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

Les technologies de la parole et de la voix

Création 2026-09-16 · Mise à jour 2026-10-10

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

Les Technologies de l'IA de la parole et de la voix — la famille de systèmes d'IA dans lesquels le canal parlé porte l'interaction : la reconnaissance automatique de la parole (ASR) qui transcrit, analyse et note ce qu'un apprenant dit ; la synthèse vocale (TTS) qui produit des consignes sous forme de narration ou de dialogue ; les agents vocaux d'abord (voice-first) qui tiennent une conversation parlée en temps réel avec les apprenants ; et la capture et la notation automatisées de la performance orale. Là où la recherche sur les agents conversationnels porte surtout sur les agents textuels et où l'apprentissage des langues couvre largement la pédagogie des langues secondes, cette page suit l'audio lui-même — ce qu'une interface vocale change à l'apprentissage, ce qu'elle coûte, et qui elle inclut ou exclut lorsque l'interface est une voix plutôt qu'un écran.

Questions à examiner

  • La rétroaction de l'ASR aide davantage les apprenants forts que les faibles : dans une enquête portant sur 325 étudiants chinois de premier cycle, le bénéfice du comportement réflexif et de la motivation était faible et non significatif à faible niveau de maîtrise, et devenait nettement plus fort aux niveaux moyen et élevé. Si un outil élève la moyenne tout en creusant l'écart, est-ce un succès ?
  • La narration par TTS égalait la voix même de l'enseignant sur la compréhension, la concentration et l'évaluation globale — mais la narration au format dialogue battait la narration à locuteur unique sur la compréhension et l'engagement cognitif, tout en paraissant moins naturelle. Laquelle choisiriez-vous pour une première introduction à un concept, et laquelle pour un déroulé procédural dense ?
  • Deux constats vont à l'encontre de l'intuition : les étudiants qui lisaient le plus intensément la production de l'IA durant les tâches d'interprétation avaient la fluidité d'élocution la plus faible, et un apprenant qui a répondu en deux mots a été jugé correct tandis qu'une réponse parlée plus complète a été signalée. Dans quelle mesure une interface vocale mesure-t-elle la fluidité verbale plutôt que la compréhension ?
  • Un agent vocal à accent britannique était traité comme un outil, tandis que des agents à accent indien et afro-américain étaient anthropomorphisés et traités comme des pairs dans des travaux de groupe au primaire et secondaire. Si l'accent change la manière dont un apprenant se relie à un agent, qui devrait décider de la voix avec laquelle un produit éducatif est livré ?
  • Les systèmes vocaux d'abord et hors ligne existent surtout pour atteindre des apprenants que l'EdTech fondée sur l'écran excluait — les enfants aveugles, les apprenants sourds et malentendants, les apprenants dans des ateliers sans connectivité. Que faudrait-il pour que l'accessibilité soit l'hypothèse de départ d'un produit de parole plutôt qu'un correctif tardif ?
  • Presque chaque affirmation de cette page provient d'une étude courte, à site unique et fondée sur l'autodéclaration, avec un ordre de présentation fixe. Laquelle de ces conclusions auriez-vous assez confiance pour changer votre évaluation ou la conception de votre leçon avant qu'une réplication n'existe ?

Introduction

La parole est la plus ancienne interface éducative et la plus nouvelle pour l'IA. Les systèmes qui écoutent et parlent siègent désormais dans les classes de langues, les ateliers de formation professionnelle et les leçons d'investigation du lycée. Ils sont attractifs pour la raison habituelle — la parole est rapide, fonctionne sans les mains et sans les yeux, et est le médium dans lequel vivent la prononciation, la fluidité et le raisonnement oral — et pour une raison plus nouvelle : une réponse parlée limitée dans le temps est difficile à déléguer à un générateur de texte, ce qui fait du canal parlé une réponse candidate à la pression que subit l'intégrité académique dans l'évaluation écrite.

Les recherches présentées ici se répartissent en quatre grappes : la rétroaction sur la prononciation par ASR, l'enseignement généré par TTS, les partenaires vocaux d'abord et les partenaires de dialogue parlé, et l'évaluation orale assistée par l'IA. Une question d'équité traverse les quatre — les interfaces vocales suppriment une barrière (la vue, la vitesse de lecture, la littératie de la saisie) tout en en introduisant d'autres (l'accent, la précision de la reconnaissance, le matériel, la connectivité).

ASR et rétroaction sur la prononciation

Le message le plus constant des travaux sur l'ASR est que l'outil n'est pas le traitement — c'est la conception de la rétroaction qui l'est. Chen et al. (2026) ont interrogé 325 étudiants de premier cycle d'une université chinoise de formation des enseignants et ont modélisé l'exactitude, la fréquence d'usage, la qualité de la rétroaction et la conception des tâches de réflexion par rapport au comportement réflexif et à la La motivation intrinsèque, puis par rapport à l'amélioration de l'expression orale. La correction exacte des erreurs et les tâches de réflexion structurées ont piloté à la fois l'internalisation de la rétroaction et la réflexion. Un usage plus fréquent a stimulé la réflexion mais n'a eu aucun effet indépendant sur la motivation. La précision de la reconnaissance a accru la motivation, vraisemblablement en bâtissant la confiance dans l'outil, mais n'a pas déclenché par elle-même un traitement plus profond — un apprenant peut enregistrer une erreur signalée sans en analyser la cause. La réflexion était le prédicteur le plus fort des gains d'élocution, et la maîtrise modérait les deux chemins : faible et non significatif à faible niveau de maîtrise, nettement plus fort aux niveaux moyen et élevé. Le conseil qui en découle est d'expliquer les erreurs du point de vue articulatoire plutôt que de les signaler, d'accroître la complexité avec le niveau de préparation, et de formuler la correction de manière soutenante.

Un second courant demande si la rétroaction sur la prononciation par IA change la disposition des apprenants à parler. Lu et al. (2026) ont interrogé 1,701 apprenants chinois d'anglais langue étrangère à l'université et ont utilisé une modélisation par équations structurelles fondée sur la covariance avec un bootstrap corrigé du biais pour tester si les perceptions de la rétroaction sur la prononciation par IA générative étaient liées à la volonté de communiquer, avec l'auto-efficacité en prononciation comme médiatrice. L'association était positive, et l'auto-efficacité la médiatisait partiellement : le chemin indirect représentait 69.9% de l'effet total tandis qu'un effet direct subsistait. Tous les construits étaient autodéclarés à un seul moment, si bien que l'étude décrit un mécanisme que les apprenants perçoivent plutôt qu'un mécanisme qui a été manipulé.

La rétroaction automatisée sur la prononciation peut aussi être construite sans étiquettes d'erreur. Kawamura (2026) décrit Profy, qui apprend ce à quoi ressemblent une bonne et une mauvaise prononciation à partir de parole largement non annotée par apprentissage autosupervisé, puis montre aux apprenants quelles régions de la forme d'onde ont motivé le jugement et à quelle distance leur acoustique se situe des distributions des locuteurs natifs. Avec 10 apprenants japonais d'anglais évalués par cinq auditeurs américains, l'intelligibilité s'est améliorée, et, contrairement à une ligne de base par imitation élicitée, les intervalles de confiance avant et après la pratique ne se chevauchaient pas — un petit échantillon, mais qui donne le où et le combien plutôt qu'un verdict binaire.

L'ASR sert aussi la classe dans un second rôle — convertir la parole en texte que les apprenants lisent. Stanchev (2026) a produit un passage de manuel d'anglais médical de 2,692 mots sur les protéines avec une seule voix de synthèse vocale (15:27, locutrice canadienne), puis a soumis l'audio identique à quatre services d'ASR en ligne, avant de mesurer à la fois le taux d'erreur par mot (WER) et la couverture (coverage : les mots restitués en part de la référence). Les deux services gratuits ont restitué des transcriptions quasi complètes (87.96% et 88.34% de couverture, WER de 15.23% et 15.00%), tandis que les deux services payants n'exportaient que des aperçus (32.76% et 55.35% de couverture, WER de 73.21% et 48.77%). Le point de mesure est que le WER seul confond le texte indisponible avec le texte inexact et classerait une restriction d'exportation comme un échec de transcription, si bien que la couverture doit figurer à côté du taux d'erreur. Les omissions dominaient dans chaque service et se concentraient sur des marqueurs structurels comme les renvois de figures et les numéros de page, mais une poignée de substitutions altérant le sens — imino → amino, cystine → cysteine, protonated → protonatid, pH → phase — inversaient chacune un fait biochimique, ce pourquoi les auteurs proposent un flux de travail en trois étapes (générer l'entrée, exporter la transcription complète, vérifier la terminologie du domaine) avant qu'une transcription n'atteigne les apprenants, et pourquoi une passe terminologique est la garde-fou la moins coûteuse pour l'anglais médical.

TTS et enseignement généré par la voix

La narration générée s'avère un substitut viable à un enseignant enregistré, et la variation intéressante se situe à l'intérieur du format plutôt qu'entre l'humain et la machine. Kumoi et al. (2026) ont construit un pipeline en trois étapes avec un humain dans la boucle, dans lequel un LLM rédige les diapositives et une narration optimisée pour la synthèse vocale tandis que l'enseignant vérifie les faits à chaque étape, puis ont mené une étude intra-sujet avec 245 élèves de première année d'un lycée public préfectoral japonais, comparant une vidéo à la voix de l'enseignant, une narration TTS à locuteur unique, et une narration TTS au format dialogue Expert-×-Novice. La compréhension, la concentration et l'évaluation globale ne différaient pas significativement entre les trois (p > .14, r < 0.11), et les tests d'équivalence maintenaient les trois à l'intérieur d'une marge de ±0.5 : la narration synthétique ne dégradait pas l'expérience. La narration dialoguée était meilleure sur la compréhension (p = .006, r = .130), sur l'approfondissement de la réflexion déclaré (p = .019, r = .121), et sur la capacité d'expliquer le contenu à un ami (p = .004, r = .152), et 66.9% la préféraient comme la plus agréable. Deux réserves : l'audio dialogué a été jugé significativement moins naturel (r = −.238), ce qui est cohérent avec la charge supplémentaire de plusieurs locuteurs, et le groupe dialogué arrivait avec moins de connaissances préalables (66.0% déclarant ne rien connaître du tout contre 34.1%), ce qui fait de son avantage une estimation conservatrice.

L'étude de suivi soutient que le format devrait être adapté à l'apprenant, et non au contenu. Watanabe et al. (2026) ont donné à 222 élèves de première année du secondaire des leçons dialoguées enseignant–élève (TS), élève–élève (SS) et enseignant–enseignant (TT), générées par un LLM et énoncées via une API de synthèse vocale, en ajustant des modèles linéaires à effets mixtes à travers la lentille de l'interaction aptitude-traitement. Le format TT a accru la La motivation davantage que le format TS, mais l'effet dépendait du style d'apprentissage : l'interaction avec le facteur Expérience concrète était positive (b = 0.162, p < .001) tandis que l'interaction avec le facteur de réflexion et de conceptualisation était négative (b = −0.238, p = .002). Le format TT a également obtenu une évaluation globale significativement plus faible que le format TS (b = −0.126, p = .005), ce que les auteurs attribuent à la charge cognitive intrinsèque d'un échange dense d'expert à expert ; les réponses libres nomment la « raideur du discours » dans le format TT et la « manière de parler artificielle » dans le format SS. Les deux études TTS confondent le format avec le contenu et l'ordre de visionnage fixe, si bien que leurs tailles d'effet sont préliminaires.

Compagnons vocaux d'abord et partenaires de dialogue parlé

Qu'est-ce qui change lorsque l'interlocuteur est une machine ? Scheinberg et al. (2026) ont fait accomplir à 78 apprenants universitaires d'allemand, sur quatre sites, une tâche de repérage des différences en ordre contrebalancé, à la fois avec un pair humain et avec un partenaire d'IA en temps réel, puis ont analysé des transcriptions ASR diarisées. Le dialogue humain était plus rapide et mieux équilibré, avec de nombreux tours courts, tandis que la condition IA ressemblait à un monologue soutenu — des tours moins nombreux et plus longs, une part plus faible de la parole pour l'apprenant, et une fluidité plus élevée à l'intérieur du tour. L'entrée de l'IA, verbeuse et syntaxiquement régulière, était associée à une plus grande appropriation à court terme et à un amorçage syntaxique plus fort après contrôle du volume d'entrée, et la satisfaction suivait la fluidité de production propre aux apprenants plutôt que la quantité de ce qu'ils captaient.

La conception vocale d'abord devient une nécessité plutôt qu'un confort lorsque l'apprenant ne peut pas utiliser un écran. Kutti AI (Fadurudeen 2026) inverse l'hypothèse visuelle de l'edtech pour atteindre environ 1.4 million d'enfants aveugles dans le monde : les enfants entendent le contenu du programme, répondent à voix haute et reçoivent une rétroaction parlée, sans aucune dépendance visuelle. Trois choix portent la conception — un moteur léger de détection de la difficulté qui fusionne la latence de réponse, le nombre de tentatives erronées et les indices d'hésitation sur les mots-clés pour décider quand donner un indice ou simplifier ; un pipeline interlangue d'appariement des réponses pour que l'alternance codique et la variation de prononciation ne soient pas pénalisées ; et un chemin d'ASR embarqué, fonctionnant hors ligne, qui supprime l'exigence de connectivité. C'est une contribution de système sans évaluation des résultats d'apprentissage, si bien que ses affirmations pédagogiques restent des hypothèses.

L'accent, quant à lui, est une variable de conception à conséquences sociales. Ravi et al. (2026) ont fait interagir 33 enseignants avec un agent vocal GenAI dans des conditions d'accent britannique, indien et afro-américain, en apprentissage de groupe au primaire et secondaire. L'agent à accent britannique a été traité largement comme un outil et sollicité de manière détachée et utilitaire, tandis que les agents à accent indien et afro-américain étaient plus aisément anthropomorphisés et intégrés comme des pairs, avec une confiance et une dépendance plus fortes au fil du temps. L'alternance des tours, les schémas de questionnement et la présence sociale perçue se déplaçaient tous avec l'accent — la voix qui rend un agent facile à traiter comme une ressource neutre peut rendre plus facile de l'ignorer comme collaborateur.

Un usage plus intensif d'un outil de soutien parlé n'est pas automatiquement meilleur. Kuang, Li et Weng (2026) ont fait accomplir à 22 stagiaires en interprétation des tâches d'interprétation consécutive assistée par ordinateur dans les deux sens, dans des systèmes fondés sur l'ASR et la traduction automatique, en captant les mouvements oculaires, les notes au stylo et la production vocale. Quatre profils d'interaction ont émergé — Intensive Engagers, Fast Scanners, Traditionalists et Frequent Switchers — et 58.3% des observations au niveau de l'étape changeaient de profil entre la compréhension de la source et la production de la cible. Seuls les schémas de l'étape de compréhension prédisaient la qualité du produit, et la grappe la plus dépendante de l'IA obtenait les scores les plus bas sur la fluidité de l'élocution (5.46 contre 6.17–6.46) et sur la qualité de la langue cible (5.70 contre 6.35–6.67). L'attention consacrée à lire une transcription produite par l'IA est une attention qui n'est pas consacrée à construire sa propre représentation ; les auteurs recommandent d'apprendre aux apprenants à réfléchir à leur propre stratégie plutôt que d'en prescrire une, puisque le schéma est invisible à moins d'être rendu visible.

Une expérience de terrain randomisée et préenregistrée teste le canal parlé contre le texte tapé au sein d'un même tuteur, et conclut que l'apprentissage réside dans le tutorat plutôt que dans la voix. Yang, Van Alstyne et Dellarocas (2026) ont randomisé 86 étudiants d'un module de finance d'entreprise d'un MBA en ligne entre un tuteur structuré ancré dans les supports de cours et un groupe de retenue, puis ont alterné chaque semaine le canal de chaque étudiant tutoré entre la voix et le texte, de sorte que la comparaison est identifiée à l'intérieur de chaque étudiant : la maîtrise hebdomadaire différait de −0.01 point sur 11 (p = .98), et deux tests unilatéraux rejetaient toute différence réelle supérieure à ±0.3 écart-type. La voix transformait le processus à la place — 1.34 tours de dialogue par minute contre 0.75 durant les semaines de texte, et 11.3 questions contre 4.6 — tandis que la pause de réflexion s'effondrait (délai médian de réponse du tuteur à l'étudiant de 27 secondes pour la voix contre 54 pour le texte, où les tours tapés passaient 25.9 secondes avant la première frappe plus 13.9 secondes de rédaction) et le canal vocal coûtait 2.8× plus cher à livrer, à \0.22parminutevocalecontre0.22 par minute vocale contre \\0.0165 par message texte (\413.46pourlavoixet413.46 pour la voix et \\149.13 pour le texte sur cinq semaines pour 52 places). Sur ces données, la voix est un levier d'adoption et d'engagement, non un levier d'encodage — ce qui est exactement le compromis que toute institution ajoutant un canal parlé doit chiffrer.

L'IA dans l'évaluation orale et parlée

L'évaluation orale a toujours été pédagogiquement forte et logistiquement coûteuse, et la technologie de la parole s'attaque désormais au volet du coût. Pentland, Lowenthal et Krier (2026) décrivent les évaluations orales asynchrones (AOA) : des consignes livrées juste à temps, de brèves réponses par webcam limitées dans le temps qui ne peuvent pas être revues, et une notation contre des grilles intégrées avec des transcriptions générées automatiquement. Sur deux cours enseignés par un seul enseignant sans contraintes d'emploi du temps, les étudiants ont obtenu des scores plus élevés aux AOA qu'aux examens à choix multiples en présentiel — significativement dans l'étude 2 (médiane de l'examen de mi-parcours 92.5 contre 70, p < .001 ; final 94.2 contre 86.4, p = .002) et directionnellement dans l'étude 1, avec des corrélations interformats modérées (τ = .44 ; τ = .25, non significatif). Les étudiants sont passés à une préparation plus active, 90.91% considéraient le format comme plus proche de la communication au travail que les examens écrits, et 81.82% déclaraient s'engager plus activement avec le contenu. Les auteurs sont prudents : il s'agit de différences de scores entre formats, et non de preuves de gains d'apprentissage, et l'avantage en matière d'intégrité est inféré plutôt que mesuré ; une vérification de la notation par un LLM a montré que les scores de l'enseignant étaient systématiquement plus élevés, avec une concordance modérée à bonne (ICC de 0.73 et 0.60), proposée comme vérification de fiabilité plutôt que comme une approbation de la notation automatisée.

Fenton (2025) fournit la justification sous forme de revue : parce que les oraux sont en temps réel et interactifs, les étudiants ne peuvent pas générer les réponses à l'avance et les mémoriser, et le format sonde le raisonnement aux niveaux supérieurs de la taxonomie de Bloom plutôt que le rappel. Ses bénéfices — personnalisation, authenticité, préparation au travail, connaissance plus profonde — s'accompagnent de coûts nommés : la planification et la logistique, l'anxiété de l'apprenant, et le risque de biais lié au genre, à l'ethnicité, à la langue, à la vitesse de réponse et à la notation non anonyme, bien que les données suggèrent que les oraux peuvent être aussi inclusifs que les examens écrits pour certains apprenants, y compris ceux qui présentent une dyslexie.

Deux déploiements montrent ce que la technologie ajoute. AkoVoice (Adams 2026) a évalué 33 apprenants répartis entre quatre classes d'Automobile de niveau 3 et une classe d'Ingénierie de niveau 3 en Nouvelle-Zélande, sur des téléphones appartenant aux apprenants contre un ordinateur portable de milieu de gamme faisant tourner des modèles à poids ouverts — Mistral 7B via Ollama, faster-whisper pour la parole vers le texte, Chatterbox pour la synthèse vocale — avec jusqu'à 12 apprenants évalués simultanément et aucune connexion internet à aucun moment. L'IA a été cantée au rôle de révélateur de preuves plutôt que de juge, laissant intact le jugement de l'évaluateur. La réaction des apprenants a été positive : 21 des 33 (64%) jugeaient la tâche réaliste, et aucun des 33 n'était en désaccord avec le fait que parler en temps réel paraissait juste comparé à un portfolio écrit. Les données de performance sont plus intéressantes. Le nombre de mots pour des questions identiques variait d'un facteur cinq à huit entre les apprenants dans chaque cohorte (93–523, 92–796, 309–811), or la verbosité ne prédisait pas l'exactitude sur les questions fermées ; neuf apprenants ont répondu en 2 à 13 mots et ont tous été jugés corrects, le plus court étant « 3500 kgs », tandis que la réponse plus complète « the safe working load is three tons » a été signalée par rapport à un guide de notation indiquant 3.5 tonnes. Des essais adjacents en Horticulture (14 apprenants) et en Laiterie (11 apprenants) ont trouvé une correspondance de 95% entre la note préliminaire de l'agent et celle du tuteur humain. Du côté des items, Aryadoust et Wong (2026) ont comparé l'ingénierie des invites itérative contre l'ajustement fin (fine-tuning) pour des items d'écoute en L2, produisant 40 tests et 240 items à choix multiple : le raffinement des invites améliorait la qualité mais plafonnait, tandis que l'ajustement fin de GPT-4.1 sur l'invite optimisée, la conception de l'invite restant constante, améliorait encore la génération. L'évaluation parlée risque aussi de mesurer autre chose que ce qu'il faut — Morphew et al. (2026) suivent le geste parallèlement à la parole transcrite et soutiennent qu'évaluer uniquement la parole manque les preuves incarnées de la compréhension, si bien que la fluidité peut être prise pour une connaissance conceptuelle.

Accessibilité et équité dans le canal parlé

Le bilan d'accessibilité de la technologie de la parole est mitigé : le même canal qui supprime une barrière peut en installer une autre. Les apprenants sourds et malentendants sont le décalage le plus clair. Chen et al. (2026) ont conçu un système de génération de questions par LLM pour des apprenants sourds et malentendants (DHH) regardant une vidéo, en s'appuyant sur la théorie de la privation langagière (Language Deprivation Theory) pour expliquer pourquoi les invites fondées sur le texte s'accordent mal avec des premières langues fondées sur la langue des signes. Ils ont ajouté des Visual Questions (horodatages où l'information visuelle risque d'être mal lue — mouvement rapide, sous-titres désalignés, texte dense à l'écran) et des Emotion Questions (horodatages où des apprenants DHH antérieurs avaient signalé de la frustration ou de la confusion), en affinant une banque finale de 30 questions avec des apprenants et des enseignants. Avec 16 utilisateurs, le prototype a amélioré l'auto-efficacité (M = 5.70, écart-type = 1.12 sur une échelle en 7 points), et les participants sourds choisissaient plus souvent les questions visuelles que les participants malentendants, qui déclaraient lire les sous-titres assez vite pour n'en avoir pas besoin. L'accessibilité a dû ici être construite dans la génération, et non ajoutée après coup.

AkoVoice ajoute deux considérations d'équité qui apparaissent rarement ensemble. D'abord les données : les enregistrements étaient chiffrés au repos, hébergés localement et supprimés au bout de 90 jours, et les auteurs traitent la voix d'un participant comme une expression personnelle et culturelle plutôt que comme une ressource pour entraîner des modèles ou construire des profils biométriques — une position qui compte parce que l'EU AI Act classe comme à haut risque l'IA utilisée pour évaluer les résultats d'apprentissage dans la formation professionnelle. Ensuite l'accent et le registre : la précision de la parole vers le texte n'a pas été entièrement testée à travers les accents des apprenants, et des critères de grille comme « engaging » ont été signalés comme culturellement spécifiques et potentiellement pénalisants pour les locuteurs de langue seconde, ce qui a motivé un champ de notes d'examen. Mis en regard des constats sur l'accent dans les travaux de groupe au primaire et secondaire et de l'hypothèse visuelle quasi totale de l'edtech dominante, le schéma est que l'interface vocale supprime les barrières de la vue, de la vitesse de lecture et de la connectivité, tout en laissant ouvertes celles de l'accent, de la précision de la reconnaissance, du coût du matériel et du registre culturel.

Vérification de portée. Cette page porte sur le canal parlé et la technologie qui le porte. Pour la pédagogie des langues secondes au sens large — le développement de l'écriture, l'exactitude grammaticale, la motivation, la pratique des enseignants — rendez-vous sur Apprentissage des langues, qui couvre l'enseignement en L2 assisté par l'IA et traite la parole comme un courant parmi d'autres. Pour les agents conversationnels textuels et la conception de dialogue indépendamment de la modalité, rendez-vous sur L'IA conversationnelle ; plusieurs articles ici mobilisent le dialogue, mais leur question porte sur la parole, et non sur la formulation d'invites à un modèle de conversation. Pour les lecteurs d'écran, le sous-titrage, les graphiques tactiles et les outils d'assistance qui ne sont pas principalement fondés sur la parole, rendez-vous sur Technologies d'assistance, qui se situe dans les courants plus larges de l'accessibilité et de l'apprentissage inclusif de ce wiki.

Ce qui reste incertain

Presque chaque affirmation forte ici repose sur une seule étude courte. Les deux études de leçons TTS ont été menées dans des lycées japonais uniques, avec un ordre de présentation fixe qui confondait le format avec le contenu, et leurs mesures de résultats d'apprentissage étaient autodéclarées sur des échelles maison. Le modèle de rétroaction ASR provenait d'une seule université chinoise et était transversal, si bien que son constat de modération par la maîtrise décrit une covariance plutôt qu'une causalité. L'étude sur la volonté de communiquer mesurait les perceptions de la rétroaction, non la qualité de la rétroaction. L'étude des profils d'interprétation est une analyse exploratoire à 22 participants dans laquelle les effets au stade de la production n'atteignaient pas la significativité. Les déploiements AOA et AkoVoice relèvent d'une seule institution, et AkoVoice ne rapporte aucune preuve d'apprentissage sommative parce que ses évaluations vocales se déroulaient en parallèle des évaluations réelles. Kutti AI est une contribution de système sans aucune évaluation de résultats. Ce que l'ensemble soutient est un ensemble d'affirmations de conception : dans l'usage de l'ASR, la qualité de la rétroaction bat le volume de pratique, la narration dialoguée peut aider la compréhension au prix du naturel, le format devrait être adapté aux caractéristiques de l'apprenant plutôt que figé, l'IA devrait révéler des preuves plutôt que remplacer l'évaluateur humain, et parler en temps réel mesure quelque chose que l'écriture ne mesure pas — y compris une exactitude étonnamment indifférente au nombre de mots utilisés par l'apprenant. Que tout cela tienne sur un autre site, dans une autre langue ou une autre année reste non testé.

Concepts liés

Articles liés

Métadonnées

DisciplineLanguage Learning
NiveauK 12, Higher Ed, Adult Learning
Public viséInstructors, Learners, Researchers, Instructional Designers
Technologies et techniquesL'IA générative, IA multimodale
Évaluation et mesureÉvaluation
Équité, éthique et usage responsableAccessibilité, Apprentissage inclusif
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.