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

Collaboration humain-IA

Création 2026-05-29 · Mise à jour 2026-10-10

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

La collaboration humain-IA — la répartition du travail cognitif entre les personnes et les modèles — est le thème d'interaction central de la base de connaissances : Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, It Felt a Bit Eerie": Exploring Humanlike Interactions During Collaborative Writing with an Artificial Agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) et Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing examinent la confiance, l'autonomie et les rôles complémentaires (Humain dans la boucle, IA agentique). La question déterminante est de savoir si le partenariat préserve ou remplace le travail cognitif propre de l'apprenant — un même dispositif peut soutenir l'apprentissage ou s'y substituer, selon la manière dont la responsabilité est partagée.

Questions à examiner

  • La question déterminante de la collaboration humain-IA est de savoir si le partenariat préserve ou remplace votre propre travail cognitif. Songez à une tâche que vous avez confiée à l'IA : génériez-vous et décidiez-vous, ou vous contentiez-vous d'accepter ?
  • Une étude a montré qu'une collaboration libre avec ChatGPT ne produisait que des gains transitoires, qui s'effondraient lors d'une tâche ultérieure sans assistance, tandis qu'un protocole « réfléchissez d'abord, ChatGPT ensuite » donnait un apprentissage durable. Pourquoi celui qui génère les idées pourrait-il prédire si vous apprenez réellement ?
  • Un même outil peut soutenir l'apprentissage ou s'y substituer selon la manière dont la responsabilité est partagée. Pouvez-vous citer un dispositif qui vous a gardé cognitivement productif, et un autre qui a discrètement délesté votre pensée ?
  • Un dispositif inverse les rôles habituels : au lieu que le modèle fournisse les réponses, l'étudiant explique le contenu et le modèle joue le rôle de la partie ignorante qui demande des explications, des exemples et un contre-argument. Si c'est l'IA qui pose les questions, qu'advient-il de la part de réflexion qui reste de votre côté ?
  • La confiance est décrite comme devant être calibrée, et non présumée — s'appuyer sur l'IA là où cela convient et vérifier là où il ne le faut pas. Comment décidez-vous actuellement quand faire confiance à une sortie d'IA et quand la vérifier ?
  • Les recherches identifient des modes de collaboration qui arbitrent entre l'efficience et la profondeur de votre engagement autorégulé. Quand vaut-il la peine d'accepter moins d'efficience pour garder davantage d'apprentissage entre vos mains ?
  • Si la collaboration est un choix pédagogique autant qu'un choix technique, quels leviers de conception (invites, flux de travail, structures) mettriez-vous en place pour garantir que l'IA augmente la pensée de vos apprenants au lieu de la remplacer ?

Introduction

La collaboration humain-IA décrit la manière dont les apprenants, les enseignants et les systèmes d'IA se répartissent le travail cognitif — qui fait quoi, qui décide, et comment la Confiance et l'L'agence de l'apprenant sont préservées. Plutôt que de présenter l'IA comme un simple substitut ou comme un outil passif, la recherche sur la collaboration traite l'IA comme un partenaire aux forces complémentaires, dont la valeur dépend de la manière dont la responsabilité est partagée et supervisée. Au niveau du comportement observable, l'L'interaction élève-IA saisit comment les apprenants mettent cette relation en pratique — les questions, les invites et les gestes de vérification qu'ils accomplissent avec l'IA, instant après instant.

La répartition du travail traverse aussi les personnes qui conçoivent l'interaction. Dans le cas des douze mises en œuvre de cours de formation des enseignants, les enseignants-chercheurs ont positionné l'IA comme un partenaire de réflexion, un générateur de critique ou un outil de répétition, tandis que les candidats conservaient la responsabilité d'évaluer, d'adapter et de justifier leurs décisions ; le même livre blanc rapporte pourtant que les candidats dévaluaient une rétroaction qu'ils avaient eux-mêmes jugée utile dès lors que la paternité de l'IA était révélée, un épisode qu'il nomme l'effet de ballon qui se dégonfle. Une analyse de 1,378 tours de parole entre concepteurs et chatbot conclut dans le sens inverse sur la question de la génération : les concepteurs utilisaient l'assistant intégré principalement pour des vérifications d'alignement sur les résultats d'apprentissage et l'approche pédagogique, plutôt que pour produire du contenu. Dans les deux cas, c'est le jugement évaluatif de l'humain, et non la sortie du modèle, qui porte l'apprentissage.

Bénéfices, risques et implications pour la conception

Les données probantes de la base de connaissances montrent que la collaboration humain-IA est un dispositif à double tranchant, dont l'issue est déterminée par la conception bien plus que par l'IA elle-même :

  • La collaboration peut renforcer l'apprentissage lorsqu'elle préserve l'engagement cognitif. Les études sur l'IA générative comme outil de pensée et sur la collaboration guidée montrent que, lorsque la répartition du travail maintient l'apprenant dans la génération, la décision et l'évaluation, l'IA augmente la pensée au lieu de la remplacer — produisant des gains durables en apprentissage autorégulé et en La créativité. Le fait que l'apprenant conserve le rôle de décideur s'étend à l'écriture : Oppenheimer, Cash & Connell Pensky (2025) montrent que les critiques par LLM des essais argumentatifs d'étudiants ont amélioré l'écriture sur un semestre, les apprenants décidant d'intégrer ou de réfuter la rétroaction du modèle (87.8% des affirmations ont été réfutées) — un dispositif qui préservait le travail évaluatif de l'apprenant — et les gains apparaissaient même sur les essais écrits sans l'aide d'un LLM, ce qui suggère une compétence durable plutôt qu'une dépendance à l'outil.

  • La collaboration peut se substituer à l'apprentissage lorsqu'elle délaisse trop de travail. Le mode d'échec est la dépendance excessive : lorsque l'IA produit la réponse, le rôle de l'apprenant se réduit à une acceptation passive, et la performance immédiate sur la tâche masque l'absence d'apprentissage durable. Les recherches sur performance versus apprentissage et le cycle de préjudice allant de la substitution à l'étayage (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) le documentent systématiquement.

  • Un meilleur résultat ne constitue pas en soi la preuve que la collaboration a enseigné quoi que ce soit. Le reste des données présentées ici lit la performance assistée avec prudence, et un test randomisé du type de soutien montre pourquoi. Dans l'étude de laboratoire d'Iqbal et al. (2026), 87 étudiants d'anglais langue étrangère ont rédigé un essai sans aide, puis l'ont révisé avec ChatGPT 4.0 (n = 29), avec un enseignant d'écriture humain (n = 28) ou sans aucun soutien (n = 30). La stratégie de révision, parmi les quatre dérivées des traces, qu'un étudiant employait était fortement associée au soutien dont il disposait (V de Cramér = 0.668) et seulement modérément à sa stratégie d'écriture antérieure (V de Cramér = 0.333) ; la La motivation, la compétence en écriture et la précision du jugement métacognitif ne montraient aucune association globale, le lien métacognitif n'apparaissant que dans la condition sans soutien (p = 0.0460). Point crucial, aucune stratégie de révision ne prédisait le changement de note (p = 0.273), alors que le type de soutien le prédisait : le groupe sous IA générative s'est amélioré significativement plus que les groupes expert humain et témoin (H(2) = 16.591, p = 0.00025, η² = 0.174), et, à l'intérieur de la même stratégie de diminution progressive de la Recherche d'aide, les étudiants sous IA générative gagnaient environ 4 points en moyenne tandis que ceux accompagnés par un expert humain en perdaient 0.5. Les auteurs interprètent ce schéma comme un contournement par le soutien externe du jugement métacognitif propre de l'apprenant, et avertissent que les gains peuvent relever d'une optimisation spécifique à la tâche plutôt que d'une capacité durable. Cela ne renverse pas le principe du qui génère et décide (l'étude faisait varier qui fournissait le soutien, non qui produisait la réflexion), mais il aiguise l'épreuve qu'un enseignant devrait appliquer : un gain obtenu sous assistance doit survivre à une tâche sans assistance pour compter comme un apprentissage, et l'ajout d'un expert humain dans la salle n'est pas automatiquement le dispositif le plus sûr.

  • L'ajout de pairs n'est pas automatiquement le dispositif le plus sûr non plus. Chu, Dai et Zhai (2026) ont fait travailler 87 étudiants de premier cycle seuls ou en binômes avec un système multi-agents d'IA générative pendant huit semaines. Les binômes ont obtenu les meilleurs résultats sur le projet de conception complexe (M = 89.64, contre 85.85 pour les étudiants ayant travaillé en binômes sans le système et 86.45 pour ceux qui l'utilisaient seuls, p = 0.039), alors que la conscience de la pensée critique a le plus augmenté chez ceux qui travaillaient seuls (M = 0.41) et a légèrement diminué chez les binômes (M = −0.04, p = 0.039).

  • Principe de conception — préserver le travail productif de l'apprenant. Dans l'ensemble des recherches, le prédicteur le plus net de l'effet bénéfique ou néfaste de la collaboration est le qui génère et décide. Les dispositifs qui maintiennent l'humain cognitivement productif (invite guidée, « réfléchissez d'abord, puis consultez l'IA », étapes de vérification et d'évaluation) soutiennent l'apprentissage ; ceux qui confient l'ensemble de la tâche au modèle, non. Le mouvement complémentaire consiste à changer ce à quoi le modèle est assigné d'être. Dans le quasi-expériment de Wang et al. (2026), 68 enseignants en formation initiale expliquaient soit le concept de classe inversée à un apprenant novice en IA générative construit sur ERNIE 3.5 (un système présenté comme curieux et reconnaissant, qui demandait des explications, des exemples, un raisonnement de vérification et une perspective opposée, en progressant dans la taxonomie de Bloom), soit posaient des questions à un enseignant en IA générative construit sur le même modèle. Les étudiants qui enseignaient à l'IA expliquaient mieux (définition de la classe inversée : M = 4.18 contre 3.29 ; ses activités d'enseignement : M = 4.91 contre 3.06, dans les deux cas p < 0.001) et généraient des questions plus nombreuses et de meilleure qualité (M = 3.67 contre 2.14 ; M = 5.67 contre 3.07, dans les deux cas p < 0.001), tandis que le rappel objectif était statistiquement indiscernable (M = 23.18 contre 21.57, p = 0.416) : l'avantage résidait donc dans l'explication et le transfert plutôt que dans la récupération de faits. Les étudiants de la condition « enseignant IA » se montraient francs sur le compromis : certains concédaient que cela donnait « des informations plus précises et plus détaillées », tout en rapportant qu'« après l'avoir utilisé, je n'avais plus envie de réfléchir par moi-même ». Assigner au modèle le rôle d'apprenant à enseigner fait de l'étudiant la seule source des idées et supprime la difficulté persistante de trouver un pair approprié à enseigner. Deux limites de conception en découlent : la planification et le suivi ne se sont pas améliorés (M = 4.01 contre 3.78, p = 0.062), de sorte que l'inversion des rôles ne constitue pas en soi une intervention métacognitive, et les auteurs attribuent ce résultat nul à une conception de tâche qui maintenait les étudiants centrés sur l'exactitude du contenu. Dans une classe d'écriture, ce principe prend une forme concrète et enseignable. Dans le quasi-expériment mené par Alshehri et al. (2026) auprès d'étudiants saoudiens d'anglais langue étrangère, ceux-ci suivaient une routine en cinq temps — cadrer le problème et concevoir les invites, rédiger de façon itérative, réviser, vérifier chaque affirmation et chaque citation dans des bases de données académiques, et réguler leur propre attribution et leur propre recours à l'IA — chaque devoir exigeant un journal des usages de l'IA indiquant ce qu'ils avaient accepté, rejeté, et pourquoi. L'écriture et la pensée critique numérique ont progressé ensemble, presque au même rythme, et les réflexions des étudiants rattachaient spécifiquement les routines de vérification et de réparation des hallucinations aux gains de pensée critique : les mêmes habitudes d'interrogation des sorties façonnaient leurs décisions de rédaction. La réserve des auteurs est le complément nécessaire du principe — le flux de travail est contingent plutôt qu'autosuffisant, et peut devenir contreproductif en cas d'L'étayage insuffisant, de faible disposition à la pensée critique ou à la métacognition (lorsque les étudiants n'ont pas la capacité de repérer une sortie erronée), de délégation progressive des décisions de rédaction, ou de politique d'usage de l'IA institutionnelle peu claire.

  • L'autorité bornée est elle-même un patron de conception pour la collaboration à forts enjeux. Les enseignants de Reichert et al. (2026) n'ont pas prototypé des assistants ouverts, mais des systèmes dont la liberté était fixée à l'avance : chaque conception cantonnait le chatbot à un contenu de leçon spécifique, et la sécurité était stratifiée en frontières de domaine (périmètre propre à la leçon, plus un « quota d'informations » exigeant un nombre minimal de faits ou de problèmes avant que la conversation ne progresse), en filtrage de contenu avec refus standardisés (« Désolé, cela ne fait pas partie de ma base de connaissances ») qui alertaient aussi l'enseignant, et en possibilité de surcharge par l'enseignant pour les cas ambigus — l'exemple donné étant une question sur la reproduction humaine, légitime dans son unité, qui devait être orientée vers une personne plutôt que rejetée automatiquement. La personnalisation du format, du genre, du rythme et de la complexité était bien accueillie à l'intérieur de ces frontières, et la supervision (journaux complets des conversations, alertes en temps réel, surcharge) était pensée comme une responsabilité professionnelle plutôt que comme une défiance envers le modèle. L'implication est que, dans les contextes à forts enjeux, la répartition du travail doit être spécifiée comme bornée, supervisée et révocable, plutôt que négociée tour à tour.

  • La confiance doit être calibrée, et non présumée. La collaboration productive dépend de la capacité des apprenants à calibrer avec justesse le moment de s'appuyer sur une sortie d'IA et celui de la vérifier — ce qui renvoie à la Le calibrage de la confiance et à la supervision humaine plutôt qu'à une acceptation aveugle ou à un rejet systématique.

  • La collaboration enseignant–IA est également à double tranchant pour l'engagement, et pas seulement pour l'apprentissage. Dans une enquête à trois vagues portant sur 468 enseignants universitaires, la collaboration a accru l'engagement au travail par la disponibilité psychologique (indirect 0.19) tout en le réduisant par l'aliénation au travail (indirect −0.03) ; la compétence numérique modérait les deux, aplatissant la pente de l'aliénation de 0.38 à 0.17 (Sun et al. (2026)).

  • La répartition du travail suit la crédibilité, non la capacité. Ce sur quoi les apprenants s'accordent est une allocation de principe : l'IA pour la rétroaction langagière immédiate et largement applicable, les enseignants pour l'accompagnement individualisé et relationnel, répartie selon la crédibilité perçue de chaque source plutôt que selon son exactitude, parce que la contrainte déterminante sur le recours était le soin perçu, non la compétence (Serpil & Mor, 2026).

  • Le recours est un processus de population, et pas seulement un choix individuel. Dans un modèle fondé sur les agents, une preuve sociale visible en faveur d'usages non vérifiés a fait chuter la vérification de 0.29 à 0.002 et a fait monter la dépendance excessive de 0.30 à 0.52, tandis qu'une vérification par les pairs visible rétablissait une vérification quasi complète — changer ce que les apprenants voient faire aux autres l'emporte sur la réduction du coût de la vérification (Biswas (2026)).

Cela fait de la collaboration humain-IA une construction pédagogique autant que technique : la valeur du partenariat est façonnée par la manière dont les enseignants conçoivent l'interaction, dont les apprenants la régulent, et dont le système favorise ou décourage l'engagement productif.

Comment la collaboration humain-IA apparaît dans la recherche

  • Confiance et attentes : les attentes de confiance examinent comment les attentes des apprenants envers l'IA déterminent si la collaboration est productive ou conduit à la dépendance excessive.
  • Rôles complémentaires dans l'écriture et la pensée : l'écriture collaborative avec une IA à apparence humaine et l'IA générative comme outil de pensée montrent comment l'IA peut augmenter la pensée de l'apprenant au lieu de la remplacer, lorsque la répartition du travail préserve l'engagement cognitif de l'apprenant.
  • Orchestration et autonomie : l'orchestration de l'autonomie par l'enseignant et l'étudiant et les modèles mentaux des étudiants traitent de la manière dont l'autonomie se négocie entre humains et IA, en lien avec Humain dans la boucle et l'IA agentique.
  • Les programmes professionnels réorientent la formation de la production routinière vers les compétences de collaboration (un protocole de conception) : Wang (2026) propose un cadre fondé sur la conception pour la formation des traducteurs, bâti autour d'un inventaire de déplacement des tâches (18 sous-tâches évaluées selon la probabilité de déplacement par l'IA, avec des étiquettes de provenance [E]/[P]) et de quatre compétences réorientées : connaissance interdisciplinaire, orchestration de l'IA, jugement stratégique et évaluation critique de l'IA. Le cadre est un protocole préenregistré, sans données empiriques à ce jour ; sa contribution est la méthode — une analyse de déplacement auditable, accompagnée d'une voie de co-conception pour la réforme des programmes —, laquelle se transfère à tout programme professionnel dont les tâches routinières sont de plus en plus accomplies par des systèmes agentiques.
  • Dimensions métacognitives et collectives : les modèles métacognitifs d'IA centrés sur l'humain et la médiation disciplinaire au sein des équipes d'étudiants étendent la collaboration à la métacognition et à l'apprentissage en équipe.
  • La compétence de collaboration comme configuration, non comme liste de cases à cocher — la métacognition prend le rôle intégrateur du Le savoir technologique, pédagogique et disciplinaire (TPACK). Dang, Hong, Doyle et Nguyen (2026) définissent la compétence de collaboration humain-IA comme une configuration dynamique de compétences de domaine, de compétences en IA et de compétences métacognitives, ainsi que de leurs intersections (Travailler avec l'IA, Apprentissage agentique avec l'IA, Développement personnel et professionnel agentique, et la compétence elle-même), rejetant explicitement une liste additive de compétences en IA greffée sur un programme existant. Leur geste central réattribue le travail intégrateur que la pédagogie assure dans TPACK : parce que l'IA est un participant adaptatif dont la contribution se déplace au fil de la tâche, la charge de coordination retombe sur la métacognition propre de l'apprenant — décider quand consulter l'IA, comment cadrer l'interaction, et quand la contourner — de sorte que c'est l'apprenant, et non l'enseignant, qui détient le mécanisme qui rend la collaboration productive. L'autonomie de l'apprenant est délibérément omise comme nœud autonome ; elle est plutôt la qualité émergente que les apprenants expriment lorsqu'ils coordonnent les trois compétences, ce qui fait de l'autonomie une propriété de la configuration plutôt qu'une compétence à entraîner isolément. L'étude par entretiens du cadre menée auprès de 24 enseignants néo-zélandais a soutenu les dimensions de manière descriptive, et le niveau de rôle déplaçait l'accent plutôt que l'acceptation : les réseaux des enseignants principaux se centraient sur l'IA, avec des liens vers la compétence de collaboration et le développement professionnel, différant significativement de ceux des enseignants expérimentés (U = 10.00, p = .04) et des enseignants en début de carrière (U = 7.00, p = .01).
  • Des modes de collaboration distincts : des travaux empiriques identifient trois modes de Résolution de problèmes collaboratifs humain–IA — Delegated Reasoning, Concerted Interpretation et Delegated Elaboration — révélant un arbitrage entre l'efficience du système distribué humain–IA et la profondeur de l'engagement autorégulé des apprenants (le raisonnement délégué performe le mieux, mais avec un engagement d'Réglementation de l'IA dans l'éducation de soi plus faible).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
  • Les animateurs humains et les animateurs IA peuvent être perceptuellement interchangeables dans une discussion structurée, mais la réutilisation obéit à des raisons différentes. Kuhail et al. (2026) ont remplacé un modérateur humain par un modérateur GPT-4 (et inversement) sur 32 sessions de débat animées par 32 étudiants de disciplines STIM, et n'ont trouvé aucune différence statistiquement significative en matière d'efficacité, de plaisir, de satisfaction, d'utilité ou d'intention d'utilisation (t allant de 0.23 à 1.30, p de 0.198 à 0.818). Ce qui différait, c'était la raison pour laquelle les étudiants reviendraient : sous modération IA, l'utilité perçue déterminait l'intention d'utilisation (0.806, p = 0.004), tandis que la satisfaction ne la déterminait que sous modération humaine (0.556, p = 0.002). Les auteurs lisent cette comparaison plate comme une normalisation dans les tâches régies par des règles plutôt que comme une preuve d'équivalence, et recommandent de conserver une supervision humaine pour des raisons éthiques et relationnelles, tout en rendant lisible l'utilité des activités modérées par l'IA au lieu de s'appuyer sur le plaisir. Parce que l'étude ne mesurait que les perceptions, elle ne dit rien de la question de savoir si les étudiants débattaient mieux.
  • Assigner la tâche avant de la déléguer. Tsim et Gutoreva (2025) ajoutent une quatrième zone — ce que le modèle sait déjà — aux zones de développement de l'apprenant, ce qui donne des affectations Substitute, Complement, Aid et Non-negotiable, et soutiennent que les modes automation–augmentation–collaboration diffèrent par le locus de contrôle et la responsabilité épistémique plutôt que par la sophistication de l'outil.
  • L'ingénierie des invites comme pensée pédagogique, construite par la leçon d'étude. Robinson et al. (2026) ont suivi cinq enseignants-chercheurs d'une institution des Émirats arabes unis sur deux cycles de leçon d'étude touchant 36 professeurs stagiaires en mathématiques du secondaire et du primaire, concevant des leçons appuyées sur l'IA avec ChatGPT (GPT-4o). Le geste qui a fait le travail consistait à associer l'IA à un cadre disciplinaire : les stagiaires généraient une tâche, en jugeaient l'exigence cognitive au regard d'un cadre modifié d'analyse des tâches mathématiques, puis réécrivaient leur invite pour élever la profondeur conceptuelle, de sorte que la révision était ancrée dans les mathématiques plutôt que dans les fonctionnalités de l'outil. Seize des 26 invites analysables portaient des traits de tâche conceptuelle, et les enseignants-chercheurs concluaient que l'ingénierie des invites n'« est pas une compétence technique, mais cognitive ». L'apprentissage déclaré a augmenté dans la leçon révisée (5 professeurs stagiaires sur 7 au premier cycle et 10 sur 14 au second déclaraient avoir appris à distinguer les tâches conceptuelles des tâches procédurales), avec la réserve que demander à l'IA une tâche plus conceptuelle produisait parfois une tâche simplement plus compliquée. Pour le développement professionnel des enseignants, l'argument est en faveur d'une enquête collaborative soutenue sur des leçons réelles plutôt que d'ateliers autonomes sur les outils.
  • Les consignes décident entre performance et apprentissage : Wong et Qiu (2026) ont opposé la collaboration humain–IA libre à la collaboration guidée sur une tâche créative. Collaborer librement avec ChatGPT ne produisait qu'une performance transitoire, qui s'effondrait lors d'une tâche ultérieure sans assistance, tandis qu'un protocole guidé « réfléchissez d'abord, ChatGPT ensuite » — générer ses propres idées, puis utiliser ChatGPT pour les améliorer, les développer et les évaluer — donnait des gains durables en La créativité indépendante. L'avantage était médié par des invites collaboratives visant à améliorer ses idées propres, ce qui montre que le qui génère (la répartition du travail) prédit si la collaboration produit de l'apprentissage ou de la substitution.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)
  • L'IA comme médiateur, et pas seulement comme partenaire : Niari reconceptualise l'IA comme un médiateur pédagogique qui orchestre l'interaction, la construction de sens épistémique et les processus de régulation, en redistribuant l'autonomie, l'autorité et la responsabilité entre acteurs humains et non humains, plutôt que comme un tuteur, un pair ou un outil.
  • La collaboration des enseignants avec l'IA est également structurée, et non binaire. Lorsque les enseignants conçoivent des plans de leçon avec l'IA générative, leur interaction prend des formes empiriquement distinguables. Choi et al. (2026) ont identifié sept patrons d'interaction enseignant–IA — de l'adoption directe et de l'adoption élaborée de la sortie de l'IA au rejet initial, à l'adoption révisée, à l'usage guidé subséquent, aux interactions complexes et au contournement de l'IA — où l'expérience d'enseignement d'un enseignant et sa maîtrise de l'IA déterminent conjointement s'il re-sollicite de façon critique et adapte l'IA aux étudiants et au contexte (une répartition du travail complémentaire, fondée sur la Cognition distribuée) ou accepte passivement les suggestions (une répartition dominée par l'IA).
  • L'agent de médiation comme forme hybride de participation. Plutôt qu'un point médian entre l'outil et le collaborateur, l'IA générative est conceptualisée comme un agent de médiation qui médiatise l'action tout en produisant des contributions contingentes et non imputables — une catégorie distincte qui redirige la conception de la capacité technologique vers les habitudes de participation (autonomie de supervision, vigilance épistémique).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
  • Communauté et autorité épistémique : l'apprentissage par l'IA ancré dans la communauté montre que la collaboration est aussi une question de qui fait autorité, en ancrant l'engagement avec l'IA dans les épistémologies vécues des apprenants.
  • La découverte de traits par les données : l'analyse des traits principaux (PTA) automatise la dérivation de « traits » d'interaction à partir de vastes corpus de conversations avec des Grands modèles de langue (LLM) — un pipeline en quatre étapes inspiré de l'analyse en composantes principales, qui extrait des observations de comportement, les regroupe en traits candidats, évalue chaque collaborateur et sélectionne les traits les plus distinctifs. Évaluée sur un corpus étudiant–tuteur IA et un corpus développeur–agent de programmation, la PTA trouve des traits qui expliquent et prédisent les résultats (par exemple, l'engagement conceptuel profond positivement, la délégation de tâches négativement, dans le contexte éducatif) et, parce qu'ils ne se généralisent pas encore d'un semestre ou d'un contexte à l'autre et ne présentent pas de trajectoires d'apprentissage, les auteurs soutiennent que ces traits ne sont pas encore interprétables comme des « compétences ». Cela offre un complément évolutif et objectif aux cadres de Littératie en IA et aux mesures par auto-déclaration, et informe directement la manière dont les enseignants enseignent les « compétences d'usage de l'IA ».
  • La relation humain–IA comme préoccupation la plus persistante à travers les générations d'agents conversationnels. La revue parapluie des agents conversationnels d'IA (Ganguly et al. 2025, 34 revues) constate que les préoccupations relatives à la relation humain–IA — dépendance excessive, isolement social, dépersonnalisation, dépendance émotionnelle, transparence, imputabilité — constituent la question éthique la plus fréquemment discutée à travers toutes les générations d'agents conversationnels, antérieure même à l'IA générative. Cela situe la question « préserver ou substituer » au centre même de l'éthique des agents conversationnels et confirme que la valeur de la collaboration est déterminée par la conception (qui génère, qui décide, comment la responsabilité est partagée).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)
  • L'IA mettant l'expertise en temps réel à l'échelle des novices — le premier essai randomisé de tutorat en direct. L'essai randomisé de Wang et al. (2024) (900 tuteurs, environ 1,800 étudiants du Primaire et secondaire (K-12) dans des communautés défavorisées) plaçait l'IA du côté du tuteur plutôt que de celui de l'étudiant : Tutor CoPilot générait des suggestions expertes en temps réel (élaborées à partir du raisonnement pensé à voix haute de tuteurs expérimentés) que les tuteurs novices pouvaient modifier ou rejeter. Les étudiants des tuteurs traités avaient 4 points de pourcentage plus de chances de maîtriser les sujets (p < 0.01), avec des gains de 9 points de pourcentage chez les étudiants des tuteurs les moins bien notés — qui remontaient au niveau des résultats du groupe témoin des tuteurs mieux notés — pour environ 20 $ par tuteur et par an. Ce résultat constitue un solide ancrage empirique pour l'augmentation de l'enseignant ou du tuteur comme mode de collaboration humain-IA équitable : l'humain conserve le jugement pédagogique et l'autonomie, tandis que l'IA fournit une expertise évolutive.
  • Des experts bornés : comment les enseignants répartissent l'autorité avec une IA. Reichert, Briceno, Tabarsi & Barnes (2026) ont mené une étude de conception participative dans laquelle six enseignants du secondaire prototypaient des chatbots à base de LLM pour leurs propres classes et analysaient la manière dont l'autorité devrait être répartie entre l'enseignant et le système. Les enseignants présentaient systématiquement l'IA comme un expert borné — une capacité spécialisée confinée à un domaine strictement défini et opérant sous supervision humaine — et décomposaient ce caractère borné en deux dimensions : les frontières d'autorité, où la responsabilité professionnelle et légale de l'apprentissage et de la sécurité des étudiants ne peut être déléguée, et les frontières d'expertise, où le système ne possède pas la connaissance contextuelle qu'a l'enseignant des étudiants pris individuellement, de la dynamique de la classe et des normes institutionnelles. La projection des prototypes sur les neuf événements de l'instruction de Gagné a montré que la délégation était sélective plutôt que totale : les enseignants accueillaient favorablement l'IA pour présenter le contenu, fournir des exercices, l'L'étayage et la rétroaction formative, mais refusaient de lui abandonner l'information des étudiants sur les objectifs ni l'Évaluation sommative. La lecture du point de vue de la conception est qu'une interface de collaboration doit rendre visible où l'humain conserve le rôle de décideur, et pas seulement où le modèle est capable.
  • Le rôle doit s'adapter, et pas seulement être étiqueté. Liao (2026) montre qu'un compagnon IA doté d'un rôle fixe de « pair » soutenait des interactions de discussion autour du livre plus longues, mais dominait l'échange (part plus faible des mots et des phrases de l'étudiant) et atteignait un plafond affectif, soutenant que la collaboration exige une logique de rôle-adaptatif — passant du pair à l'assistant et au conseiller — plutôt qu'une persona unique et figée.
  • La co-conception du côté enseignant et l'architecture des rôles sont aussi des collaborations. Au-delà des partenaires tournés vers les étudiants, les enseignants collaborent avec l'IA générative pour concevoir l'enseignement. Wang et al. (2026) examinent systématiquement la co-conception enseignant–IA des tâches d'apprentissage, en cartographiant les modes collaboratifs et les tensions (autonomie, autorité épistémique, contrôle) qui surgissent lorsque enseignants et IA produisent conjointement des conceptions ; Talebzadeh (2026) constate que l'expertise pédagogique des enseignants — et non leur aisance avec l'IA — détermine la qualité des activités de groupe différenciées conçues par l'IA (richesse des rôles, synergie, alignement sur les niveaux), positionnant l'enseignant comme un « concepteur pédagogique bilingue ».
  • L'IA générative comme agent et comme espace collaboratif dans les groupes. Xu et al. (2026) observent de petites équipes du Enseignement supérieur et montrent que le rôle de l'IA générative est négocié et configurable — d'assistant subordonné à coéquipier contesté — et que l'usage partagé synchrone soutient un terrain commun, tandis que l'usage privé asynchrone fragmente la transparence ; ils proposent une lecture par le prisme du travail coopératif assisté par l'IA générative, qui traite celle-ci à la fois comme un agent et comme un espace collaboratif interactif.
  • Des moitiés complémentaires de la collaboration en classe. Deux études de 2026 cartographient des moitiés complémentaires de la collaboration humain-IA en classe. MeduAI-SP (Yang et al.) plaide pour une « complémentarité fonctionnelle » dans l'enseignement clinique : les agents d'IA prennent en charge les jeux de rôle répétitifs, une Simulation patiente cohérente, le suivi par liste de contrôle, l'incitation socratique et la rétroaction préliminaire formatif, tandis que les enseignants et les patients standardisés humains fournissent l'interprétation contextuelle, la réaction émotionnelle nuancée, la remédiation individualisée, l'évaluation du professionnalisme et les jugements de disponibilité — la substitution étant bornée par les conséquences de l'erreur, l'incertitude de la tâche, la sensibilité relationnelle et l'existence d'un examen humain disponible, et un système d'IA étant explicitement empêché de déterminer de façon autonome la compétence clinique. Dans la direction opposée, une discussion d'éthique mixte réunissant 3 humains et 3 agents et 45 étudiants (Seo et al., 2026) documente un schéma à double tranchant : les agents abaissaient les barrières sociales (les participants parlaient plus directement parce que les agents n'ont pas d'émotions, et ne se sentaient pas obligés de combler les silences), mais ce même confort détournait l'interaction des humains — 79.7% des questions s'adressaient aux agents, contre les 60% que prédit leur disponibilité (p = .017). Fait notable, la présence d'autres humains amenait les participants à traiter l'IA avec plus de respect, ce qui suggère que la co-présence humaine constitue en soi une affordance pour calibrer l'engagement avec l'IA.
  • Les types d'interdépendance diffèrent par ce qu'ils exigent de l'étudiant, et c'est pourquoi certains restent rares. Sun, Dohn et Rehm (2026) classent 102 études sur l'enseignement supérieur selon la manière dont le travail épistémique est partagé entre l'étudiant et le système (Assistant, Enabler, Synthesizer, Generator, Reimaginator) et constatent que les deux formes qui maintiennent la compétence imputable à l'étudiant individuel représentent chacune 42.16% du corpus, tandis que les formes qui distribuent l'auctorialité demeurent marginales. Leur explication est institutionnelle plutôt que technique : les types rares demandent aux étudiants d'assumer la responsabilité épistémique de sorties qu'ils n'ont pas produites, tout en étant évalués comme auteurs individuels, et c'est cette contradiction — et non la répartition du travail elle-même — qui les maintient hors de la pratique. La réponse de conception consiste à rendre explicite la distribution du travail épistémique, à ordonnancer les activités sur l'ensemble du spectre, et à construire une réflexion sur la manière dont la responsabilité a été partagée.

Connexions

La collaboration humain-IA se rattache à Humain dans la boucle (supervision), à l'IA agentique (autonomie), au L'enseignement (l'évolution du travail des enseignants), à l'L'étayage et à la La métacognition (comment la collaboration soutient l'apprentissage), et à la dépendance excessive (le mode d'échec lorsque la collaboration devient substitution). C'est un thème central qui traverse la Littératie en IA, l'apprentissage autorégulé et l'L'expérience étudiante.

Concepts liés

Articles liés

Métadonnées

Apprentissage et enseignementL'interaction élève-IA
Technologies et techniquesL'IA générative, Grands modèles de langue (LLM)
Fondements de l'IA dans l'éducationCollaboration humain-IA, Littératie en 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.