Cognition distribuée

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

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

Cognition distribuée — la perspective théorique selon laquelle la cognition n'est pas confinée à un esprit individuel, mais distribuée entre personnes, outils, artefacts et environnements. Dans la recherche sur l'IA en éducation, ce cadre est devenu central pour comprendre la collaboration humain-IA : plutôt que de voir l'IA comme un outil neutre qui soutient un apprenant autrement autonome, la cognition distribuée traite la pensée comme émergeant de l'interaction entre apprenants, systèmes d'IA, pairs et leur contexte partagé. Elle reformule les questions d'L'agence de l'apprenant, de responsabilité et de résultats d'apprentissage en termes de répartition du travail cognitif au sein d'un système humain-IA.

Questions à examiner

La cognition distribuée dit que la pensée n'est pas confinée à un esprit unique, mais répartie entre personnes, outils et environnements. Quand vous utilisez une calculatrice, une application de notes ou un assistant d'IA, où la « pensée » se produit-elle réellement ?
Si la cognition est distribuée entre un humain et une IA, qui est responsable lorsque le résultat est faux — et qui répond de l'apprentissage ?
Un cadre distingue l'« agence fonctionnelle » de l'IA (elle peut influencer les résultats) de la « responsabilité morale » (qui demeure humaine). Cette distinction tient-elle en pratique, ou la responsabilité se brouille-t-elle lorsque les humains ne peuvent pas comprendre ce que le système a fait ?
Les systèmes humain-IA qui distribuent le raisonnement le plus efficacement tendent à produire la plus haute performance sur la tâche mais le moins d'apprentissage autorégulé. Pourquoi rendre un système « plus intelligent » au niveau du groupe rendrait-il l'apprenant individuel plus faible ?
L'argument du « Cognitive Commons » soutient que la maîtrise distribuée dépend d'une expertise intériorisée — on ne peut pas superviser efficacement un système d'IA que l'on ne comprend pas profondément. En quoi cela met-il en cause l'idée que l'IA nous permette de sauter le travail difficile de l'apprentissage ?

Introduction

C'est un concept de théorie de l'apprentissage au sein du fil Théories de l'apprentissage de la base de connaissances, étroitement apparenté à l'apprentissage incarné, à l'apprentissage situé et au délestage cognitif. La cognition distribuée (DCog), issue des travaux d'Edwin Hutchins et de ses collègues, décrit comment des processus cognitifs tels que la mémoire, le raisonnement et la résolution de problèmes se répartissent entre de multiples agents et systèmes matériels plutôt que de résider dans une seule tête. Dans l'IA en éducation, cela importe parce que les systèmes d'IA fonctionnent de plus en plus comme de véritables partenaires cognitifs qui portent une part de la charge de pensée, ce qui pose la question de l'endroit où l'apprentissage se produit réellement et de qui est responsable.

Comment l'IA déplace la distribution de la cognition

Les systèmes d'IA génératifs et interactifs redistribuent le travail cognitif de façons que les outils antérieurs ne permettaient pas. La base de connaissances documente plusieurs dimensions de ce déplacement :

L'IA comme partenaire cognitif et co-régulateur. L'IA peut agir comme un étay, un soutien métacognitif, un système de mémoire externe et un partenaire de décision dans la co-Réglementation de l'IA dans l'éducation de la pensée et de l'apprentissage.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) Cela positionne la cognition comme co-régulée entre l'apprenant et le système plutôt que gérée individuellement.
Redistribution de l'agence et de la responsabilité. Des cadres comme la cognition d'ensemble reconceptualisent la pensée comme émergeant d'une interaction dynamique entre l'humain et l'IA, distinguant l'agence fonctionnelle de l'IA (sa capacité à influencer les résultats sans conscience) de la responsabilité morale (qui demeure humaine).(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) La cognition distribuée reformule ainsi qui répond de l'apprentissage.
La tension entre efficacité et régulation. Les travaux empiriques montrent un arbitrage : les systèmes humain-IA qui distribuent le raisonnement le plus efficacement (par exemple par raisonnement délégué) atteignent une performance de tâche plus élevée mais peuvent réduire l'engagement autorégulateur des apprenants.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) C'est le visage empirique des risques de délestage cognitif et de sur-dépendance que documente la base de connaissances.
La médiation dans la collaboration. L'IA peut agir comme un médiateur pédagogique qui orchestre l'interaction, la fabrication de sens épistémique et les processus de régulation dans l'apprentissage collaboratif, redistribuant agence, autorité et responsabilité entre acteurs humains et non humains.(Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning)
La configuration de l'accès distribue la cognition au sein du groupe. Xu et al. (2026) montrent que la manière dont une équipe partage l'IA générative détermine la distribution de la cognition : le travail synchrone sur une interface unique et partagée soutient un modèle cognitif commun (invites collectives, mémoire externe partagée), tandis que l'usage privé asynchrone le fragmente, les productions étant sélectivement réétiquetées avant d'être partagées. L'IA générative fonctionne ainsi à la fois comme un participant cognitif distribué et comme un espace collaboratif interactif dont la perméabilité doit être conçue (le contexte partagé entre, les idées privées ne reviennent pas automatiquement).
Les enseignants aussi vivent une distribution dominée par l'IA plutôt que complémentaire. La même logique d'efficacité-régulation s'applique au versant enseignant de la conception de leçon : Choi et al. (2026) ont constaté que les enseignants novices délèguent une large part de la charge cognitive de conception pédagogique au système d'IA (une distribution dominée par l'IA, acceptant largement les réponses), tandis que les enseignants expérimentés et compétents en IA parviennent à une distribution complémentaire dans laquelle l'expertise pédagogique et le soutien informatique de l'IA se renforcent mutuellement — et, parce que l'IA générative génère et co-construit l'information plutôt que de simplement la stocker, ils formulent cela comme une cognition partagée participative, et non comme un simple usage d'outil.
Les types d'interaction, et non les résultats, comme unité. Willcox, Lane et Arikan (2026) ont construit le Cognitive Distribution Framework à partir de 53 journaux d'usage autodirigé de ChatGPT : cinq types d'interaction (extension, externalisation, alignement, transformation, découplage) et quatre rôles d'utilisateur, de sorte qu'un même étudiant peut délester dans un échange et co-penser dans le suivant.

La cognition distribuée et les perspectives apparentées

La base de connaissances traite la cognition distribuée aux côtés de ses traditions théoriques voisines, qui se recouvrent sans être identiques :

L'apprentissage situé / la cognition située souligne que la cognition et l'apprentissage sont inséparables du contexte authentique et des communautés de pratique dans lesquels ils se produisent — un complément à l'attention que la DCog porte à la distribution cognitive entre systèmes.
L'apprentissage incarné souligne le rôle du corps et de l'interaction sensorimotrice, soutenant que la pensée est ancrée dans l'engagement corporel plutôt que dans la manipulation abstraite de symboles.
Le délestage cognitif est le mécanisme pratique par lequel le travail cognitif est confié à des systèmes externes (y compris l'IA), et constitue la contrepartie chargée de risque du compte descriptif de la DCog.
La cognition étendue / la thèse de l'esprit étendu (employée dans les travaux posthumanistes) soutient que des artefacts externes peuvent être des parties constitutives d'un système cognitif, et non de simples instruments — une affirmation plus forte, selon laquelle l'IA fait partie de l'esprit même de l'apprenant.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)

Pourquoi elle importe pour la conception et l'évaluation de l'IA

La cognition distribuée fournit à la fois une lentille de conception et une lentille d'évaluation. Pour la conception, elle demande comment répartir le travail cognitif entre apprenants et IA de manière à préserver (et non à éroder) l'agence, la métacognition et l'autorégulation de l'apprenant humain. Pour l'évaluation, elle reformule les mesures de succès : au lieu de demander seulement « la performance s'est-elle améliorée ? », la DCog demande si la distribution de la cognition soutient un apprentissage durable, l'agence épistémique et la justice éducative — une perspective qui rejoint les préoccupations de la base de connaissances pour l'évaluation d'une intervention d'IA en éducation et les théories de l'apprentissage.

Fowlin et al. (2026) opérationnalisent cette répartition comme une séquence en deux phases : construire d'abord les compétences fondamentales sans IA, puis introduire l'IA comme partenaire cognitif dont les suggestions sont évaluées de manière critique par les étudiants, afin de prévenir la perte de compétences liée à l'automatisation (Fowlin et al. (2026)).

Maîtrise intériorisée contre maîtrise distribuée. Le cadre du Cognitive Commons (Lovett 2026) distingue la maîtrise intériorisée (connaissance profonde du domaine dans les esprits individuels) de la maîtrise distribuée (orchestration de systèmes humain-IA) et soutient que la seconde dépend de la première par une « attache de validation » : une supervision efficace des systèmes distribués ou d'IA présuppose l'expertise intériorisée que ces systèmes peuvent saper. Cela aiguise la question de conception de la DCog — la distribution de la cognition ne doit pas se payer du prix de l'expertise qui la valide.

Concepts liés

Métadonnées

Apprentissage et enseignement	Cognition distribuée, Apprentissage incarné, Théories de l'apprentissage, La métacognition, Apprentissage situé
Fondements de l'IA dans l'éducation	L'agence de l'apprenant, Délestage cognitif, Collaboration humain-IA

Source History Edit Chat