La théorie de l'autodétermination

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

La théorie de l'autodétermination (SDT) — une théorie psychologique de la motivation humaine selon laquelle la motivation intrinsèque et le bien-être dépendent de la satisfaction de trois besoins psychologiques fondamentaux : l'autonomie, la compétence et le sentiment d'appartenance (relatedness). Dans le champ de l'IA en éducation, la SDT fournit un cadre pour concevoir des outils d'IA et du développement professionnel qui soutiennent plutôt que de saper la motivation des apprenants et des enseignants.

Questions à examiner

• La théorie affirme que la motivation n'est pas seulement une question de quantité mais une qualité façonnée par l'environnement, fondée sur trois besoins : l'autonomie, la compétence et le sentiment d'appartenance. Pensez à une expérience d'apprentissage qui vous a vidé. Lequel de ces trois besoins était bafoué, et qu'est-ce qui l'aurait restauré ?
• Une étude d'un an a trouvé trois profils motivationnels — Désengagé, En développement, Autodéterminé — stables dans le temps, et les élèves ayant atteint le profil Autodéterminé ont montré les plus grands gains en littératie en IA. Avant de lire : la motivation est-elle quelque chose que les élèves apportent avec eux, ou quelque chose qu'un environnement bien conçu peut faire croître ? Qu'implique l'idée d'un caractère « développemental et non figé » ?
• Si un outil d'IA rend chaque tâche sans effort et « facile à utiliser », quel besoin psychologique pourrait-il satisfaire — et quel besoin pourrait-il saper en silence ? Comment un outil qui stimule l'engagement à court terme pourrait-il néanmoins éroder la motivation à long terme ?
• Un développement professionnel soutenant les besoins des enseignants a renforcé leur littératie en IA et soutenu leur engagement. Cela suggère-t-il que la manière dont nous formons les enseignants à l'IA compte autant que ce que l'IA elle-même fait ? À quoi ressemblerait, pour vous personnellement, une formation à l'IA « soutenant l'autonomie » ?
• Une étude a montré que ChatGPT pouvait soutenir l'autonomie, le sentiment d'appartenance et la compétence dans l'apprentissage des langues. Mais le même outil pourrait-il saper ces besoins chez un autre apprenant ? Que faudrait-il qu'il en soit de la manière dont il est utilisé pour que la théorie tienne ?
• Avant de lire plus loin, nommez une manière dont vous avez senti votre propre compétence, votre autonomie ou votre sentiment de connexion affectés par l'usage d'un outil d'IA — et réfléchissez à si vous auriez remarqué ce changement sans y avoir été invité.

Introduction

La SDT est de plus en plus utilisée dans la recherche sur l'IA en éducation comme lentille théorique, tant pour les systèmes d'IA destinés aux apprenants que pour ceux destinés aux enseignants. L'affirmation centrale de la théorie — à savoir que la motivation n'est pas simplement une quantité que les apprenants possèdent, mais une qualité façonnée par l'environnement social et technologique — la rend directement pertinente pour les questions portant sur la manière dont les outils d'IA affectent l'engagement, la persévérance et les résultats d'apprentissage. Les articles de cette base de connaissances appliquent la SDT dans trois contextes principaux : le développement professionnel des enseignants, l'engagement d'apprentissage médié par l'IA, et l'informatique affective.

Thèmes de recherche clés

Le développement professionnel des enseignants fondé sur la SDT applique les principes de la théorie en matière de soutien des besoins à la préparation des enseignants à l'IA. Chiu et al. ont étudié 382 professeurs du secondaire, constatant qu'un développement professionnel soutenant les besoins et ancré dans la SDT renforce la littératie en IA des enseignants et favorise un engagement comportemental soutenu dans les communautés d'apprentissage professionnel en ligne. Une analyse qualitative a identifié neuf stratégies de conception soutenant l'autonomie, la compétence et le sentiment d'appartenance — comblant le fossé entre un développement professionnel isolé et les communautés d'apprentissage professionnel.

La SDT dans l'engagement d'apprentissage médié par l'IA examine la manière dont les outils d'IA générative façonnent la motivation des élèves. Isaeva et al. ont combiné la SDT avec l'analyse de réseaux épistémiques pour étudier l'engagement des élèves envers l'IA générative dans l'apprentissage académique. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming explore la manière dont la disponibilité de l'IA affecte la motivation et la persévérance des élèves, en lien avec les inquiétudes d'érosion motivationnelle liées à la dépendance excessive. Liang et al. (2026) étendent la SDT à l'apprentissage avec l'IA au moyen d'une analyse de transitions latentes portant sur 2,086 élèves du secondaire engagés pendant un an dans un programme d'IA, identifiant trois profils motivationnels (Désengagé, En développement, Autodéterminé) stables dans le temps et montrant que la plupart des élèves ont maintenu leur profil ou progressé vers des profils plus élevés. Point crucial, les élèves ayant atteint ou conservé le profil Autodéterminé ont montré les plus grands gains de littératie en IA — une preuve longitudinale directe que la satisfaction de l'autonomie, de la compétence et du sentiment d'appartenance prédit de meilleurs résultats d'apprentissage avec l'IA, et que la motivation est une propriété développementale (et non figée) de l'apprenant.

Un résultat de classe contrasté montre que ces besoins n'évoluent pas ensemble : parmi 2,464 élèves des premières années du secondaire, un apprentissage par compétences soutenu par ChatGPT a accru le soutien à l'autonomie et la satisfaction du besoin de compétence, tout en produisant une plus grande part de profils motivationnels de faible qualité, et la satisfaction du besoin d'appartenance était plus faible que dans un apprentissage par compétences sans IA (Schweder, Hagenauer & Raufelder (2026)).

Un test configurationnel aiguise le constat : parmi 498 étudiants en médecine de premier cycle, l'usage de l'IA générative n'était que faiblement associé à la satisfaction des besoins (β = 0.155) et s'est révélé inutile pour un engagement élevé, tandis que la satisfaction du besoin de compétence constituait la condition centrale de la configuration la plus forte (He et al. (2026)).

Double cheminement du climat d'apprentissage vers l'usage de l'IA. Shen et Arunrugstichai (2026) intègrent la SDT au modèle Hook de l'engagement comportemental pour expliquer pourquoi l'usage de l'IA générative va d'un soutien constructif à une dépendance compulsive. Dans des données d'enquête transversales portant sur 508 étudiants universitaires aux origines de lycée et aux contextes actuels différents (Chine et Thaïlande), les déclarations rétrospectives de pression au lycée contre soutien à l'autonomie ont prédit différentiellement lequel des deux cheminements les étudiants suivaient à l'université — l'un vers un usage constructif et autonome de l'IA générative, l'autre vers une dépendance compulsive — avec des résultats cohérents dans les analyses multigroupes intercontextuelles. Le modèle relie les processus motivationnels de la SDT à la qualité perçue de l'apprentissage soutenu par l'IA, en faisant du soutien à l'autonomie un levier qui oriente les élèves vers un usage productif plutôt que dépendant de l'IA.

• ChatGPT et besoins de la SDT dans l'apprentissage des langues : Annamalai et al. (2026) ont utilisé la lentille de la SDT auprès de 25 étudiants universitaires malaisiens, constatant que ChatGPT soutient l'autonomie, le sentiment d'appartenance et la compétence dans l'apprentissage de l'anglais — améliorant les tâches de grammaire, d'écriture et de conversation tout en permettant aux enseignants de se concentrer sur la formation d'ordre supérieur.

La SDT appliquée à la pratique des enseignants eux-mêmes, médiée par l'IA. Claassen et al. (2026) ont utilisé la SDT comme lentille interprétative de la manière dont les enseignants intègrent les analyse des apprentissages et l'IA générative dans la conception pédagogique — constatant que le soutien aux besoins fondamentaux des enseignants (autonomie, compétence, appartenance) favorise la résolution de problèmes créative que requiert leur travail de conception. Dans leur analyse par réseaux épistémiques, l'usage de l'IA générative était associé à une conception favorisant l'autodétermination des élèves (par exemple la co-création de grilles d'évaluation avec les élèves), étendant la SDT des apprenants aux enseignants qui construisent des environnements médiés par l'IA et soutenant les besoins.

Pour les enseignants eux-mêmes, la collaboration avec l'IA a deux faces : une étude à trois vagues portant sur 468 enseignants universitaires a montré qu'elle augmentait l'engagement au travail par la disponibilité psychologique tout en le diminuant par l'aliénation au travail, et que la compétence numérique renforçait le premier chemin et affaiblissait le second (Sun et al. (2026)).

Un cadre de co-agence borne la portée de la SDT dans l'éducation médiée par l'IA : elle change les circonstances dans lesquelles l'autonomie, la compétence et le sentiment d'appartenance apparaissent, mais laisse sans réponse l'équité du pouvoir, la propriété des données et la redevabilité, ce pourquoi ses auteurs posent la responsabilité épistémique humaine comme condition non négociable extérieure à la théorie (Poudyal (2026)).

Le soutien à l'autonomie comme cadre de l'usage de l'IA générative par les enfants. Fan, Li et Zhang (2026) déplacent la question de l'usage responsable de la restriction vers le soutien des besoins, soutenant que la distinction qui compte est de savoir si les adultes entourant un enfant soutiennent son autonomie plutôt qu'ils ne la contrôlent, et distinguant au sein des termes de la SDT le délégation cognitive dépendante du délégation autonome : la délégation dépendante transfère l'agentivité et abaisse la motivation intrinsèque, tandis que la délégation autonome étaye pendant que l'apprenant conserve le contrôle épistémique. Deux caractéristiques de cette revue sont directement pertinentes pour l'application de la SDT : elle insiste sur le fait que le soutien à l'autonomie n'est pas de la permissivité, et elle traite la coordination famille-école que les recommandations actuelles présupposent comme une hypothèse non testée, en formalisant des versions additives, synergiques et compensatoires que seul un essai factoriel contrastant les recommandations réservées à la famille, réservées à l'école, coordonnées et la pratique habituelle pourrait discriminer.

Connexions

La SDT se relie directement à la La motivation comme construct parent, à l'informatique affective et au tutorat affectif pour la conception d'une IA sensible aux émotions, et à la expérience étudiante pour la manière dont les apprenants vivent les environnements médiés par l'IA. L'accent mis par la théorie sur l'autonomie la relie à l'apprentissage autorégulé, tandis que sa dimension de compétence la relie à Self-Efficacy and Favorability Shape Learning from Tutoring Systems and Paper Practice et à la compétence des enseignants en IA. La SDT est particulièrement pertinente pour la formation professionnelle et le développement éducatif, parce qu'une conception soutenant les besoins est un principe transférable pour préparer les enseignants à utiliser l'IA.

Concepts liés

• La motivation
• L'expérience étudiante
• Informatique affective
• Tutorat affectif
• L'apprentissage autorégulé
• La compétence des enseignants en IA
• Le développement éducatif
• Apprentissage en milieu professionnel
• Délestage cognitif
• L'engagement des étudiants
• L'IA en éducation
• Théories de l'apprentissage

Articles liés

• Family-school autonomy support for children's responsible use of generative artificial intelligence — Family-School Autonomy Support for Children's Responsible Use of Generative AI

• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — Pression au lycée / soutien à l'autonomie et double cheminement d'apprentissage avec l'IA (Shen & Arunrugstichai 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — Learning analytics et IA générative dans la prise de décision en conception pédagogique

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

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

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

• Students' experiences of using ChatGPT for English language learning: a qualitative study in a Malaysian higher education institution — Les expériences des étudiants avec ChatGPT dans l'apprentissage de l'anglais

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

• From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — Analyse de transitions latentes SDT de la motivation d'apprentissage des élèves avec l'IA (2,086 élèves du secondaire)

• Student Motivation and Need Satisfaction in GenAI-Supported Classrooms: A Self-Determination Theory Perspective — Motivation des élèves et satisfaction des besoins dans les classes avec IA générative (Schweder, Hagenauer & Raufelder 2026)

• Generative Artificial Intelligence Use and Learning Engagement Among Medical Undergraduates: Statistical Indirect and Configurational Associations Involving Basic Psychological Need Satisfaction — L'usage de l'IA générative est faiblement lié à la satisfaction des besoins et inutile pour un engagement élevé (He et al. 2026)

• The Double-Edged Sword Effects of Teacher–AI Collaboration on Work Engagement: A Self-Determination Theory Perspective — Double cheminement de la collaboration enseignant-IA vers l'engagement au travail, modéré par la compétence numérique