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

Les robots en éducation

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

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

Les robots en éducation (robotique éducative) — l'usage de robots physiques ou simulés comme outils d'enseignement et d'apprentissage. La robotique éducative couvre un large spectre : des kits programmables qui enseignent la pensée informatique et la programmation, aux robots humanoïdes et d'assistance sociale qui tutorisent, racontent des histoires, miment la langue des signes ou répètent des compétences sociales. On la valorise pour ce qu'elle favorise — la résolution de problèmes, la pensée critique, la créativité et l'engagement dans les STIM — et pour le fait de rendre les concepts informatiques abstraits tangibles par l'interaction incarnée. Le corpus de robotique de la base de connaissances couvre la programmation intégrée au programme, les tuteurs conversationnels alimentés par LLM, les robots d'assistance sociale et de narration, et le jeu de rôle pour l'apprentissage socioémotionnel. Il est sous-tendu par deux domaines étroitement apparentés, absorbés ici : les robots sociaux (des robots conçus pour l'interaction sociale et la construction de relations) et l'interaction humain-robot (IHR) (l'étude de la manière dont les gens perçoivent les robots, leur font confiance et apprennent avec eux).

Questions à examiner

  • Un robot dans la classe ajoute une présence sociale incarnée qu'un chatbot sur écran ne peut pas offrir. Que pensez-vous que le corps physique et les indices sociaux d'un robot changent à la façon dont les étudiants apprennent, font confiance et s'engagent — et de quoi pourraient-ils les distraire ?
  • Les robots sociaux emploient une parole, des gestes et une personnalité humains pour enseigner, raconter des histoires ou répéter des compétences sociales. Un robot qui ressemble à un humain et agit comme lui est-il intrinsèquement meilleur pour l'apprentissage, ou cette présence sociale peut-elle apporter des risques (désinformation, sur-dépendance, vie privée) que des outils purement logiciels n'apportent pas ?
  • Les LLM permettent désormais aux robots sociaux de converser avec aisance. Si un robot peut parler comme un tuteur, que dépend encore de son incarnation physique — et où l'ajout d'un « corps » importe-t-il réellement pour l'apprentissage, par rapport au seul fait d'être une nouveauté ?
  • Pensez à un moment où vous avez appris quelque chose en manipulant physiquement un objet ou en voyant vos actions produire un résultat visible. Comment programmer un robot physique pourrait-il ancrer des idées abstraites (comme la logique d'un programme) plus efficacement que d'écrire du code sur un écran ?

Introduction

La robotique éducative est une application distincte mais étroitement apparentée de l'IA en éducation. À la différence du tutorat intelligent purement logiciel ou des chatbots à base de Grands modèles de langue (LLM), les robots ajoutent une présence incarnée et souvent sociale — un agent physique que les apprenants peuvent voir, manipuler et (de plus en plus) interpeller. Cette incarnation est centrale pour leur valeur pédagogique : elle ancre la logique abstraite d'un programme dans un comportement observable, et elle peut soutenir la construction de relations et l'engagement émotionnel que les systèmes désincarnés ne peuvent pas soutenir.

Les données probantes sont plus minces que le volume de travaux ne le suggère : une revue de l'IA et de la robotique en éducation montre que la plupart des études empiriques portent sur des apprenants de moins de 13 ans, sur quatre semaines ou moins, concentrées dans quelques pays ayant investi tôt, avec la performance d'apprentissage comme résultat le plus étudié et l'éthique, l'équité et les politiques à la traîne du déploiement (White et Wu (2026)).

Les robots sociaux et l'interaction humain-robot

Deux fils façonnent le versant social de la robotique en éducation.

Les robots sociaux sont des robots conçus pour engager les gens par l'interaction sociale, en recourant à des indices humains tels que la parole, le geste, l'expression faciale et la personnalité pour communiquer, enseigner, assister ou accompagner. En éducation, les robots sociaux (des humanoïdes comme iCub, Pepper, Reachy, et des robots compagnons) sont employés pour le tutorat, la narration, le jeu de rôle, le soutien linguistique et comme compagnons d'étude. Leur présence sociale est le principal différenciateur par rapport aux agents d'IA logiciels, car elle permet la construction de relations et l'engagement émotionnel. Les progrès des grands modèles de langue ont considérablement étendu ce que les robots sociaux peuvent dire et faire, permettant un tutorat conversationnel fluide et adaptatif — tout en introduisant aussi des risques tels que la désinformation, la sur-dépendance et les atteintes à la vie privée, ce qui motive des démarches de conception fondées sur les connaissances.

L'interaction humain-robot (IHR) est l'étude interdisciplinaire de la manière dont les personnes et les robots interagissent, englobant la perception, la communication, la collaboration et les dynamiques sociales, cognitives et éthiques de cette interaction. En éducation, l'IHR sous-tend la manière dont les apprenants perçoivent les robots, leur font confiance et apprennent avec eux — qu'il s'agisse de programmer un robot, de converser avec un robot tuteur ou de répéter des scénarios sociaux. La recherche en IHR examine comment l'apparence du robot, son comportement, le contexte de la tâche et son incarnation façonnent l'expérience utilisateur, la confiance, l'agence et l'apprentissage. Les préoccupations clés de l'IHR éducative incluent la préservation de l'L'agence de l'apprenant humaine, la construction de la confiance, le soutien à l'auto-efficacité, et la garantie que l'interaction avec les robots soutienne plutôt qu'elle ne sape l'autonomie et l'apprentissage social. Elle relie la robotique à la collaboration humain-IA et à l'apprentissage socioémotionnel.

Comment les robots sont utilisés en éducation

Christ et al. (2026) ajoutent une typologie des rôles plutôt qu'une liste de technologies : leurs cinq types de robots de classe, dérivés d'ateliers, diffèrent par leur fonction pédagogique et leur niveau d'abstraction, et non par leur matériel. Le type a exécute une démonstration non interactive de schémas sociaux génériques (un théâtre d'émotions scénarisé suivi d'une discussion sur des dynamiques telles que l'escalade ou le malentendu) ; le type b est un robot interactif réagissant au toucher, soutenant le théâtre physique participatif, l'apprentissage incarné, la conscience des limites et la régulation des émotions ; le type c est un partenaire de langue parlée qui fait preuve d'empathie et se souvient des interactions avec un seul élève, créant un cadre protégé en tête-à-tête pour la confidence ; le type d est guidé de l'extérieur par un spécialiste caché, comme une marionnette dotée de degrés de liberté supplémentaires, dans le but d'aplatir la hiérarchie sociale ; et le type e est un robot non interactive qui rejoue des actions récemment observées dans l'école afin que les élèves puissent réfléchir à un comportement situé — le contraste avec le type a tenant précisément à son abstraction propre au contexte plutôt que généralisée. La typologie dit explicitement être un espace de conception non validé, ancré dans un programme national de santé mentale : c'est donc un menu pour concevoir et évaluer des rôles de robot, et non une preuve que l'un d'eux fonctionne.

  • Pensée informatique et programmation : les robots programmables (par exemple LEGO, les plateformes à blocs) aident les apprenants à relier le code à des résultats réels. Valls i Pou relie la pensée informatique aux programmes STIM du secondaire, et RoboBlockly Studio combine la programmation à blocs avec un agent d'IA conversationnelle et une rétroaction robotique incarnée. EduSim-LLM permet à des débutants de contrôler des robots simulés en langue naturelle.
  • Tutorat et transmission de connaissances : la recherche sur la conception fondée sur les connaissances et Teachy Mini développent des robots sociaux génératifs alimentés par LLM qui tutorisent des étudiants de l'enseignement supérieur, en affrontant des risques comme la désinformation et la sur-dépendance. La recherche sur la confiance montre que ce que fait un robot (le contexte de la tâche) façonne la confiance de l'apprenant davantage que son apparence, la confiance étant la plus forte pendant les tâches pédagogiques.
  • Narration et engagement : MotiBo et RoboBuddy emploient des robots sociaux interactifs alimentés par LLM pour la narration, afin de stimuler la motivation et l'engagement, tandis que l'étude d'IHR narrative sur iCub explore la narration co-créative entre humains et humanoïdes.
  • Apprentissage socioémotionnel et inclusion : REMind emploie le jeu de rôle médié par robot pour répéter l'intervention d'un témoin contre le harcèlement, et les travaux menés avec le robot Pepper explorent la communication robotique en langue des signes pour soutenir les apprenants sourds. Une revue de cadrage cartographie l'usage de Pepper dans l'enseignement formel.
  • Autonomie et agence : une revue systématique synthétise la manière dont l'IHR affecte l'autonomie humaine et le sentiment d'agence, en faisant le pont entre les cadres de conception et les exigences réglementaires (AI Act de l'UE, IEEE Ethically Aligned Design). Les robots sociaux comme compagnons d'étude et l'intégration robot-LLM en écriture créative explorent plus avant les rôles des robots.
  • Démarches par projets et par le jeu : Bots and Blocks présente un cours de robotique par projets, et une revue systématique compare l'apprentissage par le jeu et la gamification en robotique éducative.
  • L'apprentissage par renforcement et le passage du simulé au réel dans un flux de travail robotique complet. Dong, Cao et Wang (2026) convertissent un flux de travail de recherche robotique de bout en bout — assemblage, contrôles électriques, entraînement de politiques par simulation et déploiement physique — en un cours de lycée bâti sur un unique humanoïde ouvert (un ToddlerBot, dont le coût des pièces est rapporté sous les 6 000 dollars américains), réparti sur huit séances de trois heures. Les binômes partagent un même robot et entraînent une politique de marche en Simulation avant de la déployer sur le matériel, des portillons de sécurité (un test de station debout réussi avant la marche) rendant visible l'ordre des dépendances. Parce qu'un artefact partagé récompense l'équipe plutôt que l'individu, le cadre sépare la performance du robot de la compréhension individuelle : les étudiants tournent sur les rôles, chacun remet une prédiction et une explication distinctes à chaque point de contrôle, et l'avancement assisté n'est explicitement pas traité comme une preuve de maîtrise conceptuelle — l'avertissement des auteurs étant que franchir un jalon robotique n'est pas le comprendre.
  • La robotique de compétition comme problème d'écosystème, et non de kit. Jacobson et al. (2026) situent la contrainte déterminante de la robotique de la maternelle à la terminale moins dans le programme ou le matériel que dans le mentorat technique local et soutenu, et montrent qu'elle est distribuée géographiquement : en Indiana, la participation à la FIRST LEGO League s'est effondrée pendant la saison 2020 en distanciel, la participation urbaine s'est progressivement rétablie, mais la participation rurale ne l'a pas fait, restant près de son niveau d'après-2020 jusqu'en 2025–2026. Leur cadre ARC fait du mentorat l'objet conçu — des universités animent un cours donnant lieu à des crédits, qui prépare des étudiants de premier cycle à devenir mentors d'ateliers pour des équipes voisines, et des programmes scolaires matures deviennent des plaques tournantes secondaires dont les étudiants expérimentés deviennent mentors par les pairs pour d'autres écoles encore, si bien que la portée se propage au-delà du bassin de recrutement de toute université par une boucle auto-renforçante. Un essai mené dans une seule université a créé trois équipes rurales de FLL et a fait passer le sentiment de lien communautaire des étudiants de premier cycle de 1.86 à 4.00 sur une échelle en cinq points (le plus grand changement parmi toutes les évolutions mesurées, devant la confiance à enseigner des concepts techniques à +1.29), tandis qu'une simulation de Markov spatialement explicite portant sur les 1,925 écoles publiques de l'Indiana projetait 992 programmes scolaires après 40 ans sous des hypothèses modérées, contre 161 en l'absence d'ARC. Les données probantes sont au niveau de la faisabilité — sept mentors et quatre parents, des déclarations rétrospectives, aucun groupe témoin — mais le cadrage est transposable à tout programme de robotique : ce qui passe à l'échelle ou n'y passe pas, c'est la capacité de mentorat et la géographie des plaques tournantes, non le robot (Teaching AI, Robotics, & Community: A Hubs-Based K-12 Education Framework for Reaching Rural Schools).
  • Le développement de l'enfant et les jeunes apprenants : les jouets dotés d'IA et le développement de l'enfant déplacent la lentille vers les jouets commerciaux dotés d'IA à la petite enfance, en examinant comment des objets de jeu dotés d'IA affectent le développement et le jeu de l'enfant. Cela étend la robotique éducative au-delà des robots de classe, jusqu'aux jouets de consommation que les enfants rencontrent à la maison, soulevant des questions sur les agents dans le jeu, la calibration de la confiance, l'L'agence de l'apprenant et le bien-être pour les apprenants les plus jeunes — un domaine où les conseils de conception sont plus minces que pour les programmes de robotique destinés à l'âge scolaire.
  • La programmation tangible et les robots sociaux dans la littératie en IA de la maternelle. Lee (2026) intègre le jeu débranché, la programmation tangible (Bee-Bot, Ozobot) et le dialogue guidé avec un robot social doté d'IA dans le programme Play With AI (PL-AI) destiné à la maternelle et au jardin d'enfants. La recherche fondée sur la conception documente la manière dont ces activités de robotique incarnées et tangibles soutiennent le raisonnement émergent des enfants sur les concepts d'IA, avec quatre principes de conception — jeu incarné, programmation tangible, dialogue guidé et co-conception avec l'enseignant — offrant un modèle adapté au développement pour la robotique et l'éducation à l'IA à l'éducation de la petite enfance.
  • Deux paradigmes pour les jeunes apprenants : les robots de programmation et les robots sociaux génératifs. Yang, Li et Lee (2025) cadrent la robotique de la petite enfance comme l'appariement de deux paradigmes pédagogiques, dotés chacun d'une base théorique distincte. Les robots de programmation (Bee-Bot, KIBO, Matatalab) descendent du LOGO de Papert et incarnent le constructionnisme — les enfants apprennent en fabriquant et construisent la pensée informatique par la programmation tangible. Les robots sociaux génératifs, alimentés par l'IA générative, sont ancrés dans le constructivisme social : ils agissent comme des pairs ou des tuteurs conversationnels qui étayent l'apprentissage au sein de la zone proximale de développement de l'enfant et soutiennent le développement socioémotionnel. Leur Creative Project Approach en cinq étapes, pour intégrer les deux types de robots à la Project Approach, maintient les enseignants dans un rôle de facilitateurs qui guident l'interaction enfant-robot, équilibrent l'automatisation et la créativité, et préservent l'L'agence de l'apprenant de l'enfant.
  • Ce que la robotique de pensée informatique à la maternelle fait réellement. Une revue systématique de 53 études a montré que l'apprentissage par problèmes, la narration et l'étayage étaient les stratégies les plus fréquemment employées, la plupart des études ne nommant aucun cadre de pensée informatique et utilisant des outils d'évaluation ad hoc plutôt qu'un instrument validé tel que TechCheck-K (Tsingidou & Sapounidis (2026)).

Incarnation et pédagogie

Un thème définitoire est que les robots sont efficaces lorsqu'ils soutiennent de véritables objectifs d'apprentissage — et non comme des exercices techniques isolés. Un projecteur robotique fixé sur bureau, couplé à ChatGPT sur ordinateur portable alors que de l'aide était disponible (6.7 contre 7.3/10, p = .41), mais a conservé son score après retrait (7.0 contre 4.4/10, p = .003), soit un score de transfert à court terme supérieur de 60% — un gain dépendant de la tâche que les auteurs attribuent à la colocalisation spatiale plutôt qu'à un remplacement général (Orlando et al. (2026)). La valeur d'un robot dépend du contexte pédagogique : enseigner la pensée informatique (Pensée informatique), soutenir les STIM, construire des compétences de programmation, motiver les apprenants (La motivation, engagement), ou soutenir l'apprentissage socioémotionnel et l'inclusion. La robotique rejoint aussi l'apprentissage par projets, l'apprentissage par le jeu et l'apprentissage expérientiel. Les considérations clés de conception incluent la préservation de l'L'agence de l'apprenant de l'apprenant, la construction de la confiance, le soutien à l'auto-efficacité, et l'ancrage de l'apprentissage dans l'interaction incarnée. Dans l'apprentissage des langues, des données méta-analytiques indiquent l'efficacité de l'apprentissage incarné des langues assisté par robot.

  • Les voies vers l'apprentissage de la robotique alimentée par l'IA. Une étude qualitative menée auprès d'élèves de lycée dans un programme de robotique et d'IA a montré un apprentissage par la pratique réelle, la conception et l'expression créative ludique (selon une lecture constructionniste et épistémologique-pluraliste).

Concepts liés

Articles liés

FAQ liées

Métadonnées

DisciplineStem Education, Cs Education
NiveauK 12, Higher Ed
Apprentissage et enseignementApprentissage incarné
Technologies et techniquesLes robots en éducation
Fondements de l'IA dans l'éducationPensée informatique
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.