Risques et éthique. Les agents d'IAC portent des risques persistants de sur-dépendance et de délestage cognitif (la préoccupation éthique dominante dans la revue parapluie), auxquels s'ajoutent des limites techniques, l'hallucination, les biais, le plagiat et les obstacles à l'équité. Ces préoccupations animent l'Littératie en IA et la réduction des usages abusifs et appellent des réponses en matière de politique et de La gouvernance de l'IA éthique. Une autre préoccupation de confiance surgit autour des conseils d'adoption que le personnel reçoit de plus en plus : on presse le personnel de consulter l'IA conversationnelle pour décider s'il convient d'adopter l'IA, alors que de tels systèmes sont construits par des organisations ayant un intérêt commercial à l'adoption. Un audit de dix LLM de pointe a montré que la plupart reconnaissent les préoccupations des utilisateurs sceptiques avant de les rediriger vers des cadrages engageants, ce qui soulève la question de la neutralité des conseils sur l'adoption de l'IA.

Les agents conversationnels dans les jeux. Au-delà du tutorat, les agents conversationnels sont intégrés à l'apprentissage numérique par le jeu. Wenzel, Geiger et Liening (2026) recourent à la recherche-action par la conception pour dériver le cadre CAIS-GBL — quatre principes de conception et quinze caractéristiques de conception pour les agents conversationnels d'IA dans l'apprentissage numérique par le jeu — ancré dans des méta-exigences issues de la théorie, couvrant l'engagement cognitif, motivationnel, affectif et socioculturel, ainsi que l'engagement et une posture d'équité par la conception. Leur agent instancié (Lara), dans un jeu de Simulation d'entreprise, a été positivement reçu pour la présence cognitive et la présence sociale et pour son soutien à l'apprentissage autorégulé, évalué avec de futurs enseignants et dans une étude de terrain — un plan pratique pour un soutien instructionnel adaptatif via des agents conversationnels dans les jeux sérieux.

Relation avec les agents pédagogiques et le tutorat intelligent

L'IA conversationnelle se comprend au mieux comme une modalité d'interaction qui recoupe — sans coïncider avec — deux constructions plus établies dans la base de connaissances : les agents pédagogiques et les systèmes de tutorat intelligents (STI).

L'IA conversationnelle comme médium, non comme pédagogie. L'IAC nomme la manière dont l'agent communique (dialogue en langue naturelle, oral ou textuel). Elle ne dit presque rien, par elle-même, de ce à quoi l'agent est conçu. Les agents pédagogiques, en revanche, se définissent par leur rôle instructionnel — un composant d'IA qui engage les apprenants par le dialogue, les questions ou les invites, pour soutenir les processus métacognitifs, le La rétroaction et l'étayage. Les systèmes de tutorat intelligents se définissent par leur architecture et leur modélisation — une ossature diagnostique de Traçage des connaissances, de modélisation de l'apprenant et de logique de décision pédagogique qui suit ce que l'apprenant sait et adapte l'enseignement. Un même agent peut être les trois à la fois : un tuteur d'IA conversationnelle est ainsi un agent d'IAC (interface de dialogue) qui fonctionne comme un agent pédagogique (stratégies de tutorat) bâti sur une fondation de type STI (modélisation de l'apprenant). La distinction importe parce qu'un agent d'IAC n'a nul besoin d'être fondé pédagogiquement — un simple chatbot de FAQ est de l'IA conversationnelle sans être un agent pédagogique ni un tuteur.

Le prisme de l'agent pédagogique. Les agents pédagogiques utilisent le médium conversationnel pour mettre en œuvre des stratégies d'enseignement — susciter des auto-évaluations, un questionnement socratique, une facilitation spécialisée par rôle dans des conceptions multi-agents (Teacher, Assistant, Classmate, Analyzer). Tout agent d'IAC n'est pas un agent pédagogique, mais les deux se recouvrent largement : la revue parapluie des agents d'IAC a montré que le soutien à l'enseignement et à l'apprentissage (97.1%) et le développement métacognitif (88.2%) dominent les applications de l'IAC, ce qui signifie que la plupart des agents d'IAC à visée éducative fonctionnent pédagogiquement. La revue de cadrage sur les programmeurs débutants précise ce point : sur 23 agents conversationnels, 4 seulement fondaient explicitement leur conception sur une théorie de l'apprentissage — la plupart étaient pédagogiques dans l'intention, mais non dans leurs fondements.

Le prisme du STI. Le tutorat intelligent apporte la machinerie de diagnostic cognitif dont les modèles conversationnels bruts sont dépourvus. Le cadre des tuteurs d'IA conversationnelle soutient que les technologies éprouvées de type STI devraient ancrer les tuteurs génératifs : le traçage des connaissances, la détection des affects et la modélisation de l'apprenant fournissent la structure, tandis que l'L'IA générative et les LLM fournissent un dialogue flexible. C'est là la tension centrale de conception — l'IA conversationnelle procure une interaction naturelle et extensible, mais sans la structure de type STI elle risque le sur-étayage, l'hallucination ou le contournement de la lutte productive de l'apprenant. Des recherches telles que Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact et The Evidence Base on AI in K-12: A 2026 Review montrent que des critères orientés par la pédagogie (questions guidantes, indices calibrés) doivent être conçus explicitement.

En somme : l'IA conversationnelle est l'interface/le médium, les agents pédagogiques sont le rôle, et le tutorat intelligent est la modélisation sous-jacente et la logique instructionnelle. Les agents d'IAC éducativement précieux se situent à l'intersection des trois — conversationnels par l'interface, pédagogiques par l'intention, et tutoraux par leur modélisation de l'apprenant.

Conseils pratiques

Choisissez des agents conversationnels pour soutenir l'enseignement, la La motivation et la La métacognition plutôt que pour simplement répondre aux questions, et concevez pour une interaction fondée sur les IHM, participative et centrée sur l'utilisateur. Prémunissez-vous contre la sur-dépendance en associant l'IAC à un enseignement de l'Littératie en IA et à un La rétroaction qui maintient l'apprenant cognitivement productif. Traitez explicitement la littératie en IA et l'utilisabilité — car ce sont elles, et non la compétence numérique générale, qui déterminent l'adoption et la non-utilisation (Colbran, Jha & Schiavone 2026) — et accompagnez le déploiement de politiques claires d'usage de l'IA, d'étiquettes d'évaluation et de formations. Évaluez l'IAC sur des résultats pédagogiques — et pas seulement sur l'accomplissement des tâches — et planifiez l'équité et l'accessibilité dès le départ plutôt que comme une réflexion après coup.

  • Comment les étudiants parlent réellement aux agents conversationnels — un schéma de désengagement en six catégories : Rho et al. (2026) ont intégré un agent enseignable GPT-4-Turbo (positionné comme un élève de collège en difficulté, ancré par RAG sur un graphe de connaissances, et associé à un agent mentor qui critiquait les explications des étudiants) dans les leçons d'algèbre et de géométrie de Math Nation, puis ont codé 5 522 énoncés provenant de 246 étudiants. Au-delà de l'engagement (75,7% des énoncés), ils ont identifié False Answering (12,8%), Withholding (8,9%), Random/Noisy (2,1%), Mirroring (0,6%), Mocking (0,3%) et Ghosting (0,2%) — le Mirroring (copie du texte de l'agent) émergeant inductivement des données. La classification se faisait dans la boucle humaine : 1 682 énoncés annotés par deux évaluateurs (κ = 0,704–0,905 par catégorie) ont servi à entraîner un classificateur LLaMA 3 affiné (F1 pondéré = 0,910 sur des fils de discussion réservés) qui a étiqueté les 3 840 énoncés restants. Une analyse des risques compétitifs au niveau du processus a ensuite montré que la plupart des désengagements se résolvent en quelques tours, à l'exception du Withholding, qui persiste — un signal autour duquel il vaut la peine de concevoir les réponses de l'agent.

Concepts liés

Articles liés

Citation

Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). Conversational AI agents in education: an umbrella review. AI and Ethics, 6, 72.

Métadonnées

Technologies et techniquesL'IA conversationnelle, L'IA générative, Tutorat intelligent, Grands modèles de langue (LLM), Agent pédagogique
Fondements de l'IA dans l'éducationLittératie en IA, 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.