La motivation

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

La motivation — les processus psychologiques qui initient, dirigent et soutiennent les comportements orientés vers un but. Dans l'IA en éducation, la recherche sur la motivation examine comment les outils d'IA affectent la motivation des apprenants et des enseignants — selon que l'IA étaye ou sape la persistance, la curiosité et l'engagement intrinsèque — et comment les états motivationnels façonnent l'efficacité de l'apprentissage médié par l'IA.

Questions à examiner

• La motivation est souvent traitée comme un trait que certains élèves « ont » et que d'autres n'ont pas. La page la décrit plutôt comme des processus psychologiques qui initient, dirigent et soutiennent le comportement — et comme quelque chose de développemental et de socialement étayé. Comment ce recadrage modifie-t-il la question de savoir qui est responsable de la motivation des élèves ?
• Les outils d'IA peuvent éliminer la friction et rendre l'apprentissage plus accessible, mais ils peuvent aussi réduire l'effort cognitif et la lutte qui soutiennent la motivation intrinsèque. Quand « faciliter » quelque chose l'a-t-il en fait rendu moins motivant ou moins satisfaisant pour vous ?
• La théorie de l'autodétermination affirme que la motivation intrinsèque croît à partir de l'autonomie, de la compétence et des liens sociaux. Si un tuteur IA fait l'essentiel du travail, lequel de ces trois éléments risque-t-il de menacer — et lequel pourrait-il renforcer ?
• La recherche trouve des profils motivationnels distincts parmi les élèves d'un programme d'IA, et le fait d'atteindre un profil autodéterminé prédisait les plus grands gains de littératie de l'IA. Que faudrait-il pour qu'un apprenant passe d'une désengagement passif à une autodétermination authentique dans l'usage de l'IA ?
• La page rapporte que le soutien des enseignants pilote l'engagement assisté par l'IA largement par le biais des buts de maîtrise-approche et de performance-approche — les orientations d'« approche » plutôt que d'« évitement ». Comment la manière dont un enseignant cadre l'usage de l'IA (« pour bien faire » contre « pour éviter d'avoir l'air de mal faire ») façonne-t-elle le fait que les élèves s'engagent en profondeur ?
• Si vous concevez pour la motivation, le but est-il de rendre l'apprentissage plus facile, plus engageant ou plus significativement exigeant ? Où l'accessibilité et la motivation intrinsèque tirent-elles dans des directions opposées ?

Introduction

La motivation est un construit fondamental de la recherche en éducation, et l'essor de l'IA en éducation l'a rendue plus déterminante : les outils d'IA peuvent éliminer la friction et rendre l'apprentissage plus accessible, mais ils peuvent aussi réduire l'effort cognitif et la lutte qui soutiennent la motivation intrinsèque et l'apprentissage profond. Les articles de cette base de connaissances explorent la motivation à travers les outils d'IA destinés aux apprenants, les systèmes d'IA destinés aux enseignants, et les mécanismes psychologiques — l'autodétermination, l'auto-efficacité, les émotions — par lesquels l'IA façonne le comportement motivé.

• Lee & Wu montrent que le sexe et la motivation pilotent un engagement différencié avec l'IA générative, avec des trajectoires distinctes de réussite.

Principaux thèmes de recherche

Les effets de l'IA sur la motivation des élèves constituent la ligne de recherche la plus directe. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming examine comment la disponibilité de l'assistance par IA affecte la motivation et la persistance des élèves, reliant cette question à la recherche sur la sur-dépendance quant à l'érosion motivationnelle lorsque l'IA fait le travail. Pour la persistance précisément, une brève exposition suffit : dix minutes avec un assistant qui répondait à la demande ont laissé les participants sauter 0,20 des problèmes sans aide contre 0,11 pour les témoins (Liu et al., 2026). Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement explore la tenue de journal par agent conversationnel mobile comme intervention motivationnelle. Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes examine ce qui motive les élèves à adopter les outils d'apprentissage par IA en formation en ingénierie.

Une méta-analyse de 42 études (56 tailles d'effet, 6 059 étudiants) a montré que l'apprentissage soutenu par l'IA générative augmentait la motivation avec un g de Hedges = 0,764 (IC à 95 % [0,566, 0,962]) — mais avec un I² = 93,7 % et un intervalle de prédiction à 95 % de [−0,689, 2,217], la moyenne dissimule des contextes où l'effet est proche de zéro ou négatif (Fang et al. (2026)).

• L'usage non réflexif érode la motivation — davantage chez les hommes. L'usage irréfléchi de l'IA générative (accepter les réponses sans examen) prédisait une motivation plus faible (β = −0,54) et une auto-efficacité plus faible (β = −0,37) chez 487 étudiants de premier cycle, et l'effet sur la motivation était significativement plus fort chez les étudiants de sexe masculin tandis que l'effet sur l'auto-efficacité était plus fort chez les étudiantes (Zhao & Gu, 2026).

La raison pour laquelle un lecteur recourt à l'IA est elle-même une variable mesurable : l'échelle AIR identifie quatre mobiles de lecture assistée par IA générative — orientée vers la tâche, Feel-good, traduction et faible effort — et seul le faible effort, utiliser l'IA lorsqu'on est fatigué ou désengagé, était négativement lié au besoin de cognition (r = −.18) (Brann, Etgar et Sidi (2026)).

La motivation dans l'engagement médié par l'IA examine comment la qualité motivationnelle (et pas seulement la quantité) change avec l'IA. Isaeva et al. ont combiné la théorie de l'autodétermination avec l'analyse de réseaux épistémiques pour étudier l'engagement envers l'IA générative. Liang et al. (2026) ont retracé la motivation développementalement via une analyse latente de transition auprès de 2 086 élèves du secondaire dans un programme d'IA d'un an, trouvant trois profils stables (Désengagé, En développement, Autodéterminé) et constatant qu'atteindre le profil Autodéterminé prédisait les plus grands gains de littératie de l'IA. Wang & Wang (2026) ont utilisé la théorie de la fixation de buts auprès de 758 apprenants d'anglais de l'université, montrant que le soutien des enseignants pilote l'engagement assisté par l'IA principalement par le biais des buts de maîtrise-approche et de performance-approche (les orientations d'approche, non d'évitement). Ensemble, ces études montrent que la motivation dans les contextes d'IA est à la fois développementale et socialement étayée — elle évolue dans le temps et répond au soutien des enseignants et au cadrage des buts, et pas seulement à la conception de l'outil.

L'orientation vers les buts oriente aussi l'usage de l'outil : les buts de maîtrise et de performance normative tendent à soutenir l'élaboration et l'affinement, tandis que les buts de performance d'apparence rendent plus probable la minimisation de l'effort et la protection de la compétence perçue — le même assistant étaye ou remplace donc la pensée selon le climat motivationnel (Øby, 2026).

Un format dialogué peut élever la motivation sans améliorer l'évaluation d'ensemble : chez 222 élèves de première année de lycée, le dialogue enseignant–enseignant a élevé la motivation ARCS davantage que le format enseignant–élève pour les apprenants riches en expérience concrète (b = 0,162, p < .001), tout en obtenant un score significativement plus faible sur l'évaluation d'ensemble (b = -0,126, p = .005) (Watanabe et al. (2026)).

La motivation façonne la manière dont les élèves cadrent l'outil, et le cadrage porte le bénéfice métacognitif : Cui et al. (2026) ont constaté que le rôle de collaborateur — 7,5 % des journaux — était le seul à produire une chaîne métacognitive complète, tandis que les élèves motivés extrinsèquement utilisaient l'IA générative comme outil de remplacement dans 64,6 % des journaux et ne produisaient aucune connexion d'ordre supérieur.

Les gains de motivation sont spécifiques à des construits, et non généraux. Lu et al. (2026) ont constaté qu'un programme d'écriture de neuf semaines soutenu par l'IA générative, destiné à 301 apprenants de 5e et 6e année, a élevé leur soi idéal d'écriture en L2 et leur résilience académique — les composantes aspirationnelle et résiliente de la motivation — tout en laissant l'état d'esprit de croissance inchangé ; le seul gain d'état d'esprit de croissance est apparu dans le groupe témoin et n'a pas survécu à la correction pour comparaisons multiples. Les élèves ont attribué ce changement au fait de voir un texte fluide construit à partir d'un vocabulaire qu'ils connaissaient déjà, ce qui rendait l'écriture réussie accessible à leurs yeux. La motivation n'est donc pas un simple cadran que l'IA monte : ce qui s'est amélioré, c'est la croyance que l'on peut bien écrire, et non la croyance que la capacité croît avec l'effort. La même spécificité aux construits apparaît lorsque l'IA générative est elle-même l'intervention de pertinence. Guo, Fryer et Shum (2026) ont fait passer 218 élèves de lycée une heure en dialogue semi-structuré avec un agent conversationnel visant la pertinence personnelle pour les mathématiques ; la version collective, au niveau de la classe, a élevé la pertinence en tant qu'identification (F = 4,35, p = .014, η² = 0,04 ; face au témoin, F = 11,11, p = .001, η² = 0,073 — un effet moyen) et, dans le modèle d'équations structurelles, a prédit la pertinence d'une leçon spécifique une semaine plus tard (β = 0,18, p < .01), tandis que l'intérêt pour le cours de mathématiques n'a pas bougé (F = 0,29, p = .75, η² = 0,003). Les auteurs attribuent ce découplage à la dose : une unique séance d'une heure est trop brève pour que les gains de pertinence se consolident en intérêt pour le cours.

Une intervention de valeur d'utilité n'est pas uniformément bénéfique : une version étayée n'a produit aucun gain global dans l'intégration de connaissances des futurs enseignants et l'a nui aux apprenants entrés avec une valeur d'utilité perçue élevée, une interaction aptitude–traitement plaidant pour l'adaptation du soutien motivationnel aux points de départ des apprenants (Boos, Eder & Lachner (2026)).

Un message de rétroaction fait évoluer l'intérêt par son utilité perçue, et non par les dispositions de l'apprenant. Jansen et al. (2026) ont donné à 1 507 élèves du secondaire un message de rétroaction automatisée standardisé après un premier jet de texte argumentatif : la réceptivité globale était la seule dimension de réceptivité liée au changement d'intérêt situationnel (environ 0,11 point sur l'échelle observée, à peu près le 54e percentile contre le 46e), et cet effet était pleinement médié par l'utilité perçue (β indirect = 0,09, IC à 95 % [0,06, 0,13]) sans effet direct significatif résiduel (β = 0,06, IC à 95 % [−0,07, 0,16]) : ce qui a déplacé l'intérêt est donc la valeur ressentie du message plutôt que la posture générale de l'apprenant envers la rétroaction.

La motivation et la persistance des enseignants examinent la motivation parmi les éducateurs. Framing the 5 Percent Problem étudie la persistance des enseignants avec les outils d'IA, et Chiu et al. ont constaté qu'un développement professionnel soutenant les besoins favorise l'engagement comportemental soutenu dans les communautés d'apprentissage professionnel.

• La motivation interculturelle des futurs enseignants : Martínez-Moreno et al. (2026) ont validé l'échelle (D)FIT-Choice auprès de 416 étudiants enseignants en Suisse et en Chine, constatant que les enseignants suisses rapportent une utilité sociale et une motivation intrinsèque plus fortes, tandis que les enseignants chinois montrent une compétence numérique perçue et un enthousiasme pour l'intégration de l'IA plus élevés — soulignant comment les facteurs culturels et systémiques façonnent la motivation à façonner l'avenir de l'éducation avec l'IA.

• L'auto-efficacité est la racine du plaisir des enseignants à l'égard de l'IA générative. Dans une étude PLS-SEM portant sur 434 enseignants en exercice, l'auto-efficacité était la seule variable exogène du modèle et son effet le plus important portait sur le plaisir perçu (β = 0,805, f² = 1,839), alimentant à son tour l'utilité perçue et la facilité d'usage (Guillén-Gámez et al., 2026).

Le paradoxe de l'effort et le cercle vicieux de l'assistance. Zohar, Bloom et Inzlicht (2026) soutiennent que la motivation n'est pas simplement aidée ou entravée par l'IA mais redistribuée : les humains prennent généralement le chemin de moindre résistance, mais ils recherchent aussi l'effort — le paradoxe de l'effort — parce que l'effort signale que les actions importent et parce qu'une récompense attachée au processus plutôt qu'au produit accroît la tendance à s'efforcer et à persévérer. Deux affirmations en découlent. Premièrement, la relation effort–sens a la forme d'un U inversé, si bien que la cible motivationnelle est une friction modérée, et que le risque d'une IA sans friction est de dépasser dans le sens d'une friction trop faible. Deuxièmement, un cercle vicieux : à mesure que l'IA remplace l'effort dans un domaine, les bénéfices motivationnels de l'effort s'y érodent, ce qui rend les utilisateurs plus dépendants de l'IA, ce qui érode davantage la motivation. Ils distinguent aussi le supplément du substitut selon l'étape développementale — les apprenants aux étapes précoces risquent de contourner les expériences qui bâtissent la persévérance, tandis que ceux dotés de compétences établies peuvent utiliser l'IA pour gagner du temps (Les difficultés souhaitables, Le sentiment d'efficacité personnelle).

La littérature mesure la motivation sans théorie de celle-ci. Une revue de cadrage portant sur 156 études de 2003 à 2025 a montré que 133 (85,3 %) n'étaient guidées par aucune théorie motivationnelle spécifique, que la variable la plus courante était une motivation académique généralisée (n = 89), et que 88 études (56,4 %) provenaient d'un même contexte national (Li et al., 2026).

Connexions avec les concepts liés

La motivation est le construit parent de l'autodétermination, qui spécifie les besoins psychologiques (autonomie, compétence, liens sociaux) qui soutiennent la motivation intrinsèque. Elle se relie à l'expérience étudiante comme couche expérientielle de l'engagement motivé, à l'engagement des élèves comme sa dimension mesurable, et à l'informatique affective pour les mécanismes émotionnels qui façonnent la motivation. La motivation se relie aussi à la sur-dépendance (l'IA réduisant les difficultés productives), à l'apprentissage autorégulé (les apprenants motivés s'autorégulent) et au rôle de l'enseignant (la motivation vaut pour les éducateurs comme pour les élèves).

Concepts liés

• Apprenants — Apprenants : le concept parapluie des concepts du côté de l'apprenant
• Apprentissage autodirigé
• La théorie de l'autodétermination
• L'expérience étudiante
• L'engagement des étudiants
• Informatique affective
• Tutorat affectif
• Délestage cognitif
• L'apprentissage autorégulé
• L'enseignement
• L'IA en éducation
• La manière dont l'usage de l'IA est présenté aux étudiants
• L'apprentissage socioémotionnel — Apprentissage socio-émotionnel

Articles liés

• AI Assistance Reduces Persistence and Hurts Independent Performance — Un bref usage de l'IA a réduit la persistance sur des problèmes ultérieurs sans assistance (Liu et al. 2026)

• Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception — Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception

• Against frictionless AI — Le paradoxe de l'effort et le cercle vicieux de l'assistance sans friction

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

• Differential engagement with generative artificial intelligence in higher education: Gender, motivation, and achievement trajectories — Sexe, motivation et trajectoires de réussite avec l'IA générative

• Beyond Task Completion: A Theoretical Integration and Framework for Guiding Students' ChatGPT Use for Learning

• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• How Does Students' Perception of ChatGPT Shape Online Learning Engagement and Performance?

• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming

• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study

• Teacher education for artificial intelligence literacy through a self-determination theory perspective

• Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement

• Framing the 5% Problem: Teachers'' Perspectives on Persistence in Educational Technology

• Self-Efficacy and Favorability Shape Learning from Tutoring Systems and Paper Practice

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)

• Motivation to shape the future of education with Artificial Intelligence: An international comparison between Switzerland and China — La motivation à façonner l'avenir de l'éducation avec l'IA

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Caractéristiques des apprenants × interactions avec le format dialogué en synthèse vocale

• 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 disengaged to self-determined: a latent transition analysis of students' AI learning motivation — Analyse latente de transition selon la théorie de l'autodétermination sur la motivation des élèves à l'égard de l'apprentissage par IA (2 086 élèves du secondaire)

• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Théorie de la fixation de buts : soutien des enseignants, buts de réussite et engagement dans l'apprentissage de l'anglais assisté par l'IA (758 étudiants chinois)

• Perceived Utility Moderates Motivational Intervention Effects in Learning to Teach Responsibly with GenAI — Effets d'une intervention de valeur d'utilité dans l'apprentissage de l'enseignement responsable avec l'IA générative (Boos, Eder & Lachner 2026)

• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Gains de motivation spécifiques à des construits dans un programme d'écriture en L2 par IA générative au primaire (Lu et al. 2026)

• The AIR Scale: Development and Validation of a Measure of Motivations for Using AI During Reading — L'échelle AIR : quatre familles de mobiles pour recourir à l'IA en lisant

• Utilizing generative AI to promote high school students' personal relevance to math and interest in the math class: An intervention — Le dialogue de pertinence avec l'IA générative a élevé la pertinence en tant qu'identification mais laissé l'intérêt pour le cours inchangé

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Méta-analyse à effets aléatoires de l'effet de l'IA générative sur la motivation à apprendre (56 tailles d'effet, 6 059 étudiants)

• AI and student motivation: A scoping review — 156 études sur l'IA et la motivation des élèves : 85,3 % n'ont utilisé aucune théorie motivationnelle, et la couverture est étroite en construit, en niveau et en pays