La rétroaction

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

La rétroaction (Feedback) — les informations fournies à un apprenant sur sa performance ou sa compréhension, destinées à combler l'écart entre la performance actuelle et la performance visée. Dans l'IA en éducation, la rétroaction est devenue un thème central et en transformation rapide : les systèmes d'IA génèrent, délivrent, et apprennent même aux étudiants à utiliser la rétroaction, en remodelant chaque étape du processus de rétroaction.

Questions à examiner

• La rétroaction est souvent imaginée comme des informations remises à un apprenant, mais la recherche soutient qu'elle ne « compte » comme rétroaction que lorsque l'apprenant lui donne du sens et agit en conséquence. Si la rétroaction est une relation plutôt qu'un message, qu'est-ce que cela change à la manière dont nous devrions la délivrer ?
• La perception qu'ont les étudiants de la provenance d'une rétroaction — IA ou humain — peut changer la quantité qu'ils en apprennent. Pourquoi, à votre avis, la source importe-t-elle autant — et qu'est-ce que cela implique pour la rétroaction générée par l'IA dans votre contexte ?
• La rétroaction immédiate peut être un piège : le « piège de la réponse correcte » montre que les étudiants qui se contentent de copier les corrections apprennent moins. Quand la rétroaction instantanée aide-t-elle, et quand court-circuite-t-elle l'apprentissage même qu'elle est censée soutenir ?
• La recherche a même montré qu'une séquence de rétroaction bien conçue — encouragement, puis indices, puis réponse — conçue pour construire l'autonomie a en réalité nui à l'apprentissage malgré une stimulation de l'engagement. Si les étudiants se sentent bien au sujet d'une rétroaction qui les fait apprendre moins, que devrions-nous optimiser ?
• La rétroaction est décrite comme un système doté de parties : la boucle de rétroaction, la qualité de la fourniture, la capacité d'appropriation de l'apprenant, et le contexte d'évaluation. Si vous cherchiez à améliorer la rétroaction dans votre propre cours, quelle partie corrigeriez-vous en premier, et pourquoi ?

Introduction

Ceci est le concept parapluie des idées de la base de connaissances relatives à la rétroaction. La rétroaction se situe à l'intersection de l'évaluation et de l'apprentissage : sans rétroaction, l'évaluation mesure la performance mais ne l'améliore pas ; avec une rétroaction efficace, l'évaluation devient un événement d'apprentissage. La base de connaissances traite la rétroaction comme un système doté de multiples facettes — la qualité de la rétroaction elle-même (Qualité de la rétroaction par IA), la boucle par laquelle elle comble l'écart d'apprentissage, la capacité de l'apprenant à l'utiliser (Littératie en rétroaction) et les contextes d'évaluation dans lesquels elle opère (L'évaluation formative, Évaluation par les pairs, Évaluation automatisée).

• Yilmaz et al. montrent que la perception qu'ont les étudiants de la source de la rétroaction (IA ou humain) façonne l'apprentissage autorégulé à partir de la rétroaction issue de l'IAG — une réserve cruciale pour les affirmations relatives à l'efficacité de la rétroaction.
• Nazaretsky et al. (2025) isolent la source du contenu : 472 étudiants de l'EPFL ont évalué des rétroactions humaines et des rétroactions GPT-4.0 comparables en contenu portant sur leur propre travail, d'abord en aveugle puis à nouveau après divulgation de la source, et la plupart n'ont pas pu distinguer de manière fiable les deux (287 sur 472 ont deviné juste). Une fois l'étiquette révélée, les évaluations de la variante IA ont chuté et celles de la variante humaine ont augmenté — de manière significative pour la Genuineness (p < .01) — et la crédibilité du fournisseur s'est séparée nettement (humain μ = 3.28 contre IA μ = 2.25, d de Cohen = 0.57). Le biais s'attache au fournisseur plutôt qu'au texte, puisque les deux variantes étaient comparables sur l'exactitude et la qualité cognitive.

Le système de rétroaction

La rétroaction se comprend au mieux non comme un événement unique mais comme un système connecté de parties en interaction, dont la base de connaissances documente chacune comme un concept propre :

• La boucle de rétroaction — le mécanisme par lequel la rétroaction comble l'écart entre la performance actuelle et la performance visée ; le cycle performance → rétroaction → révision → performance améliorée qui produit l'apprentissage.
• Qualité de la rétroaction par IA — l'exactitude, l'utilité, la ponctualité et la valeur pédagogique de la rétroaction générée par l'IA ; le versant fourniture du système.
• Littératie en rétroaction — les capacités et les dispositions dont les étudiants ont besoin pour comprendre, évaluer et agir sur une rétroaction ; le versant appropriation du système.
• L'évaluation formative — le contexte d'évaluation dans lequel la rétroaction sert à améliorer l'apprentissage alors qu'il est encore en cours, et pas seulement à le juger.
• Évaluation par les pairs — la rétroaction échangée entre apprenants, de plus en plus augmentée par l'IA et un lieu de développement de la littératie en rétroaction.
• Évaluation automatisée — la notation et la rétroaction pilotées par l'IA, de la notation automatisée des dissertations à la notation de réponses courtes sensible à la confiance.

La boucle de rétroaction

La boucle de rétroaction est le processus cyclique par lequel les systèmes d'IA évaluent le travail des étudiants, délivrent une rétroaction, observent la réponse de l'étudiant et adaptent l'enseignement subséquent. Les boucles de rétroaction médiatisées par l'IA opèrent à de multiples échelles de temps :

• La rétroaction immédiate : les systèmes de notation automatisée et les tuteurs d'IA fournissent une correction en temps réel pendant la résolution de problèmes. Les recherches sur le piège de la réponse correcte montrent que la rétroaction immédiate peut court-circuiter l'apprentissage si les étudiants se contentent de copier les corrections. Générer cette rétroaction corrective immédiate avec des LLM à l'intérieur d'un tuteur est faisable mais imparfait : sur 6,926 transactions journalisées dans la plateforme Apprentice Tutor College Algebra, Reddig, Arora & MacLellan (2025) ont constaté que GPT-4 produisait des indices ciblés sur l'erreur spécifique de l'étudiant dans environ 66% des cas, et pourtant qu'environ 35% des indices étaient trop généraux, incorrects, ou révélaient prématurément la réponse, et que les contrôles de qualité automatisés fondés sur les LLM étaient mal alignés sur le jugement humain — ce qui vient renforcer l'idée qu'une rétroaction d'IA non vérifiée, dans la boucle immédiate, porte un réel risque de court-circuitage.
• La rétroaction au niveau du devoir : les systèmes d'évaluation formative et les recherches sur la qualité de la rétroaction de l'IA examinent si la rétroaction de devoir générée par l'IA améliore les travaux subséquents. Les études sur la rétroaction séquencée testent si l'ordre de la rétroaction importe.
• Les boucles au niveau du cours : les tableaux de bord d'analytique de l'apprentissage et les plateformes éducatives agrègent la rétroaction sur l'ensemble des devoirs pour identifier des schémas et recommander des interventions.

L'efficacité d'une boucle de rétroaction dépend de l'qualité de la rétroaction — exactitude, spécificité, ponctualité et actionnabilité. Les systèmes de rétroaction entre pairs par l'IA ajoutent une dimension sociale à la boucle.

L'humain dans la boucle : les boucles de rétroaction ne sont pas purement automatisées — les enseignants médiatisent souvent la rétroaction générée par l'IA avant qu'elle n'atteigne les apprenants. Les études sur les outils de rétroaction par l'IA destinés aux enseignants (par exemple, l'outil PolyFeed, qui combine un détecteur par apprentissage automatique à un reformulateur fondé sur un Grands modèles de langue (LLM)) constatent que les enseignants utilisent leur jugement professionnel pour accepter, modifier ou rejeter les suggestions de l'IA — un schéma « assister mais vérifier » — et modèrent systématiquement les éloges exagérés et les suggestions génériques pour préserver l'authenticité et la voix. La dimension relationnelle et affective de la rétroaction (relation étudiant–enseignant, encouragement) est celle qui résiste le plus fortement à la délégation à l'IA, ce qui suggère que cette partie de la boucle demeure intrinsèquement humaine. Cette médiation avec humain dans la boucle rejoint l'humain dans la boucle et le rôle de l'enseignant.

La revue de politique de Luo et Eaton précise le même point : seules 14 des 50 universités les mieux classées disposaient d'orientations spécifiques sur l'usage de l'IA par les enseignants pour la rétroaction, et les étudiants ont décrit la rétroaction par l'IA non divulguée comme « disingenuous », faisant de la transparence et du consentement des conditions préalables de la pratique éthique plutôt que des politesses (Luo & Eaton (2026)).

LearnLens transforme cette médiation en mécanisme : il traite la modification d'un enseignant comme un signal d'insatisfaction plutôt que comme une correction, consacrant une puissance de calcul supplémentaire à une réflexion plus approfondie au lieu de renvoyer la réponse rapide, et le temps médian de ses enseignants par devoir est passé de 10 à 30 minutes à moins de cinq (Zhao et al. (2025)).

La lecture relationnelle va plus loin que la substitution. Dans des ateliers réunissant 12 étudiants et 18 éducateurs, Bearman et al. (2026) ont constaté que les étudiants traitaient l'IA comme une source supplémentaire mais imparfaite, la soupesant face aux grilles, aux notes de cours, aux forums de discussion et aux commentaires des éducateurs, et l'utilisaient comme une posture d'attente lorsque les réponses humaines tardaient ; l'un a collé des commentaires d'éducateur très minces dans un agent conversationnel pour déterminer quoi faire ensuite. La présence de l'IA a modifié les relations plutôt qu'elle n'a simplement ajouté des commentaires, au point qu'un étudiant a cessé de faire confiance à la rétroaction des forums de discussion entre pairs, la jugeant probablement rédigée par l'IA. Les auteurs proposent donc les humains comme la boucle : des personnes aidant d'autres personnes à construire au fil du temps des relations de rétroaction plus solides, en lieu et place de la supervision des productions de la machine.

Winstone et al. (2026) recadrent la rétroaction issue de l'IAG comme une affaire de soin — une pratique éthique et relationnelle plutôt qu'un transfert d'information — et nomment un paradoxe de l'espace sûr : le risque personnel réduit qu'offre l'outil peut renoncer à préparer les étudiants aux frictions des rencontres avec des rétroactions professionnelles.

Comment l'IA transforme la rétroaction

L'IA change la rétroaction dans trois directions aux conséquences importantes, dont chacune renforce les enjeux des autres facettes :

• Le volume et l'immédiateté. L'IA peut générer une rétroaction instantanément et à grande échelle, augmentant considérablement la quantité de rétroaction que reçoivent les étudiants. Les études multisites sur la rétroaction par l'IAG et les travaux sur la rétroaction par l'IA dans l'enseignement supérieur documentent une rétroaction par l'IA vécue comme comparable à la rétroaction des enseignants en acceptabilité et en caractère soutenant. Une revue systématique guidée par PRISMA de 42 études empiriques (2023–2025) corrobore ce bénéfice d'échelle — les LLM peuvent accélérer la notation et délivrer une rétroaction rapide et personnalisée à grande échelle, en particulier dans les cohortes nombreuses ou d'enseignement supérieur — tout en avertissant qu'une telle rétroaction est parfois trop générique ou mal alignée sur la note attribuée, et que la fiabilité se dégrade sur les tâches plus longues, multilingues ou nuancées (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback).

• La personnalisation est un vecteur de biais. En maintenant constantes des dissertations de niveau quatrième, quatre LLM ont prodigué des éloges excessifs et retenu leurs critiques pour des étudiants marqués par la race, la langue ou un handicap — si bien que le choix des attributs d'étudiants qui alimentent un système de rétroaction est une décision d'équité, et non une décision neutre (Tan, Phalen & Demszky (2026)).

• Les exigences d'évaluation pesant sur l'apprenant. Parce que la rétroaction de l'IA peut être inexacte ou hallucinée, les étudiants doivent juger s'il faut lui faire confiance et agir en conséquence. C'est là que la littératie en rétroaction et la calibration de la confiance deviennent décisives : Mendoza et al. (2026) montrent que seuls les étudiants dotés d'une littératie en rétroaction convertissent la rétroaction de l'IA en gains d'apprentissage autorégulé, tandis que le sophisme du LLM rend compte de la manière dont les étudiants peuvent surévaluer l'apport de la rétroaction de l'IA à leur propre compétence.

• La littératie en rétroaction se construit par l'usage, et non par la démographie. Chez 486 étudiants de premier cycle en anglais langue étrangère, seule la fréquence d'usage des outils d'IA a prédit la littératie en rétroaction relative à l'IA (β = 0.29) — ni la filière ni l'année d'études — si bien que l'étayage de l'accès à la rétroaction médiatisée par l'IA est une question d'équité autant qu'une question de conception (Liu & Deris (2025)).

• L'approbation en laboratoire n'est pas l'usage durant le semestre. Les 18 étudiants ont réagi positivement à la fonction d'explication par l'IAG lors des séances de laboratoire, et pourtant seule la moitié l'a utilisée pendant le semestre, citant une inadéquation, un manque de pertinence et une redondance lorsque la rétroaction de l'éducateur était déjà claire (Jin et al. (2025)).

• La confiance et le soin, et non l'exactitude, bornent l'appropriation. Dix-sept étudiants en anglais langue étrangère ont reconnu à un assistant d'écriture par l'IA une grande expertise, tout en doutant de sa fiabilité au sujet du traitement des données et en jugeant sa bienveillance la plus faible, ne l'autorisant que pour les questions de langue générales ; plusieurs ont aussi jugé ingérable le volume de ses suggestions (Serpil & Mor, 2026).

• L'adéquation au niveau de la tâche : trier la rétroaction selon son statut épistémique. Venetsanos (2026) soutient que les cadres sur lesquels s'appuie le domaine — les niveaux de Hattie et Timperley, les principes de conception de Boud et Molloy — expliquent où la rétroaction opère dans l'apprentissage, mais non si une tâche de rétroaction donnée relève de la vérification de règles, de la vérification factuelle ou du jugement interprétatif, et que c'est la seconde distinction qui décide si l'automatisation est défendable. La scission tripartite proposée est la suivante : rétroaction structurelle et présentationnelle de bas niveau (mise en forme, référencement, grammaire, clarté au niveau de la phrase — fondée sur des règles au regard de normes explicites, et automatisable en sécurité), vérification factuelle et procédurale de niveau intermédiaire (si un calcul a correctement employé une méthode spécifiée, si un fait énoncé correspond à des références faisant autorité — comparaison au regard de connaissances établies, et non jugement du raisonnement), et évaluation critique et synthèse de haut niveau, où le jugement est interprétatif et doit demeurer humain, conformément à la réglementation. Les niveaux sont des dimensions plutôt qu'une échelle : un même calcul peut être correctement présenté, arithmétiquement faux et méthodologiquement inapproprié à la fois, et peut attirer conjointement une vérification, une rétroaction de processus et une rétroaction d'autorégulation. Le cas limite le plus aigu du cadre est la clarté : la clarté au niveau de la phrase relève de la surface, mais l'imprécision argumentative signale souvent une saisie conceptuelle incomplète, si bien que les occurrences signalées devraient faire l'objet d'une escalade vers un examen humain plutôt que d'être corrigées comme de la prose — corriger l'écriture laisserait intact le problème réel.

• La rétroaction sensible au rôle. Yaşar et al. (2026) ont montré que le fait de demander par incitation au même LLM d'évaluer le même artefact d'étudiant sous différents rôles — enseignant, évaluateur par les pairs, rapporteur de subvention — produisait des rétroactions qualitativement distinctes : les enseignants étaient encourageants et axés sur le processus, les pairs soutenants et conversationnels, les rapporteurs de subvention formels et axés sur les résultats. Ces différences étaient épistémiques, et pas seulement stylistiques, mettant au premier plan différents aspects de la pratique de la conception — la preuve qu'un prompting sensible au rôle peut produire une rétroaction évaluative sensible au rôle plutôt qu'une unique réponse générique.

• Le type de rétroaction compte davantage que la densité de rétroaction. Une étude adaptative de huit semaines sur les processus stochastiques (194 étudiants) a montré que les rétroactions directive, informative et transformative étaient appropriées différemment, et que la rétroaction transformative contribuait à une surcharge cognitive — si bien que la conception de la rétroaction devrait accorder le type à la phase de l'apprenant plutôt que de maximiser le volume (Mejeh & Fromm (2026)).

• L'utilité de la rétroaction contre l'autorité évaluative. AlGhamdi (2026) montre que les étudiants peuvent accepter simultanément la rétroaction générée par l'IA comme utile et rejeter l'IA comme instance de notation appropriée — séparant l'utilité de la rétroaction (la valeur informationnelle de la rétroaction de surface) de l'autorité évaluative (qui peut décider de la note). Dans un dispositif transparent d'après-évaluation, des étudiants saoudiens en informatique ont traité ces deux aspects comme des jugements analytiquement distincts, valorisant la clarté de ChatGPT pour la révision tout en réservant l'autorité de notation à l'enseignant humain et en articulant les raisons dialogiques et institutionnellement fondées de ce choix. Le constat étend la littératie en rétroaction au-delà du jugement de la qualité de la rétroaction, jusqu'au raisonnement sur l'autorité évaluative elle-même, et suggère que la transparence sur l'implication de l'IA peut faire de la rétroaction un objet de réflexion critique plutôt qu'une acceptation passive.

• La posture de la révision est un résultat, et pas seulement sa qualité. La recherche sur la rétroaction demande habituellement si une révision a amélioré le texte. Zhao and Ji (2026) demandent quelle posture rhétorique le texte révisé adopte, en codant 168 dissertations argumentatives d'étudiants en anglais langue étrangère selon la théorie de l'Appraisal, sur les premières versions, les révisions après rétroaction entre pairs et les révisions par ChatGPT-4 des mêmes versions. Le langage d'engagement était également fréquent dans les trois, mais différemment configuré : les révisions issues de la rétroaction entre pairs devenaient plus contractives (davantage de Counter et d'Endorse, moins d'Entertain), tandis que les révisions par l'IA conservaient un mélange Contract/Expand plus équilibré. Aucune des deux n'est une meilleure écriture — l'essentiel est que les deux voies de révision laissent l'argument dans une position dialogique différente, ce qui fait de la posture elle-même quelque chose qu'une conversation de rétroaction peut nommer et qu'un rédacteur peut choisir.

• Une explication peut être persuasive et pourtant infidèle. Bueno et al. (2026) ont constaté que retirer les phrases qu'une justification produite par LLM classait comme les plus influentes ne faisait presque pas bouger un score de grille, tandis que les phrases sélectionnées par SHAP le modifiaient de manière fiable et se transféraient d'une famille de modèles à l'autre, si bien qu'une justification fluide n'est pas la preuve qu'un score repose sur elle.

• La littératie en rétroaction comme objectif de formation. Plutôt que de se contenter de fournir une rétroaction, les outils d'IA sont de plus en plus conçus pour enseigner aux étudiants à utiliser la rétroaction — en recadrant les outils de rétroaction automatisée comme des instruments de littératie, en concevant l'IAG comme un facilitateur de l'engagement dans la rétroaction, et en utilisant des tâches de critique par l'IAG pour construire ensemble les littératies psychologique, en rétroaction et en IA.

• La littératie en rétroaction et la calibration sont des leviers séparables. Avec 120 étudiants de premier cycle, un script de littératie en rétroaction (Filter–Reason–Act–Check) a amélioré la qualité de l'écriture, l'appropriation effective et la révision approfondie, une activité de calibration entre évaluation et performance a amélioré l'exactitude de l'auto-évaluation et réduit la surconfiance, et leur combinaison a produit les gains d'écriture les plus importants et la rétention la plus forte après le retrait du soutien par l'IA (Dai (2026)).

• La clarté n'est pas l'efficacité. Les messages d'erreur Python réécrits par LLM ont été jugés significativement plus lisibles et moins exigeants cognitivement que les sorties standard de l'interpréteur, et pourtant ils n'ont produit aucun gain significatif en taux de correction, en nombre de tentatives ou en temps de correction (Moraru, Biswas & Gadiraju (2026)).

Ce qui rend la rétroaction efficace : des preuves de calibration

Ngai & Gilbert (2026) fournissent un résultat expérimental net sur la conception de la rétroaction, directement pertinent pour l'IAED : c'est une rétroaction véridique, immédiate, essai par essai, rattachée à la propre prédiction antérieure de l'apprenant, qui change le comportement — la prédiction ou les croyances seules ne suffisent pas. Dans leur dispositif à quatre groupes, la rétroaction combinée à une prédiction de performance qui la précède a amélioré la calibration et le comportement, tandis que des prédictions sans rétroaction n'ont rien fait, et l'ajout d'une étiquette explicite de sur- ou de sous-confiance n'a rien ajouté de plus. Les LLM peuvent aussi servir de partenaires de calibration dans ce processus : Yaşar et al. (2026) ont constaté qu'après l'affinage de la grille, les LLM faisaient preuve d'une plus grande cohérence que certains évaluateurs humains dans l'application des seuils de performance — ce qui est utile pour les séances de normalisation et les environnements de rétroaction formative entre pairs, où le modèle aide à calibrer l'jugement évaluatif plutôt qu'à le remplacer. Cela s'aligne sur la vision systémique de la rétroaction dans la base de connaissances : le pouvoir de la rétroaction réside dans le fait de combler l'écart au regard de l'estimation propre de l'apprenant (l'appariement fourniture–appropriation), et une rétroaction efficace devrait être immédiate, exacte et explicitement reliée à ce que l'apprenant avait prédit — un principe de conception pour les systèmes de rétroaction par l'IA comme pour la formation à la littératie en rétroaction.

L'effort, toutefois, n'est pas automatiquement l'ingrédient manquant. Dans une expérience intersujets pré-enregistrée réunissant 302 adultes américains apprenant Python au niveau introductif, Asher, Gold & Carvalho (2025) ont associé une rétroaction explicative personnalisée produite par Claude Sonnet 3.5 à une invite structurée d'auto-explication en trois étapes — pour chaque section de code incorrecte, ce que fait le code correct et pourquoi la propre tentative de l'apprenant a échoué — et la réflexion ajoutée n'a rien apporté. Les participants à la Reflective Practice ont passé 4.1 minutes à examiner la rétroaction contre 2.1 minutes dans la simple Practice (t(267) = 11.30, p < .001), ce qui ne laissait de place que pour 2.0 problèmes d'exercice au lieu de 3.4 (t(267) = 8.20, p < .001) ; chaque problème valait la même chose dans les deux cas (OR problème-numéro × Réflexion = 1.03, z = 0.23, p = .486), si bien que la Practice s'est achevée avec une maîtrise plus élevée, 79% contre 65% (d = .41), et n'a jamais pris de retard sur les items de transfert proche, de transfert lointain ni d'évaluation de code. La réflexion n'a pas non plus produit le bénéfice métacognitif qu'elle visait : les jugements d'apprentissage ne différaient pas selon les bras, et les conditions de pratique étaient mieux calibrées (sous-confiance de 11 points, contre 20 points de surconfiance chez les observateurs de vidéos, d = −.93) et rapportées comme moins distrayantes (d = −.80) que chez les apprenants réflexifs, dont les réflexions n'atteignaient en moyenne que 35 mots. La lecture des auteurs est que la rétroaction de l'IA avait déjà fourni l'étayage que l'auto-explication ajoute normalement — un message qui nomme l'erreur, explique l'approche correcte et décrit le concept sous-jacent laisse peu à faire à une invite de réflexion — et que rédiger des réflexions tout en apprenant encore une syntaxe peu familière entrait en concurrence directe avec la répétition variée qui construit une compétence transférable. Cela situe une condition frontière pour les difficultés productives et l'échec productif sur l'axe de la profondeur de traitement : l'effort paie lorsqu'il engendre une récupération, une application ou une comparaison supplémentaires, et il est redondant lorsque l'apprenant reçoit déjà une explication personnalisée de son erreur spécifique. Cela vaut aussi pour la manière dont l'qualité de la rétroaction interagit avec l'appropriation : plus la rétroaction est élaborée et ciblée, plus l'espace est étroit pour qu'une couche ajoutée apporte de la valeur, ce qui déplace l'attention de la conception, de l'approfondissement d'un épisode unique vers la consécration des rares minutes d'exercice au volume, à la variabilité des problèmes et au calage de la réflexion sur des moments tels qu'un plateau détecté — l'étude a testé un seul renforcement non vérifié, et les auteurs notent que ces variantes demeurent ouvertes.

• La focalisation et l'adaptativité sont des dimensions séparables de la rétroaction. L'annotation des commentaires d'enseignants et de LLM dans trois cours universitaires d'écriture, selon sept types de focalisation de la rétroaction, montre que la plupart des modèles couvrent presque chaque type, tandis qu'aucun ne correspond à la distribution de l'enseignant entre ces types, et qu'aucun ne déplace sa focalisation selon les étapes de la rédaction comme le fait un enseignant expert (Almousa et al., 2026)).
• Des gains agrégés peuvent cacher des déplacements qui se compensent. Trois mois de rétroaction par le WISE Agent, auprès de 260 élèves de sixième chinois, n'ont fait bouger aucun score total de disposition à la pensée critique (t=-0.854, p=0.394), et pourtant la Truth-seeking a augmenté (p<0.001) tandis que la Cognitive Maturity a chuté (p=0.019) — un recul que les auteurs lisent comme des étudiants recalibrant une compréhension surestimée. (Zhu et al. (2026))

La rétroaction selon les contextes d'évaluation

La recherche de la base de connaissances sur la rétroaction couvre toute la gamme des contextes d'évaluation, dont chacun présente des dynamiques de rétroaction distinctes :

• La rétroaction formative est le site canonique de la rétroaction pour l'apprentissage — l'évaluation formative nourrit l'apprentissage autorégulé par une rétroaction qui arrive alors que l'apprentissage est encore en cours (les évaluations formatives automatisées, la mise en œuvre de la rétroaction).

• La rétroaction sommative est la rétroaction attachée à l'évaluation sommative — les tests de fin de chapitre, les examens oraux et les épreuves surveillées ou à livres fermés. À l'ère de l'IA, le cadre sommatif est celui où la résistance à l'IA importe le plus (voir l'évaluation sommative) : la rétroaction sur un examen oral surveillé ou une épreuve à livres fermés teste l'apprentissage véritable, tandis que la rétroaction sur des devoirs assistés par l'IA peut être gonflée. Les évaluations orales recadrent le moment de la rétroaction comme un dialogue vivant et interactif — la rétroaction devient immédiate, conversationnelle et inséparable de l'évaluation elle-même, ce qui explique précisément pourquoi elles résistent à la substitution par l'IA.

• La rétroaction entre pairs ajoute une couche sociale — la rétroaction entre pairs développe la littératie en rétroaction et est de plus en plus augmentée par l'IA (la rétroaction entre pairs par l'IA, l'IAG dans la rétroaction entre pairs en anglais langue étrangère). Et pourtant la rétroaction entre pairs ne vaut que par sa délivrance effective : dans une expérience de terrain d'un semestre, moins des deux tiers des étudiants à qui une rétroaction entre pairs avait été attribuée n'ont reçu aucune rétroaction textuelle, et une grande partie de ce qui a été délivré consistait en éloges non ciblés — si bien que lorsqu'une rétroaction individuelle par GPT-4 a remplacé des pairs peu fiables, les étudiants ont soutenu la participation la plus élevée et affiché les gains d'apprentissage de contenu les plus importants (Geschwind et al., 2026), la preuve que l'avantage de l'IA est un avantage de fiabilité plutôt qu'une supériorité intrinsèque.

• L'étayage par consignes transforme l'IAG en facilitateur de rétroaction. Chang et al. (2026) ont constaté que les étudiants dotés de consignes structurées (contexte, objectif, rôle) pour la rétroaction entre pairs produisaient davantage d'explications et de suggestions, et que seul ce groupe excellait sur les données de réfutation et sur le traitement du point de vue adverse.

• La rétroaction automatisée déploie la délivrance à l'échelle — la notation et la rétroaction automatisées, de la notation de dissertations à la notation de réponses courtes. Arthur (Yin et al. 2026) l'étend aux problèmes quantitatifs non structurés : un socle de diagnostic XGBoost par question infère les erreurs étiquetées selon la grille à partir des réponses numériques soumises par les étudiants aux Calculated Formula Questions d'économie appliquée à l'ingénierie et les convertit en rétroaction en langage naturel, tandis qu'un dispositif fondé sur le dialogue ne demande les réponses intermédiaires que lorsque la confiance est faible — équilibrant l'exactitude de la rétroaction et la charge de collecte pesant sur les étudiants.

• L'évaluation automatisée de l'écriture est un outil du côté de la délivrance, doté d'un coût mesurable. Une revue de 50 études empiriques (2019–2024) a montré que l'évaluation automatisée de l'écriture améliorait la grammaire, la ponctuation et la construction des phrases dans 25 études et réduisait la charge de correction mécanique des enseignants dans 15, libérant du temps pour l'argumentation, la cohérence et l'organisation ; les gains ne se maintenaient que lorsque les outils se situaient à l'intérieur de cycles structurés de rédaction et de révision, plutôt qu'en aides autonomes, une dépendance forte à leur égard était liée à une pensée critique et une créativité plus faibles, et les outils reproduisaient des normes d'anglais standardisé que les utilisateurs d'anglais langue étrangère jugeaient mal alignées sur leurs traditions rhétoriques (Gres et al., 2026).

Un aperçu transversal clé est que la fiabilité de la rétroaction dépend de l'intégrité de l'évaluation à laquelle elle est attachée : une rétroaction n'est digne de confiance que dans la mesure de la mesure à laquelle elle répond. À l'ère de l'IA, cela pousse les éducateurs vers des formats sommatives authentiques et résistants à l'IA, où la rétroaction que reçoit un étudiant reflète un apprentissage véritable plutôt qu'une production assistée par l'IA.

Le paradigme de l'« évaluation pour l'apprentissage » recadre la rétroaction comme une philosophie globale plutôt que comme une composante. Mesny, Roberge-Maltais & Galy (2026) synthétisent la littérature plus large de l'enseignement supérieur pour concevoir la rétroaction formatif, continue et individualisée comme centrale dans cette philosophie, en équilibrant les finalités formatives et sommatives et en mettant au premier plan l'agentivité des étudiants, l'autorégulation et la compétence métacognitive. Ils notent, toutefois, que dans l'enseignement du management, les pratiques riches en rétroaction demeurent inégalement adoptées : l'auto-évaluation et l'évaluation par les pairs (un lieu de rétroaction entre pairs) dominent la littérature, tandis que la réévaluation — qui use de secondes chances conduites par la rétroaction pour améliorer l'apprentissage — est pratiquement absente.

• L'actionnabilité démontrée n'est pas l'actionnabilité mise en œuvre. Dans une revue de cadrage de 421 études appliquant le traitement du langage naturel aux commentaires d'évaluation de l'enseignement par les étudiants, 61.3% produisaient des résultats au niveau d'un résultat démontré ou supérieur, mais seules 11.6% montraient des preuves que les utilisateurs visés avaient évalué ou utilisé ces résultats (Eicher & da Silva, 2026).

L'appariement fourniture–appropriation

L'aperçu fondamental de la base de connaissances sur la rétroaction est que la qualité de la rétroaction et la littératie en rétroaction sont les deux faces d'un même système : une rétroaction de haute qualité est inerte sans un destinataire lettré, et un étudiant lettré gagne peu d'une rétroaction médiocre. Qualité de la rétroaction par IA couvre le versant fourniture (la rétroaction est-elle exacte, ponctuelle, actionnable ?), tandis que Littératie en rétroaction couvre le versant appropriation (l'étudiant peut-il la juger et agir en conséquence ?). La boucle de rétroaction est ce qui les relie — le mécanisme par lequel une rétroaction de qualité, reçue par un apprenant lettré, comble l'écart. Concevoir une rétroaction par l'IA efficace revient donc à concevoir à la fois le système et l'étudiant.

Les capacités du côté étudiant qui importent sont empiriquement séparables : parmi 1,507 élèves du secondaire ayant chacun reçu un message de rétroaction automatisée standardisé sur un texte argumentatif, seuls l'engagement comportemental envers la rétroaction et les attitudes instrumentales à son égard ont prédit la performance de révision — les étudiants au 75e centile sur l'une ou l'autre dimension s'amélioraient d'environ 0.10 ou 0.11 point WLE de plus que des étudiants comparables au 25e, soit à peu près du 46e au 54e centile — tandis que la réceptivité globale, l'engagement cognitif et les attitudes expérientielles n'y étaient pas liés et que l'utilité perçue ne médiatisait le chemin d'aucune dimension vers la performance. L'utilité agissait sur l'autre résultat : l'effet de la réceptivité globale sur l'intérêt situationnelle passait entièrement par l'utilité perçue (β indirect = 0.09, IC à 95% [0.06, 0.13]), si bien que les gains de révision suivaient des habitudes durables d'agir sur la rétroaction, tandis que l'intérêt suivait l'appréciation d'un message particulier. (Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception)

Une source peut différer dans la manière dont elle calibre, et non dans la qualité de sa notation : dans une expérience randomisée, une rétroaction d'IA fondée sur la chaîne de pensée a surpassé un enseignant expérimenté sur la qualité de la grille sans pour autant produire de gains de révision plus importants, tandis que la rétroaction de l'enseignant demeurait calibrée d'une version à l'autre et que la rétroaction de l'IAG suivait la force de la dissertation initiale (Farrokhnia et al. (2026)).

Un modèle à deux couches montre comment l'appariement peut être organisé autour d'une machine sans lui déléguer le jugement. Dans l'exemple travaillé d'El Khoury et Ma, un agent produit un rapport de preuves fondé sur une grille provisoire pour chaque transcription, chaque évaluation étant rattachée à des extraits cités, puis l'enseignant examine le rapport, anime un compte rendu et décide de ce que les preuves signifient pour cet étudiant — une division que les auteurs résument en disant que l'IA organise les preuves tandis que l'enseignant les interprète. Leur affirmation au sujet de l'appropriation est fondée sur l'appréciation : la rétroaction et l'itération en dehors des hiérarchies sociales que les étudiants parcourent avec leurs pairs et leurs enseignants sont plus faciles à tenter, et c'est la répétition au rythme propre de l'étudiant qui, selon eux, transforme une confiance occasionnelle en habitude installée d'engagement envers la rétroaction.

Pourquoi la rétroaction importe pour l'IA en éducation

La rétroaction est l'un des mécanismes les plus conséquents et les mieux étayés de l'éducation, et l'IA l'amplifie et le complique tout à la fois. Une rétroaction par l'IA bien architecturée peut égaler ou dépasser la rétroaction humaine et se déployer à l'échelle de cohortes entières, mais elle exige de nouvelles capacités de la part des apprenants (littératie en rétroaction, littératie en IA) et porte des risques (acceptation acritique, sur-dépendance). À mesure que la rétroaction générée par l'IA devient omniprésente, la base de connaissances conçoit la rétroaction comme un système entier — qualité, boucle, littératie et contexte d'évaluation agissant de concert — plutôt que comme une composante unique.

• La rétroaction peut cibler celui qui la donne. La formation des tuteurs est un contexte de rétroaction peu exploré : des systèmes automatisés qui étiquettent séquentiellement les réponses ouvertes des tuteurs pour signaler les types d'éloges (éloge fondé sur l'effort — la variété souhaitable, axée sur le processus — contre éloge fondé sur le résultat contre éloge fondé sur la personne, la variété la moins souhaitable, qui attribue des traits) peuvent délivrer une rétroaction explicative qui change le comportement de tutorat. La contrainte liante est constituée par les données étiquetées par des experts. Une approche par augmentation — GPT-4o génère des réponses étiquetées synthétiques, faisant passer un ensemble peu doté de 13 instances à 520, puis affine GPT-3.5 — récupère l'essentiel de l'écart : F2 +20,5% sur l'éloge fondé sur l'effort, +17,3% sur l'éloge fondé sur le résultat, et +16,5% sur la catégorie inédite de l'éloge fondé sur la personne. Le test de généralisation à un type d'éloge inédit est le contrôle de validité qui distingue ce résultat d'un surapprentissage, et le mécanisme est plus proche de la distillation d'un modèle enseignant que de l'augmentation classique. (Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation)

Concepts liés

• Patrons pédagogiques — Les séquences de rétroaction testées, y compris pourquoi une rétroaction par l'IA de meilleure qualité n'a pas produit davantage de révision
• Portefeuille électronique (e-portfolio)
• Qualité de la rétroaction par IA
• Littératie en rétroaction
• L'évaluation formative
• L'évaluation sommative
• Évaluation par les pairs
• Auto-évaluation
• Évaluation automatisée
• Évaluation
• Évaluation authentique
• Validité de l'évaluation
• L'apprentissage autorégulé
• Littératie en IA
• L'étayage
• L'écriture

Articles liés

• Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception — Rétroaction automatisée sur l'écriture argumentative : le rôle de la réceptivité à la rétroaction et de la perception de la rétroaction chez les élèves du secondaire
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI agents, joyful assessment, and third space
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Student perspectives on transparent AI-assisted writing assessment (AlGhamdi 2026)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Comparaison des notations de ChatGPT, des pairs et de l'enseignant selon les niveaux de qualité des projets (Usher & Faraon 2026)
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback
• Generative AI offers more, but students revise less: comparing the effects of teacher and AI feedback on student essay revisions — Rétroaction de l'enseignant contre rétroaction de l'IAG : les étudiants révisent moins avec l'IA
• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — La rétroaction de l'IAG et l'apprentissage autorégulé : la source perçue importe
• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — La rétroaction entre pairs assistée par l'IAG dans l'argumentation collaborative
• Is It Ethical for Teachers to Use AI for Student Feedback? — Ethics of AI in student feedback
• Metacognitive Training Facilitates Optimal Cognitive Offloading — Metacognitive training facilitates optimal cognitive offloading (Ngai & Gilbert 2026)
• AI Feedback Literacy in Higher Education: Understanding, Measuring, and Predicting Student Feedback Uptake — L'échelle AI Feedback Literacy et la prédiction de l'appropriation (Liu & Deris 2025)
• Generative artificial intelligence as an enabler of student feedback engagement: a framework — GenAI as enabler of student feedback engagement (Zhan, Boud, Dawson & Yan 2025)
• Making sense of AI feedback: how students' feedback literacy moderates the link between ChatGPT acceptance and self-regulated learning — Feedback literacy moderates AI feedback → SRL (Mendoza et al. 2026)
• Rethinking AI-assisted writing instruction: feedback literacy scripts, calibration training, and student writing development — Feedback literacy scripts for AI-assisted writing (Dai 2026)
• Students' Perceptions of Generative AI-Powered Learning Analytics in the Feedback Process: A Feedback Literacy Perspective — GenAI learning analytics in feedback (Jin et al. 2025)
• Reconnecting relationships through technology: Developing feedback literacy capabilities through an AI automated feedback tool — AI automated feedback tool for feedback literacy (Tubino & Adachi 2025)
• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — GenAI in EFL peer feedback for feedback literacy (Irwin & Muller 2026)
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — La rétroaction générée par l'IA dans l'enseignement supérieur
• The care-full craft of feedback in an age of generative AI — Care-full feedback design with GenAI
• How artificial intelligence transforms the feedback ecosystem in higher education — L'écosystème de la rétroaction dans l'enseignement supérieur : l'IAG remanie les relations de rétroaction, et les humains comme la boucle (Bearman et al. 2026)
• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — Learner-centered AI feedback practices
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Multi-site GenAI feedback design
• Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — AI feedback and critical thinking in writing
• Using Generative AI to Promote Psychological, Feedback, and Artificial Intelligence Literacies in Undergraduate Psychology — GenAI assessment builds psychological, feedback, and AI literacies
• LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop — LearnLens : une rétroaction ancrée dans le curriculum avec supervision de l'éducateur (Zhao et al. 2025)
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — Sequenced AI feedback studies
• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — Les systèmes de rétroaction entre pairs par l'IA
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — Les évaluations formatives automatisées en sciences de niveau A
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies : les biais dans la rétroaction automatisée en écriture
• From Scoring to Explanations: Evaluating SHAP and LLM Rationales for Rubric-based Teaching Quality Assessment — SHAP contre les justifications produites par LLM pour la rétroaction pédagogique fondée sur une grille
• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — LLM adaptive explanations of programming errors
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — Les LLM comme agents de conception pédagogique itérative
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models
• Arthur: An artificial intelligence powered teaching assistant system for Engineering Economics class
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — Un cadre tripartite : trier la rétroaction selon son statut épistémique et les cinq principes frontière pour l'implication de l'IA (Venetsanos 2026)
• Benefit or Bottleneck? Assessing the Impact of Structured Reflection on Learning from AI-Driven Explanatory Feedback — Benefit or bottleneck? Structured reflection on AI explanatory feedback (Asher, Gold & Carvalho 2025)
• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback
• From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning — From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning
• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
• Who Gives Feedback Matters: Student Biases Towards Human and AI-Generated Formative Feedback — Who gives feedback matters: source labels shift ratings when the text is held comparable (Nazaretsky et al. 2025)
• AI-Powered Feedback System for Writing: A Review of Automated Writing Evaluation (AWE) Tools — AI-Powered Feedback System for Writing: A Review of Automated Writing Evaluation (AWE) Tools
• Human-written and AI-generated revisions: An appraisal analysis of dialogic positioning in argumentative writing — What a revision does to the writer's stance: peer feedback turns argumentative essays more contractive, AI revision keeps the Contract/Expand balance (Zhao & Ji 2026)
• Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation — Améliorer les systèmes de rétroaction automatisée pour la formation des tuteurs dans des scénarios peu dotés, par augmentation des données (Xu et al. 2025)
• A Conversational AI Framework for Teacher Training — Diagnostic conversationnel par IA des conceptions erronées en enseignement, par un dialogue fondé sur les preuves (Miranda & Calvani 2026)