La métacognition

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

La métacognition — penser à sa propre pensée — est à la fois une cible de la recherche pédagogique sur l'IA (les outils d'IA peuvent-ils développer les compétences métacognitives des élèves ?) et un facteur de risque (l'IA qui réalise les tâches peut supprimer la pratique métacognitive).(The Evidence Base on AI in K-12: A 2026 Review)(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Questions à examiner

• La « métacognition » consiste à penser à sa propre pensée — savoir ce que l'on sait, se surveiller et ajuster ses stratégies. Lorsque vous étudiez ou résolvez un problème, dans quelle mesure êtes-vous conscient sur le moment de savoir si vous comprenez réellement, par opposition à simplement reconnaître le matériel ?
• Un résultat frappant : les élèves qui ont utilisé une assistance IA pour la rédaction de dissertations étaient souvent incapables de se rappeler des citations de leurs propres dissertations, parce qu'ils ne s'étaient pas engagés avec le contenu lors de sa production. Lorsqu'un outil produit le résultat, quelle pratique l'apprenant perd-il — et cette pratique est-elle importante ?
• La page présente la métacognition comme une cible (l'IA peut-elle la construire ?) et un risque (l'IA peut-elle la supprimer ?). Le même outil d'IA pourrait-il renforcer ou affaiblir la métacognition d'un apprenant selon la manière dont il est conçu ou utilisé ? Qu'est-ce qui détermine le sens dans lequel cela bascule ?
• Les prompts structurés qui demandent aux élèves de s'expliquer eux-mêmes, d'évaluer des stratégies ou d'identifier des lacunes préservent l'exigence métacognitive, tandis que l'IA qui se contente de réaliser les tâches la déplace. Si vous conceviez un outil d'étude par IA, que bâtiriez-vous pour qu'il invite à la réflexion au lieu de la remplacer ?
• La page constate que le fait qu'une utilisation de l'IA soit riche sur le plan métacognitif dépend de la motivation et de la posture de l'apprenant autant que de la technologie. Vous est-il arrivé d'utiliser un outil de manière superficielle puis de vous rendre compte que vous n'aviez rien appris — et qu'y avait-il de différent aux moments où vous l'avez utilisé en profondeur ?

Introduction

La métacognition en éducation désigne la conscience, le suivi et la régulation par les apprenants de leurs propres processus cognitifs :

• Connaissances métacognitives : comprendre ce que l'on sait, quelles stratégies sont disponibles et quand les déployer
• Régulation métacognitive : planifier, suivre et évaluer son propre apprentissage en temps réel

Dans les cadres d'apprentissage autorégulé, la métacognition est le mécanisme central qui permet aux apprenants d'adapter leurs stratégies, de reconnaître leur confusion et de solliciter l'aide à bon escient.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

La manière dont les apprenants déploient réellement la métacognition autour de l'IA est façonnée par plus que l'outil lui-même : Cui et al. constatent que la motivation des élèves et le rôle interactionnel qu'ils adoptent façonnent leur engagement métacognitif envers l'IA générative — ce qui signifie que le fait qu'une utilisation de l'IA soit riche sur le plan métacognitif dépend de la posture de l'apprenant autant que de la technologie. Miles, Haber-Curran et Arar (2026) ajoutent l'interaction avec l'IA elle-même comme objet de cette réflexion : l'étape finale de leur cycle de littératie des prompts demande aux apprenants d'examiner ce que le processus a révélé sur le fonctionnement des prompts et sur les hypothèses qui ont façonné la réponse, et ils font de la réflexion et de la révision la phase où se développent l'auctorialité et le jugement critique.

Un rôle plus fondamental de la métacognition apparaît lorsque le lieu de la coordination passe de l'enseignant à l'apprenant. Dang, Hong, Doyle et Nguyen (2026) soutiennent dans leur cadre de compétence de collaboration humain-IA (HACC) que le travail intégratif que le TPACK attribue à la pédagogie passe, dès lors que l'acteur est l'apprenant, à la métacognition propre de l'apprenant — la compétence qui permet aux élèves de diriger la collaboration, de calibrer leur dépendance envers l'IA, et de rester les auteurs de leur apprentissage. Ils traitent la compétence métacognitive comme le mécanisme par lequel l'autonomie de l'apprenant est mise en œuvre, excluant délibérément l'autonomie comme composante distincte et la lisant plutôt comme la qualité émergente de la coordination entre les compétences disciplinaires, en IA et métacognitives. Leur analyse de réseaux épistémiques d'entretiens menés auprès de 24 éducateurs de l'enseignement supérieur a montré que le discours métacognitif augmentait avec le niveau de rôle — les éducateurs seniors le reliaient au domaine, à l'IA et à l'apprentissage avec l'IA — ce que les auteurs lisent comme le fait que des éducateurs dotés d'une responsabilité curriculaire plus large considèrent les difficultés persistantes des élèves comme régulatrices plutôt que techniques.

Comment les outils d'IA affectent la métacognition

Le risque de suppression (Stanford SCALE, 2026)

Lorsque l'IA réalise des tâches de raisonnement à la place des élèves — résoudre des problèmes mathématiques, rédiger des dissertations, générer du code — l'élève perd la pratique du suivi de sa propre compréhension et de la sélection des stratégies.(The Evidence Base on AI in K-12: A 2026 Review)

La dépendance n'est pas un échec : Du et Yuan (2026) jugent l'apprentissage médié par l'IA selon six critères diagnostiques — la contestabilité, la recouvrabilité, le transfert, la traçabilité, la responsabilité distribuée et la pluralité épistémique — et distinguent l'assistance instrumentale, qui aide à produire un résultat, de l'assistance porteuse de jugement, qui fournit les normes selon lesquelles le résultat est jugé. Nommer la question de la gouvernance. Lin et Chang (2026) proposent la propriété métacognitive — la gouvernance par l'apprenant des normes, des jugements évaluatifs et des actions qu'une IA contribue à produire — distinguant l'appropriation des normes, la gouvernance du jugement de suivi et l'autorisation de contrôle, et exigeant une occasion réaliste d'agir autrement.

Résultats clés :

• Kosmyna et al. (2025) : les élèves qui ont utilisé une assistance IA pour la rédaction étaient 83 % incapables de se rappeler des citations de leurs propres dissertations, contre 11 % pour les non-utilisateurs d'IA — indiquant qu'ils ne s'étaient pas engagés avec le contenu lors de sa production.
• Stadler et al. (2024) : l'IA généraliste a réduit la charge cognitive mais a produit un raisonnement de moindre qualité que la recherche traditionnelle, suggérant que l'engagement métacognitif avait été déplacé.
• Lehmann et al. (2025) : l'IA généraliste en programmation a nui à la compréhension des élèves à faible niveau de connaissances préalables — les élèves ayant le plus besoin d'un étayage métacognitif ont reçu des réponses à la place.
• La paresse métacognitive. Le domaine nomme un mode d'échec distinct dans lequel les apprenants abandonnent leurs responsabilités métacognitives à l'outil — adoptant le terme metacognitive laziness (paresse métacognitive) pour désigner l'illusion de compétence qui en résulte, et avertissant que ses risques cognitifs pèsent le plus lourdement sur les novices et les auto-régulateurs faibles (Lodge & Loble (2026)).

La fluidité explique pourquoi la perte passe inaperçue. Les apprenants jugent leur apprentissage en partie à la facilité avec laquelle le matériel est traité, et Bjork et al. (2013) montrent que les indices de fluidité conduisent les gens à surestimer leur compréhension lorsque le contenu semble facile ; le texte fluide généré par l'IA fournit ce sentiment, que la compréhension ait suivi ou non, créant les conditions d'une illusion de compétence fabriquée. Le générativisme traite cela comme la raison pour laquelle une métacognition adaptative ne peut être présumée : l'apprenant doit se demander si la facilité de lecture reflète une compréhension plutôt que de lire cette facilité comme la réponse.

La prise de conscience ne garantit pas que l'achèvement s'arrête. Jia (2026) nomme la metacognitively discordant completion (réalisation métacognitivement discordante) : un apprenant qui a investi un effort réel, détient un verdict formé à la première personne selon lequel la compréhension n'est pas arrivée, et livre le travail malgré tout — le cas que les explications par l'illusion de fluidité et par l'effort retiré laissent toutes deux de côté.

Les apprenants sont également mal calibrés quant aux coûts de l'IA : les participants prévoyaient avec exactitude les temps en travail indépendant mais sous-estimaient le temps assisté par l'IA, et rapportaient un effort moindre (0,61 point sur l'échelle NASA-TLX) alors que l'IA n'accélérait que trois tâches sur 24 — un biais absent lorsque l'aidant imaginé était une autre personne (Yu et al. (2026)).

Le coût apparaît borné plutôt que global : la délégation dégrade la compétence spécifique pratiquée, non les capacités générales sous-jacentes au domaine, et se manifeste lors du retrait : une étude d'endoscopie a montré que la détection des adénomes chutait de 28,4 % à 22,4 % lorsque l'IA était indisponible, laissant le suivi des sources (distinguer le raisonnement d'une IA du sien propre) comme un risque métacognitif ouvert (Cash et al. (2026)).

L'opportunité d'augmentation (Scheu et al., 2026)

Lorsque l'IA est conçue pour soutenir la réflexion plutôt que pour la remplacer, la métacognition peut être renforcée :

• Les journaux d'apprentissage sont une pratique métacognitive classique : en réfléchissant à leurs processus d'apprentissage, les élèves accroissent la conscience de leur cognition

• Les prompts structurés qui demandent aux élèves de s'expliquer eux-mêmes, d'évaluer des stratégies ou d'identifier des lacunes de connaissances préservent l'exigence métacognitive. CoMeT (Hou et al. 2026) donne à cette expression une définition et une justification empirique : il traite l'exigence métacognitive comme une quantité distincte de la charge cognitive — ce que l'apprenant doit décider, énoncer ou juger avant que l'aide n'arrive, et non simplement ce qui demeure lorsque l'aide est retenue — et l'a tenue statistiquement équivalente à celle d'un tuteur qui retenait les réponses par conception (p_TOST = .004) tandis que son propre soutien s'intensifiait puis s'estompait d'un cran à la fois. L'estompage a tenu lorsque le tour de parole de l'apprenant visait la décision sous soutien : les tours visant ailleurs ont obtenu une concession ultérieure 40,3 % du temps contre 28,8 % pour les tours visés, soit une différence de 11,5 points ; ce qu'un tuteur doit donc lire est l'endroit où se situe l'attention de l'apprenant plutôt que la quantité d'effort que le tour déploie.

• Attribuer un niveau d'utilisation de l'IA par tâche. Le modèle HAIML associe ses trois couches à quatre niveaux d'utilisation de l'IA — de l'absence d'utilisation, en passant par le remue-méninges, jusqu'à la collaboration avec l'IA et la création intégrant l'IA avec évaluation des résultats — de sorte qu'un enseignant fixe le niveau pour une tâche et garde la réflexion métacognitive centrale à chaque niveau (Reardon, 2026).

• Le cours fondé sur l'exemple du agent conversationnel de Scheu et al. a augmenté la compétence perçue (une auto-évaluation métacognitive) même lorsque l'assistant LLM seul ne l'avait pas fait

• Un cadrage émergent place le système, et pas seulement l'individu, dans la boucle. Une revue bibliométrique–systématique de 135 études en classes de STEM (24 études centrales) constate l'émergence d'un cadrage posthumaniste qui positionne l'IA comme corégulatrice de l'apprentissage, déplaçant l'unité d'analyse de la réflexion individuelle vers la régulation et la cognition distribuée au niveau du système (Tsakeni et al. (2025)).

• Rendre visibles les schémas d'interaction que les apprenants ne peuvent voir. Kuang, Li et Weng (2026) ont suivi les mouvements oculaires, la prise de notes et la parole de 22 stagiaires en interprétation travaillant avec un système de reconnaissance vocale et de traduction automatique, et ont constaté que la manière dont les élèves répartissaient l'attention entre les sorties de l'IA et leurs propres notes leur était invisible : 58,3 % changeaient de profil entre les étapes de la tâche, et les plus grands lecteurs de sorties de l'IA obtenaient les scores les plus faibles en fluidité de livraison et en qualité de la langue cible. La conséquence pédagogique est que la réflexion doit être étayée par des preuves externes, parce que la stratégie d'un apprenant n'est pas introspectable — les auteurs plaident pour guider les élèves à décrire et évaluer pourquoi ils ont travaillé d'une certaine manière à chaque étape.

• Les preuves de processus sont conditionnelles au canal. Chez 79 étudiants de premier cycle travaillant avec de l'IA générative, le suivi et la planification de plus grande profondeur apparaissaient plus souvent dans les unités de pensée à voix haute, tandis que la régulation de plus grande profondeur apparaissait plus souvent dans les journaux d'interaction : un seul enregistrement sous-estime donc certains processus (Li et Liu (2026)).

• Les pratiques réflexives peuvent émerger d'un usage ordinaire de la matière. Dans huit établissements danois de l'enseignement secondaire supérieur, les élèves travaillant avec de l'IA générative comme partenaire cognitive ont développé quatre pratiques — explication, création, inspiration et amélioration, se déployant en onze processus — dans lesquelles la réflexion apparaissait à la fois dans les registres disciplinaires et processuels, bien que chaque pratique puisse également servir la substitution (Dalsgaard & Prilop, 2026).

• La méthode Think Aloud soutient une prise de conscience précoce, mais non une évaluation approfondie. Karaki et Baroudi (2026) ont mené une étude de recherche-action à méthodes mixtes auprès de 44 étudiants de première année en entrepreneuriat, en utilisant la méthode Think Aloud, ou pensée à voix haute, durant des travaux de cours soutenus par l'IA. La méthode a rendu plus visibles la construction des invites par les étudiants, leurs pratiques de vérification et leur prise de décision éthique, mais l'évaluation critique des productions de l'IA « est souvent restée à un niveau superficiel, particulièrement parmi les étudiants nécessitant un soutien supplémentaire » — les étudiants repéraient des réponses génériques ou désalignées tout en continuant à s'y fier fortement. La conscience métacognitive auto-déclarée était la plus élevée des trois construits enquêtés (M = 3,79), mais l'enquête unique menée après l'intervention ne permet pas de distinguer la perception du changement. La conclusion des auteurs — la méthode Think Aloud n'est pas une solution autonome et doit être combinée à un enseignement explicite de la littératie en IA, de la construction d'invites et des stratégies de vérification — prolonge la filière des preuves de processus évoquée plus haut, de ce que les registres capturent vers ce que la seule vocalisation change.

• Un entraînement métacognitif préalable conditionne le bénéfice d'un partenaire de réflexion par IA. Dans une expérience 2 × 2 menée auprès de 60 enseignants en formation initiale, Zhang et al. (2026) ont trouvé une interaction significative métacognition × outil : un partenaire socratique par IA a battu les outils numériques traditionnels de 0,56 point seulement après entraînement, sans aucun avantage en son absence (ΔM = −0,03).

• Un étai réflexif peut s'habituer et remplacer l'auto-surveillance qu'il protège. de Jong (2026) avertit que les invitations répétées à réfléchir peuvent s'user par habituation — de même que des avertissements répétés sont écartés automatiquement — de sorte qu'un professionnel qui ne réfléchit que lorsque le système le demande peut se retrouver sans l'outil ni l'habitude d'auto-surveillance ; l'article soutient que les invites réflexives devraient être traitées comme une intervention de renforcement de compétences à estomper, et testées pour vérifier si les utilisateurs réfléchissent sans elles.

• Un gain sélectif : connaissances métacognitives sans planification ni suivi. Wang et al. (2026) ont réparti 68 futurs enseignants entre un groupe qui expliquait la classe inversée à un apprenant novice en IA générative (n=33) et un groupe qui interrogeait un enseignant en IA générative (n=35). Le groupe de l'apprenant novice a obtenu des scores plus élevés en connaissances métacognitives et en stratégies d'apprentissage (p < 0,001, d de Cohen = 0,41) mais pas en planification et suivi (M = 4,01 contre 3,78, p = 0,062), bien que les scores d'explication et d'application du même groupe aient augmenté (r = 0,474 et r = 0,642) tandis que le rappel factuel ne séparait pas les groupes (p = 0,416). La scission suit les deux composantes de l'introduction : expliquer à quelqu'un qui réplique a construit une conscience déclarative de ce que l'on sait, mais rien dans la conception n'a conduit l'apprenant à fixer une trajectoire ou à vérifier ses progrès, ce que les auteurs attribuent à la conception de la tâche et à la charge cognitive plutôt qu'au rôle lui-même. L'apprentissage par l'enseignement avec l'IA est donc un levier sur les connaissances métacognitives, et non automatiquement sur la régulation, et les auteurs recommandent d'ajouter des invites de planification explicites et un retour d'information sur les progrès.

La distinction engagement–motivation

Scheu et al. (2026) ont trouvé une scission critique :

Cela suggère que le soutien métacognitif et la motivation ne sont pas identiques. L'étayage par l'assistant LLM des entrées de journal a augmenté la quantité écrite par les élèves (engagement comportemental) mais ne les a pas rendus plus désireux d'écrire (motivation intrinsèque).(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

La distinction croyances–expériences

Guo & Ye (2026) proposent un compte théoriquement plus affiné de la manière dont la métacognition gouverne la sélection des stratégies, distinguant deux composantes qui opèrent dans des phases différentes :

• Croyances métacognitives — conceptions de soi stables et autoréférentielles stockées dans la mémoire à long terme (par exemple, des croyances sur sa capacité de mémoire, ou sur la fiabilité d'un outil). Celles-ci ancrent les choix de stratégie avant le début de la tâche.
• Expériences métacognitives — sentiments dynamiques et spécifiques à la tâche (difficulté perçue, confiance, charge mentale) qui pilotent la mise à jour des croyances pendant l'exécution de la tâche.

Cette distinction engendre le principe de la correspondance temporelle des composantes : une rétroaction qui cible les croyances (par exemple, des classements comparatifs) est plus efficace dans la phase de préparation préalable à la tâche, tandis qu'une rétroaction qui cible les expériences (par exemple, des indicateurs de justesse immédiats) est plus efficace pendant l'exécution de la tâche. Une rétroaction abstraite par classement peut se détacher — ou être supplantée — par les expériences spécifiques à la tâche qui dominent la prise de décision immédiate, ce qui explique pourquoi certaines interventions de rétroaction ne parviennent pas à changer les comportements. Cela donne aux éducateurs une justification contingente à la phase pour concevoir des étais métacognitives autour des outils d'IA : calibrer les croyances avant l'usage, fournir une rétroaction immédiate et spécifique à la tâche pendant l'usage.

Un soutien externe peut aussi s'interposer entièrement devant le jugement. Iqbal et al. (2026) ont demandé à 87 élèves d'anglais langue étrangère de réviser une dissertation avec ChatGPT 4.0, un enseignant expérimenté d'écriture académique, ou sans aucun soutien, et ont reconstruit les stratégies employées par les élèves à partir des traces de clics, de frappes clavier et de souris. Ce qu'ils choisissaient était fortement associé au soutien disponible (V de Cramér = 0,668), mais pas à la précision du jugement métacognitif (H(3) = 4,995, p = 0,172), qui ne montrait de lien marginal que dans la condition sans soutien (p = 0,0460). Aucune stratégie de révision n'était associée au changement de note de la dissertation (p = 0,273), et pourtant le groupe GenAI s'est amélioré significativement plus que les deux autres (H(2) = 16,591, p = 0,00025, η² = 0,174) : les meilleures dissertations ne sont donc pas venues d'une meilleure auto-régulation. Lorsqu'un partenaire capable peut fournir le coup suivant, le jugement métacognitif cesse d'être ce qui le sélectionne, et le compte de la sélection de stratégie décrit ci-dessus décrit davantage l'apprenant non assisté que l'apprenant assisté. La lecture pratique des auteurs est de viser, avec l'assistance par IA, à susciter la réflexion sur les stratégies d'écriture plutôt qu'à fournir une aide directe.

La calibration est entraînable : prédiction + rétroaction

Ngai & Gilbert (2026) fournissent une preuve causale directe du fait que la calibration métacognitive est une compétence entraînable. Dans deux expériences préenregistrées (N=164, N=416), seulement cinq essais de pratique associant une prédiction de performance à une rétroaction véridique ont amélioré la calibration et réduit le biais. Une conception additive à quatre groupes a isolé la composante causale : faire des prédictions seul était inefficace ; l'ajout d'une rétroaction de performance a piloté l'amélioration ; étiqueter explicitement la sur- ou sous-confiance n'a rien ajouté de plus. De manière critique, l'amélioration a agi sur la calibration absolue — élevant la confiance des sous-confiants et l'abaissant chez les surconfiants — corrigeant ainsi la mauvaise calibration dans les deux sens plutôt qu'en déplaçant tout le monde dans une seule direction (ce qui explique la nullité des effets signés/directionnels). Cela renforce le compte des « expériences plutôt que des croyances » présenté plus haut et montre l'entraînement métacognitif minimal viable : prédiction + rétroaction immédiate et spécifique à la tâche.

• Une brève invite de réflexion affine le suivi lors de décisions assistées par l'IA. Ren (2026) a ajouté trois invites de réflexion avant la finalisation des réponses, dans une expérience à trois conditions portant sur 342 étudiants de premier cycle : l'acceptation de conseils erronés de ChatGPT est tombée de 62,4 % à 39,7 % (OR = 0,40) et la calibration de la conscience a augmenté (0,59 contre 0,41), tandis que la précision des recommandations et l'alignement sur les conseils corrects restaient élevés. La réflexion a rendu la dépendance plus discriminante plutôt qu'uniformément défensive, ce qui soutient le traitement de la dépendance comme un problème de suivi plutôt que comme une question de quantité d'IA utilisée.

• Imbriquer les invites dans un cycle métacognitif. Le cadre IDEA séquence l'usage de l'IA générative selon l'intention, la déconstruction, l'expression et l'adaptation, faisant du prompting une étape de la planification et du suivi plutôt qu'une compétence autonome ; les élèves à qui il était enseigné ont produit des prompts de meilleure qualité que leurs pairs enseignés avec le prompting Rôle–Tâche–Contexte–Format, dans les cinq catégories de tâches (Wang et al., 2026).

Implications pour la conception des outils

1. Préserver la « friction » de la pensée : si l'IA écrit la réflexion, l'élève ne construit pas de compétence métacognitive. Les assistants de journalisation doivent étayer, non rédiger.
2. Modéliser le langage métacognitif : le cours fondé sur l'exemple a fonctionné en partie parce qu'il exposait les élèves au monologue intérieur métacognitif de modèles compétents.
3. Séparer le soutien à la motivation de celui aux compétences : le développement des compétences métacognitives (structuré par le cours) et l'amélioration de la productivité (assistée par l'IA) peuvent exiger des stratégies de conception différentes.

L'IA peut altérer le seuil métacognitif pour décider que l'on en sait assez pour répondre : Marcoccia et al. (2026) ont constaté que le simple accès à des conseils d'IA supprimait la disposition des gens à suspendre leur jugement face à l'incertitude, même avec des conseils erronés et des incitations à la précision — un effet qui a survécu aux sorties d'IA non sollicitées et aux enjeux monétaires.

Une IA agentique proactive peut déplacer la propre boucle métacognitive de l'apprenant : Woollaston et al. (2026) soutiennent que lorsque les agents pré-récupèrent, initient et s'autocorrigent, la planification, le suivi et l'évaluation de l'agent remplacent ceux de l'apprenant, supprimant la pratique de récupération et l'auto-surveillance dont dépendent les difficultés souhaitables et l'entraînement métacognitif.

• La pédagogie fondée sur les erreurs comme entraînement métacognitif : Hosseini (2026) montre qu'exposer délibérément les élèves à des erreurs générées par l'IA dans un cours de conception de bases de données active le suivi métacognitif — les élèves ont inspecté les sorties, identifié les erreurs et révisé leurs conceptions plutôt que d'accepter la sortie de l'IA telle quelle. La littératie de l'IA auto-déclarée corrélait faiblement et négativement avec la compétence objective (r=−0,39), un écart de calibration que le cycle critique–affinement est conçu pour réduire.

• L'échec productif engage le suivi métacognitif. Kim et al. (2026) montrent que l'apprentissage fondé sur l'échec productif active la réflexion sur ses propres tentatives ; les tâches indice avant correction exigent que les apprenants diagnostiquent et corrigent leurs propres erreurs — une activité métacognitive où l'IA donne des indices plutôt que des réponses.

• L'auto-régulation atténue les dommages de la délégation mais ne peut les annuler. Chen (2026) montre que la régulation métacognitive (écriture auto-régulée) atténue l'association négative entre la délégation cognitive profonde et les résultats indépendants sans IA dans l'écriture assistée par IA générative (interaction B = 0,22), sans pour autant l'éliminer — une condition de soutien borné, associant des limites à la délégation à une réflexion obligatoire sur la manière dont les suggestions de l'IA ont été acceptées ou rejetées, a produit la performance indépendante la plus forte.

• La profondeur de la recherche d'explications prédit la qualité de la tâche, non le rappel. Tsiligkiris (2026) montre que les invites de recherche d'explications (profondeur) dans l'interaction avec le LLM prédisent la qualité de la tâche mais non le rappel immédiat, interprétant la dissociation via l'élaboration (compréhension) face à la pratique de récupération (consolidation) — et suggérant que la recherche d'explications corrèle avec le suivi métacognitif, bien que des exigences de récupération doivent être ajoutées pour une rétention durable.

• La métacognition auto-déclarée est un faible indicateur de la régulation avec un LLM. Clerc et al. (2026) ont donné à 116 élèves de collège un atelier de littératie de l'IA de deux heures, puis ont mesuré leur interaction avec le LLM lors de problèmes scientifiques : les élèves entraînés acceptaient moins souvent les prompts sous-spécifiés (51,5 % contre 66,7 %), posaient bien plus souvent des questions de suivi après une réponse faible (59,2 % contre 27,9 %, d = 0,80) et jugeaient la justesse des réponses de manière plus sensible à la qualité du prompt (OR d'interaction = 2,52). Ni une échelle générale de conscience métacognitive (Jr. MAI) ni les auto-déclarations sur l'IA générative ne prédisaient ces comportements ou la performance finale (r = .04 et r = .01) — le suivi et le contrôle pendant l'usage d'IA générative sont spécifiques à la tâche, et le comportement observable porte plus d'information que les instruments d'auto-déclaration conçus pour le saisir.

• La notation automatisée a atteint la phase de performance, non la planification qui la précède. Chen et Liu (2026) ont donné à 46 étudiants en interprétation 14 semaines de notation automatisée hebdomadaire accompagnée d'une note rendue, d'erreurs signalées et d'une prestation de référence : le groupe automatisé a progressé davantage dans l'ensemble (d = 1,03), mais seul le suivi pendant la pratique corrélait avec les gains de score (r = 0,42), tandis que la planification préalable à l'apprentissage se situait près du point médian de l'échelle (M = 3,01). L'évaluation et la réflexion portaient la deuxième moyenne la plus élevée (3,87 sur 5) mais montraient un lien quasi nul avec les gains (r = 0,10) : un score de réflexion élevé ne doit donc pas être lu comme une réflexion productive.

• La littératie de vérification ne paie que par l'auto-régulation métacognitive. Davor, Larbi et Boateng (2026) ont enquêté auprès de 533 étudiants universitaires et constaté que la littératie de vérification de l'IA n'avait aucune association directe avec la pensée critique ou la résolution technique de problèmes ; elle n'importait qu'indirectement, via l'auto-régulation métacognitive (schéma de pleine médiation). La tendance à la délégation cognitive agissait en sens inverse, prédisant une auto-régulation plus faible (-.294) ainsi qu'une pensée critique plus faible (-.240) et une résolution de problèmes plus faible (-.312).

• La réflexion a augmenté avec l'accès à l'IA, et elle a nourri le raisonnement plutôt que les résultats de test. Melanou, Beege et Kimmig (2026) ont suivi trois classes (N = 87) sur un cours de neuf semaines, en mesurant à trois points. Les connaissances se sont améliorées dans toutes les conditions, sans avantage pour l'une ou l'autre des conditions d'IA et sans effet Matthieu (BF01 = 8,70), mais l'usage réflexif (vérifier les sources et vérifier les sorties de l'IA avant de les adopter) était bien plus élevé dans la condition IA que dans le groupe témoin (M = 3,72 contre 2,82, F(1, 40) = 20,21, p < 0,001) et prédisait la pensée critique (β = 0,43, p < 0,001, R² = 0,183) sans prédire de gain de connaissances. La réflexion est apparue du seul accès à l'outil plutôt que d'un étayage, et parce que son bénéfice se loge dans le raisonnement, un test de connaissances n'enregistrera pas le bénéfice métacognitif d'un cours assisté par l'IA.

• Au sein d'un instrument d'auto-déclaration métacognitive, la conscience devance le reste. Alatoai et Alshahri (2026) ont validé une mesure en 45 items de l'apprentissage STEM assisté par l'IA auprès de 649 élèves secondaires saoudiens (CFI = 0,983, RMSEA = 0,019 ; ω des sous-échelles = 0,888–0,905) et l'ont utilisée pour classer les composantes. Les quatre dimensions expliquaient 68 % de la variance des scores d'apprentissage autorégulé, avec la conscience métacognitive fondée sur l'IA comme la plus forte (β = 0,38, p < 0,001), le transfert cognitif et l'adaptabilité ensuite (β = 0,29, p = 0,008), et le raisonnement créatif et critique en AI-STEM non significatif (β = 0,14, p = 0,135). La conscience est la composante qui porte la performance adaptative, les auteurs conseillent de rapporter les sous-échelles séparément plutôt qu'un score global, et ils réservent le raisonnement d'ordre supérieur aux tâches de qualité de raisonnement ; la mesure n'en demeure pas moins fondée sur l'auto-déclaration, si bien que, comme l'étude d'atelier ci-dessus, elle saisit la capacité perçue plutôt que l'usage stratégique observé.

• Le suivi propre de l'évaluateur est aussi un travail métacognitif. Hoppe, Loibl et Leuders (2026) soutiennent qu'une inférence diagnostique générée par l'IA n'est pas une preuve brute mais une interprétation déjà faite, si bien que les enseignants doivent l'intégrer à leurs propres observations dans un processus qu'ils nomment meta-diagnosis (méta-diagnostic), décidant délibérément de l'accepter, de la rejeter ou de la modifier. Cela place une seconde boucle métacognitive à côté de celle de l'apprenant : non seulement la manière dont l'élève régule sa pensée avec l'IA, mais aussi la manière dont l'enseignant évalue ce que le système affirme au sujet de cette pensée.

Concepts liés

• Patrons pédagogiques — Les étapes de réflexion que ces séquences construisent
• Apprenants — Apprenants : le concept parapluie des concepts du côté de l'apprenant
• L'apprentissage autorégulé
• Auto-évaluation
• Délestage cognitif
• L'étayage
• IA agentique
• L'évaluation formative
• Littératie en IA
• Récupération, espacement et entrelacement — les jugements d'apprentissage et l'illusion de fluidité que la pratique de récupération corrige
• Capitulation cognitive

Articles liés

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — un atelier de littératie de l'IA de deux heures a modifié la régulation de l'interaction avec le LLM chez des élèves de collège, contrairement à leur métacognition auto-déclarée (Clerc et al. 2026)

• Student-AI Interaction in Computer-Assisted Consecutive Interpreting: Patterns and Performance — Student-AI Interaction in Computer-Assisted Consecutive Interpreting

• Epistemic Dependence in AI-Mediated Learning — La dépendance épistémique dans l'apprentissage médié par l'IA (Du & Yuan 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — Ce que les élèves demandent importe : profondeur de l'interaction avec le LLM, qualité de la tâche et rappel immédiat (Tsiligkiris 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Délégation cognitive sensible aux couches dans l'écriture assistée par IA générative (Chen 2026)

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — Recherche d'aide médiée par LLM en STEM : en couches, instrumentale et vérifiée

• How motivation and roles influence metacognitive engagement in student-GenAI interaction — Motivation et rôles dans l'engagement métacognitif avec l'IA générative

• Metacognitive Training Facilitates Optimal Cognitive Offloading — L'entraînement métacognitif facilite la délégation cognitive optimale (Ngai & Gilbert 2026)

• Meta-Cognitive Insights into Cognitive Offloading: Mechanisms, Interventions, and Educational Implications — Meta-cognitive insights into cognitive offloading: mechanisms, interventions, and educational implications (Guo & Ye 2026)

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — Le cadre IDEA pour un usage régulé métacognitivement de l'IA générative

• HAIML: A Human-Centered AI Metacognitive Learning Model — A Framework for Human Agency and Reflective Learning in the Age of Artificial Intelligence — HAIML : un modèle d'apprentissage métacognitif par IA centré sur l'humain (autonomie et apprentissage réflexif)

• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — La réalisation métacognitivement discordante et la traversée consciente de la non-compréhension

• Mapping the Scaffolding of Metacognition and Learning by AI Tools in STEM Classrooms: A Bibliometric-Systematic Review — Outils d'IA étayant la métacognition en STEM

• Is AI making us stupid? — Is AI making us stupid? critique de la délégation cognitive

• The Evidence Base on AI in K-12: A 2026 Review — L'IA généraliste supprime la métacognition en réalisant le raisonnement

• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized — Les conseils de l'IA suppriment la disposition à dire « je ne sais pas », même avec des conseils erronés et des incitations à la précision

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — IA agentique et meilleures pratiques pédagogiques : la tension entre automatisation et apprentissage

• Cognitive offloading and the speedup illusion in human-AI interaction — La délégation cognitive et l'illusion d'accélération dans l'interaction humain-IA

• Artificial intelligence, cognitive offloading and implications for education — L'IA, la délégation cognitive et leurs implications pour l'éducation (Lodge & Loble 2026)

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking (Hosseini 2026)

• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Concevoir des systèmes d'IA pour soutenir l'apprentissage fondé sur l'échec productif

• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Réflexion sur le processus de prompting et développement de l'auctorialité dans le cycle de littératie des prompts (Miles, Haber-Curran & Arar 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Une invite de réflexion a réduit l'acceptation de conseils erronés de l'IA et amélioré la calibration de la conscience (Ren 2026)

• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — La notation automatisée a renforcé le suivi mais pas la planification, et la réflexion auto-déclarée est restée improductive (Chen & Liu 2026)

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — La littératie de vérification n'agissant que par l'auto-régulation métacognitive (Davor, Larbi & Boateng 2026)

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — C'est le soutien externe, et non la précision du jugement métacognitif, qui a piloté le choix de stratégie de révision (Iqbal et al. 2026)

• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — Un gain sélectif : les connaissances métacognitives ont augmenté tandis que la planification et le suivi n'ont pas bougé (Wang et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — L'usage réflexif a augmenté avec l'accès à l'IA et a prédit la pensée critique, non le gain de connaissances (Melanou, Beege & Kimmig 2026)

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — La conscience métacognitive comme plus fort prédicteur de l'apprentissage STEM adaptatif (Alatoai & Alshahri 2026)

• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — Du diagnostic au méta-diagnostic : les enseignants jugeant les inférences générées par l'IA (Hoppe, Loibl & Leuders 2026)

• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement

• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency — La métacognition, et non la pédagogie, comme mécanisme de l'autonomie de l'apprenant dans la collaboration humain-IA (Dang, Hong, Doyle & Nguyen 2026)

• Metacognitive Ownership in Human-AI Regulation: Construct Definition, Boundaries, and a Research Agenda — La propriété métacognitive : un construit pour la gouvernance par l'apprenant des normes, des jugements et des actions

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — Les journaux et la pensée à voix haute saisissent différents processus métacognitifs dans l'apprentissage assisté par IA générative

• AI as a cognitive partner in learning: Emerging epistemic practices of reflective thought — quatre pratiques et onze processus de pensée réflexive lorsque les élèves traitent l'IA comme un partenaire cognitif

• Ethical Generative AI Use in Higher Education: An Action Research Study Using the Think Aloud Method — La méthode Think Aloud a rendu visibles la construction des invites, la vérification et le raisonnement éthique, mais l'évaluation critique est restée superficielle ; ce n'est pas une solution autonome

• Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design — Entraînement métacognitif et étayage socratique par IA dans la pratique réflexive des enseignants en formation initiale : une conception expérimentale à deux études