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

Analyse de réseaux

Création 2026-08-22 · Mise à jour 2026-10-10

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

Analyse de réseaux (Network analysis) — la famille de méthodes de recherche qui modélisent des entités (personnes, concepts, actions ou codes) comme des nœuds reliés par des arêtes représentant des relations ou des transitions, puis analysent la structure et la dynamique du réseau résultant pour révéler des régularités invisibles aux décomptes de fréquences ou aux comparaisons par paires. Dans la recherche sur l'IA en éducation, l'analyse de réseaux sert à cartographier les régularités d'interaction entre apprenants et outils d'IA, à modéliser la manière dont des éléments de connaissance ou de discours cooccurrent, et à retracer des séquences temporelles de comportement. Elle comprend des variantes distinctes — l'analyse de réseaux épistémiques (ENA, modélisant la cooccurrence de codes/construits), l'analyse de réseaux sociaux (SNA, modélisant les relations entre personnes), et l'analyse des réseaux de transition (TNA, modélisant les séquences temporelles d'états) — chacune opérationnalisant différemment « l'apprentissage comme connexion ». (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing) (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing) (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)

Questions à examiner

  • Quand vous entendez « analyse de réseaux » en éducation, quelles images vous viennent à l'esprit — des cartes d'amitié entre étudiants, des liens entre idées, ou autre chose ? En quoi diffèrent-elles du simple fait de compter combien de fois les choses se produisent ?
  • Supposez que vous vouliez savoir si les étudiants s'engagent réellement avec la rétroaction d'un outil d'écriture assisté par IA, ou s'ils se contentent d'obtenir des réponses. Pourquoi une métrique du type « combien de fois ont-ils cliqué » pourrait-elle manquer l'histoire qu'une séquence d'actions (par exemple, une boucle de révision contre une boucle de conversation) révélerait ?
  • La page distingue l'analyse de réseaux épistémiques, l'analyse de réseaux sociaux et l'analyse des réseaux de transition. Sans connaître les détails, pouvez-vous deviner quelle variante vous utiliseriez pour étudier (a) la manière dont les gens collaborent, (b) quelles idées cooccurrent dans le raisonnement des étudiants, et (c) la manière dont les apprenants se déplacent entre des états au fil du temps ?
  • Un chercheur constate que des apprenants de littératie élevée et faible utilisent le même outil d'IA mais produisent des structures de réseaux de raisonnement très différentes. Qu'est-ce que cela vous apprend sur l'évaluation des outils d'IA par un score moyen unique ?
  • Des métriques de réseau comme la « densité » et la « centralité » décrivent si l'interaction est aléatoire ou organisée autour de pivots. Quand un réseau organisé centré sur un apprenant serait-il le signe d'une bonne collaboration — et quand le signe d'un problème ?

Introduction

Les méthodes d'analyse de réseaux partagent un principe central : c'est la structure des connexions — et pas seulement leur présence ou leur fréquence — qui porte du sens. Plutôt que de demander « quelle quantité de X s'est produite », elles demandent « comment les éléments sont-ils connectés, et que révèle cette connectivité sur la cognition, l'collaboration ou les processus d'apprentissage ? » Cela les rend particulièrement précieuses dans l'IA en éducation, où les chercheurs veulent de plus en plus comprendre le processus de l'interaction apprenant–IA (la manière dont les apprenants naviguent la rétroaction, le dialogue et la révision) plutôt que le seul produit (scores finaux, taux d'erreurs).

Variantes utilisées dans le corpus de la base de connaissances

Celles-ci se distinguent d'un graphe de connaissances, qui est une structure de données pour représenter et raisonner sur des faits (un entrepôt d'ontologie/de triplés), et non une méthode analytique pour étudier un processus ou une structure de relations.

L'analyse de réseaux dans la recherche sur l'IA en éducation

Les méthodes de réseau sont utilisées à travers le corpus de données probantes de la base de connaissances pour répondre à des questions que les métriques agrégées ne peuvent pas traiter :

Considérations méthodologiques

  • Le codage est le fondement. Toutes les variantes de réseau dépendent d'un codage fiable des données brutes (énoncés, événements, relations) en nœuds/codes discrets ; le codage automatisé fondé sur les grands modèles de langue est de plus en plus utilisé, mais exige une validation humaine (par exemple, un κ de Fleiss de 0,70 à 0,71 dans les études de TNA). (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • Traiter l'accord entre codeurs comme un contrôle continu, et non comme une statistique ponctuelle. Galiç et al. (2026) ont codé 304 énoncés de repérage (noticing) à un α de Krippendorff de ,803 et ont surveillé l'accord tout au long de l'étude, recodant les énoncés contestés chaque fois que le κ regroupé tombait sous leur seuil de recalibration de ,85 (aux Cas 18 et 27) et n'ayant plus besoin d'aucune recalibration aux Cas 36 à 51. La séquence est le point central : une fiabilité mesurée seulement à la fin aurait laissé les premiers modèles de transition reposer sur une dérive des codeurs, puisque ces régularités de transition hebdomadaires constituaient le constat de l'étude.
  • Les métriques au niveau du réseau résument la structure. La densité, la réciprocité, la centralisation et les forces entrante/sortante décrivent si l'interaction est aléatoire ou organisée autour de pivots « gravitationnels », et à quel point l'échange est réciproque.
  • La comparaison statistique est nécessaire pour les différences entre groupes. Des tests du khi-deux ou des tests par permutation sont utilisés pour établir que les différences de réseau observées (par exemple, selon la compétence) ne sont pas dues au hasard. Shao et al. (2026) montrent que l'hypothèse nulle doit être construite pour correspondre au texte. Dans une discussion de cas avec vingt étudiants diplômés de disciplines mixtes de l'enseignement supérieur, la part de termes partagés de taille 3 est passée de 5,2 % à 8,0 % tandis que les jetons de contenu tombaient à environ 0,65 fois leur niveau d'après lecture. Un test de permutation sur l'ensemble du sac de mots aurait qualifié cette hausse de significative ; leur test de permutation des jetons conditionné par la longueur ne l'a pas fait (Q6 p = ,62, Q7 p = ,15).
  • Valider l'instrument avant de lire son réseau. Alatoai et Alshahri (2026) ont construit l'échelle AI-STEM-MLCS à 45 items par la voie complète de développement d'échelle — rapports de validité de contenu par des experts, analyse factorielle exploratoire puis confirmatoire (CFI = 0,983, RMSEA = 0,019), ω de McDonald de 0,888 à 0,905, et coefficients de corrélation intraclasse test-retest à deux semaines de 0,751 à 0,900 — avant de modéliser les quatre dimensions par analyse graphique exploratoire. Dériver une structure d'un réseau dont les nœuds sont des scores d'échelle non validés est précisément ce que cet ordre évite, et les auteurs désignent la validation propre au contexte saoudien comme la limite au transfert de la structure.
  • Interpréter avec prudence. La granularité des nœuds (par exemple, un nœud « conversation » grossier) peut masquer l'intention ; la classification automatisée comporte une certaine ambiguïté ; et la structure de réseau transversale n'établit pas la causalité.
  • Des réseaux qui exposent ce qu'un agrégat masque. Pan et al. (2026) ont constaté que la classe annotant avec l'IA générative surpassait son groupe témoin et s'y engageait davantage, puis ont scindé la classe expérimentale par la performance médiane et ont montré que le gain n'était pas partagé : les groupes à haute performance initiaient 60,7 pour cent des demandes de rétroaction dans leurs annotations, contre 34,0 pour cent pour les groupes à faible performance, qui restaient dans une boucle autoréférentielle (séparation des groupes significative sur l'axe X de l'ENA, U = 25,00, p = 0,01). La leçon de conception est qu'un effet au niveau du groupe peut résumer deux structures d'interaction différentes — et les deux groupes étaient des classes intactes, si bien que la comparaison identifie la régularité sans l'attribuer causalement.

Implications pour la recherche sur l'IA en éducation

  1. Préférer les méthodes de processus aux métriques centrées sur le seul produit. Pour évaluer si les outils d'IA soutiennent l'apprentissage, modélisez la manière dont les apprenants s'engagent réellement (appropriation, dialogue, révision) avec des méthodes de séquence/réseau plutôt que de vous appuyer sur les seuls scores finaux.
  2. Utiliser l'ENA pour comparer la structuration cognitive. Lorsqu'on demande comment différents apprenants ou modes (humain contre IA) structurent leur raisonnement, l'ENA fournit une comparaison directe et visuelle des réseaux de cooccurrence — une technique bien adaptée à la modélisation de l'apprenant de la manière dont les apprenants connectent les idées.
  3. Valider le codage automatisé. Avec de grands jeux de données de journaux, la classification fondée sur les grands modèles de langue est puissante, mais doit être confrontée au codage humain (rapporter l'accord inter-juges) avant d'interpréter la structure du réseau.
  4. Concevoir pour la différenciation. L'analyse de réseaux révèle souvent que le même outil d'IA produit des régularités d'interaction différentes selon les sous-groupes d'apprenants — ce qui éclaire une conception adaptative plutôt qu'une évaluation uniforme.

Validation par ENA du dialogue collaboratif simulé

  • L'ENA comme validation du dialogue simulé. Fang (2026) applique l'analyse de réseaux épistémiques pour évaluer si des agents fondés sur des grands modèles de langue ajustés reproduisent la structure du véritable dialogue de résolution collaborative de problèmes. En comparant les vecteurs d'adjacence simulés au réseau empirique, il rapporte une distance ENA de 0,17 — dans le seuil du 95e centile de la distribution nulle, avec une valeur p de permutation de 0,65 — ce qui démontre la puissance de l'ENA comme contrôle quantitatif de la fidélité des simulations génératives du discours, aux côtés d'autres applications de l'ENA/SNA/TNA dans la recherche en éducation.

Concepts liés

Articles liés

Métadonnées

Technologies et techniquesGraphe de connaissances, Analytique de l'apprentissage
Méthodes de recherche et évaluationAnalyse de réseaux, Les méthodes de recherche en AIED
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.