L'engagement des étudiants

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

L'engagement des étudiants (Student engagement) — le degré et la qualité de l'implication active d'un apprenant dans le processus d'apprentissage, le plus souvent décomposé en dimensions comportementale, cognitive et affective. Dans les recherches sur l'IA en éducation, l'engagement des étudiants est à la fois un résultat clé (un outil d'IA maintient-il les étudiants engagés ?) et un mécanisme (l'engagement fait-il médiation entre la conception de l'IA et l'apprentissage ?). Il se distingue conceptuellement de l'apprentissage lui-même — l'engagement est la participation à l'apprentissage, non la preuve d'un gain cognitif — et des métriques spécifiques utilisées pour le mesurer.

Questions à examiner

• La page insiste sur le fait que l'engagement n'est pas la même chose que l'apprentissage — un étudiant peut être actif sur le plan comportemental (clics, temps passé) tout en restant cognitivement superficiel. Où avez-vous observé un fort « engagement » qui n'a produit que peu d'apprentissage, et comment l'avez-vous remarqué ?
• Pensez à un moment où vous étiez profondément engagé cognitivement dans quelque chose — où vous vous confrontiez véritablement à une idée. En quoi cela différait-il des moments où vous étiez simplement occupé ou diverti, et un outil d'IA pourrait-il créer cet état de façon fiable ?
• L'engagement se décompose en dimensions comportementale, cognitive et affective, qui peuvent diverger. Pourquoi, à votre avis, les chercheurs tiennent-ils à les traiter séparément plutôt que comme une seule et même chose, et que mesureriez-vous pour les distinguer ?
• La recherche suggère que l'engagement cognitif profond avec l'IA prédit l'apprentissage, tandis que l'engagement superficiel prédit la dépendance excessive. Si un outil est « engageant » mais superficiel, qui est en faute — la conception, la tâche ou l'apprenant ?
• Comment un outil d'IA pourrait-il satisfaire l'autonomie, la compétence et le lien avec autrui (les besoins qui sous-tendent l'engagement) sans que ces fonctionnalités ne se transforment en divertissement superficiel déplaçant l'apprentissage réel ?

Introduction

L'engagement est un construit multidimensionnel ancré dans la psychologie de l'éducation. L'engagement comportemental renvoie à la participation, à l'effort, à la persistance et à l'activité orientée vers la tâche. L'engagement cognitif renvoie à la profondeur du traitement mental — élaboration, analyse critique, auto-régulation et investissement d'effort mental. L'engagement affectif renvoie aux réactions émotionnelles telles que l'intérêt, le plaisir, l'anxiété et l'identification à l'apprentissage. Ces dimensions peuvent diverger : un étudiant peut être actif sur le plan comportemental (clics, temps passé) tout en restant cognitivement superficiel (acceptation passive des productions), ou intéressé sur le plan affectif tout en étant distrait sur le plan comportemental. Cette multidimensionalité explique pourquoi l'engagement ne doit pas être assimilé à un comportement observable unique.

Comment l'engagement des étudiants apparaît dans la recherche

• L'engagement comme résultat de la conception de l'IA : la recherche sur la motivation et l'IA générative montre que l'engagement dans l'apprentissage soutenu par l'IA générative découle de la satisfaction des besoins psychologiques fondamentaux (autonomie, compétence, lien avec autrui) — l'engagement est le résultat en aval du soutien motivationnel, et non de la seule disponibilité de la technologie. L'engagement est souvent mesuré par des auto-déclarations tandis que l'engagement comportemental provient des journaux d'interaction, et les deux ne sont pas interchangeables.

• Un gain d'engagement sans gain d'apprentissage, dans un essai aléatoire en grappes mené en classe : Rücker et Becker-Genschow (2025) ont randomisé 195 classes de neuvième année (groupe expérimental de 102 étudiants) entre un chatbot de mathématiques spécifique au domaine et des matériels classiques de différenciation pour une seule leçon sur la méthode de Héron d'estimation des racines carrées. L'intérêt situationnel a fortement augmenté dans la condition chatbot (M = 2.63 contre 2.43, p = 0.00005, d de Cohen = 0.63) et l'acceptation était élevée sur les quatre dimensions du modèle d'acceptation de la technologie, alors même que la comparaison des performances avant-après n'a révélé aucune interaction significative groupe × temps (F(1194) = 2.84, p = 0.094) et que la charge cognitive extrinsèque était légèrement plus élevée. Cette étude est l'un des rares tests aléatoires en grappes d'un chatbot personnalisé en mathématiques au niveau secondaire, et son résultat partagé est justement l'enseignement essentiel : l'intérêt et les résultats ont évolué selon des calendriers différents, si bien qu'un résultat d'engagement ne constitue pas une preuve d'apprentissage.

• La qualité plutôt que la quantité : l'engagement critique dans la complétion de code par IA, l'analyse du discours sur l'engagement cognitif et l'étayage de l'engagement critique montrent que l'engagement profond (cognitif) avec l'IA prédit l'apprentissage, tandis que l'engagement superficiel (comportemental) prédit la délégation cognitive et le déplacement de l'apprentissage qui dominent la littérature sur les risques dans la base de connaissances.

• Fragile et dépendant du contexte : Polished artifacts, fragile engagement et les profils d'engagement multi-institutions constatent que l'engagement varie selon la tâche, le contexte et l'apprenant — un outil d'IA qui engage profondément un étudiant peut produire chez un autre un comportement superficiel de course à la production.

• Antécédents motivationnels : la disponibilité de l'IA et la motivation montre que le simple fait de savoir que l'IA est disponible peut réduire la valeur perçue d'un engagement exigeant, particulièrement chez les apprenants novices — l'engagement est façonné par l'attente, la valeur et la compétence perçue autant que par les fonctionnalités de l'outil. Wang & Wang (2026) prolongent cette analyse par un compte rendu fondé sur la théorie de la fixation d'objectifs portant sur 758 apprenants universitaires d'anglais, montrant que le soutien de l'enseignant améliore directement l'engagement et opère par l'intermédiaire des objectifs de maîtrise-approche et de performance-approche des étudiants (plutôt que par des objectifs d'évitement). L'engagement dans les contextes d'IA n'est donc pas seulement un résultat individuel ou de conception — il est aussi étayé socialement par l'enseignant et par les orientations d'objectifs que l'on encourage les apprenants à adopter.

Cet étayage a un pendant institutionnel doté d'une double voie. La conception en deux études de Chen (2026) (160 étudiants en art dans une expérimentation par scénarios, 425 personnes interrogées) a montré que l'incohérence perçue entre la promotion de l'IAG par une université et ses pratiques réelles d'enseignement et d'évaluation prédisait l'engagement dans le processus créatif par deux évaluations opposées — négative via l'entrave (β = −0.060, p = 0.004) et positive via le défi (β = 0.217, p < 0.001) — la pensée axée sur les voies de réussite ne renforçant que la route positive, si bien que la même condition institutionnelle engageait certains étudiants et en détachait d'autres.

• La compétence et l'émotion comme moteurs de l'engagement : Zhao et al. (2026) modélisent 871 étudiants universitaires interagissant avec un chatbot LLM, constatant que la compétence en IA générative prédit l'engagement avec le chatbot à la fois directement et indirectement par le biais des émotions positives (la voie affective), et que tant la compétence que l'émotion positive prédisent l'engagement et les émotions positives d'apprentissage. L'engagement est donc conjointement une compétence et un résultat affectif — les apprenants qui manquent de compétence en IA et qui éprouvent de l'anxiété ou de la frustration se désengagent, ce qui a des implications pour la formation à la littératie en IA en tant qu'intervention sur l'engagement plutôt que comme simple objectif de compétence.

• L'engagement cognitif associé à la discipline dans les conversations étudiant-IA. Chang et Li (2026) montrent que les invites des étudiants à l'IA encodent en moyenne une demande cognitive d'ordre supérieur environ 62% plus élevée, mais que les profils d'engagement selon les niveaux de Bloom diffèrent fortement selon la discipline (STIM à prédominance « Appliquer » 20.8%, langues à prédominance « Comprendre » 31.7%, sciences sociales à prédominance « Créer » 33.8%). En recourant à un dispositif intra-individuel, ils ont constaté que les mêmes étudiants produisaient significativement plus d'invites d'ordre supérieur en sciences sociales qu'en cours de STIM (p < .001), la variation au niveau du cours excédant la variation au niveau de l'étudiant — ce qui montre que l'engagement cognitif avec l'IA est façonné par le contexte disciplinaire, et pas seulement par le style individuel.

• La rétroaction par IA soutient l'activation comportementale. L'expérience en laboratoire in situ menée sur un semestre par Geschwind et al. (2026) a montré que les étudiants recevant une rétroaction individuelle de GPT-4 sur des tâches ouvertes ont maintenu la participation la plus élevée sur huit tâches hebdomadaires (environ 50% à la fin, contre environ 30% pour les groupes recevant une rétroaction de l'enseignant ou des pairs) et ont écrit environ 29 caractères de plus par réponse — la rétroaction individuelle par IA a activé l'engagement à la fois sur la marge extensive (participation) et sur la marge intensive (effort par réponse), même si les étudiants ont évalué la rétroaction par les pairs légèrement plus favorablement.

• Prédire l'usage académique de l'IA à partir des construits d'apprentissage. Un cadre exploratoire d'apprentissage automatique a analysé les données d'enquête de 166 étudiants universitaires afin d'identifier les construits liés à l'apprentissage associés à l'usage académique prévu de ChatGPT, en recourant à l'analyse SHAP pour préserver l'interprétabilité. Les résultats éclairent la manière dont l'engagement, le soutien à l'apprentissage et d'autres construits façonnent l'intégration des outils d'IA dans le travail académique des étudiants.

• L'accès à un outil d'IA peut abaisser l'engagement mesuré, et les taux d'achèvement ne le montreront pas. Liu et al. (2026) ont randomisé l'accès au tuteur sur 13 blocs dans une grande université publique américaine et ont constaté que la participation enregistrée sur la plateforme avait chuté de 0.90 écart-type, les pages vues de 0.37–0.38 écart-type et les jours d'activité de 0.51–0.61 écart-type — tandis que la remise des devoirs et leur remise dans les délais n'étaient pas affectées. Cette dissociation constitue la leçon de mesure : un cours ne surveillant que l'achèvement des travaux n'aurait rien remarqué, car la réduction se situait dans l'activité de discussion, de quiz et d'interaction avec l'enseignant que la plateforme enregistrait. Les étudiants des sections traitées ont également déclaré poser moins de questions de contenu à l'enseignant (environ 57% contre 44%), si bien que le déclin coïncidait avec une substitution au contact humain plutôt qu'avec un désengagement du cours.

• La latence de réponse est un levier d'engagement. Dans 1,137 séances de tutorat quantitatif par IA, des réponses plus rapides allaient de pair avec davantage de messages étudiants et davantage de pratique correcte (temps de réponse médian de 1.9 s à 31.0 s selon les modèles ; une latence plus faible corrélée à l'engagement selon ρ de Spearman = -0.81, p = .0056), une chaîne que les auteurs interprètent comme expliquant comment des modèles obtenant des scores peu remarquables en qualité d'enseignement atteignent néanmoins des gains de niveau humain (Northcutt et al. (2026)).

• L'usage de l'IA peut s'accompagner d'un plus grand absentéisme en cours, alors que la confiance ne le prédit pas. Une enquête PLS-SEM menée auprès de 291 étudiants universitaires portugais a montré que l'usage général de l'IA était positivement associé à l'absentéisme (β = 0.148, f² = 0.029) et à l'auto-efficacité pour l'apprentissage autonome, alors que l'auto-efficacité elle-même ne prédisait pas l'absentéisme (β = −0.068, p = 0.276) — le profil « confiant mais absent » de l'étude. L'association avec la présence en cours était modeste et secondaire par rapport à l'influence des pairs (β = 0.510, f² = 0.326) et à la gestion du temps (β = −0.163), et, le construit d'usage de l'IA étant unidimensionnel et mêlant des items axés sur le soutien à des items axés sur la substitution, l'étude ne permet pas de distinguer l'usage complémentaire de l'usage substitutif ni d'établir un sens de causalité (Franco et al. (2026)).

• Le désengagement comme manœuvre au niveau du tour de parole, et non comme état stable : Rho et al. (2026) ont codé 5 522 énoncés d'étudiants adressés à un agent enseignant en IA dans Math Nation selon six catégories de désengagement conversationnel (réponse fausse, moquerie, ghosting, imitation, rétention d'information, aléatoire/bruyant) et ont constaté que le taux d'engagement dominait, à 75,7% des énoncés. Les associations fondées sur la prévalence entre la réponse fausse et la moquerie, d'une part, et les scores au post-test, d'autre part, n'ont pas survécu à un contrôle de sensibilité par annotation humaine. L'analyse séquentielle est le résultat pertinent pour l'engagement : la grappe la plus performante combinait un désengagement modéré à de fortes transitions de rétablissement vers l'engagement (rétention d'information → engagement, p = 0,83), tandis que la plus faible montrait des boucles autoréférentes persistantes sans rétablissement (boucle autoréférente de l'engagement, p = 0,96). La rétention d'information était le seul type de désengagement qui tendait à persister plutôt qu'à se résoudre — c'est la persistance face à la réparation, et non la présence face à l'absence, qui distingue les trajectoires d'engagement.

Mesurer l'engagement : le problème du choix de métrique

L'engagement est opérationnalisé par une gamme de signaux observables. Les métriques comportementales mesurent ce que les apprenants font (temps consacré à la tâche, nombre d'activités, fréquence des interactions, persistance) ; les métriques cognitives mesurent la manière dont les apprenants pensent (profondeur du traitement, engagement critique, analyse du discours) ; les métriques affectives mesurent ce que les apprenants ressentent (émotion, motivation, intérêt) ; et les métriques contextuelles saisissent le multitâche et l'attention. La recherche sur l'IA éducative combine de plus en plus ces métriques et traite l'engagement comme un mécanisme de médiation entre la conception de l'outil d'IA et les résultats d'apprentissage, plutôt que comme un résultat en soi.

• Six familles d'applications d'IA et une mesure multi-méthodes : la revue systématique de Zhou (2025) portant sur 24 études de la base WoS cartographie six applications de l'IA à l'engagement — agents conversationnels dans la conception de cours, reconnaissance des émotions, du visage et de la voix et oculométrie, apprentissage automatique pour l'analyse des données, soutien à l'interaction enseignant-étudiant, rétroaction et recommandations personnalisées, et robots à base d'IA dans les environnements d'apprentissage intelligents. Elle constate que l'intégration de multiples modalités et sources de données d'IA donne une vision plus exacte et en temps réel de l'engagement cognitif, émotionnel et comportemental que les approches fondées sur une source unique — ce qui renforce le problème du choix de métrique évoqué plus haut.

Le choix de la métrique est définitoire : une étude qui mesure l'engagement en termes de temps consacré à la tâche peut conclure qu'un outil d'IA améliore l'engagement lorsque les étudiants passent plus de temps à interagir avec lui, tandis qu'une étude qui mesure l'engagement en termes de traitement critique peut aboutir à la conclusion inverse pour le même outil. C'est pourquoi la recherche de la base de connaissances distingue l'engagement (participation) de l'apprentissage (gain cognitif réel) — voir performance contre apprentissage — et pourquoi les métriques d'engagement doivent être validées par rapport à ce qu'elles prétendent mesurer.

• L'engagement comme signal fragile et situation-dépendant : Polished artifacts, fragile engagement et les profils d'engagement multi-institutions constatent que l'engagement varie selon le contexte, la tâche et l'apprenant — le même outil produit un engagement fort chez certains étudiants et un comportement superficiel de course à la production chez d'autres.

• Télémétrie comportementale issue des plateformes d'apprentissage : la prévision de l'effort et des progrès, le Learning Engagement Assistant, l'évaluation de l'engagement en apprentissage vidéo et les tableaux de bord d'apprentissage traduisent les signaux comportementaux et physiologiques (attention, activité, persistance) en métriques d'engagement utilisées pour la rétroaction adaptative et l'intervention de l'enseignant.

• La détection physiologique ajoute une modalité — et un problème de référence. E3Sense co-localise sur la tête un EEG à électrodes sèches, des lunettes d'oculométrie et des électrodes électrodermales frontales, et prédit 450 évaluations d'engagement au niveau du segment à partir de 30 participants universitaires sur une échelle ordinale à cinq niveaux : AdaBoost appliqué à la représentation multimodale fusionnée a atteint 75.0% d'exactitude équilibrée à un niveau près, contre 63.0% pour la prédiction systématique de l'évaluation la plus fréquente. L'étroitesse de cet écart est précisément l'enseignement — le crédit « à un niveau près » accorde l'essentiel de son score à une référence sans capteur sur des évaluations déséquilibrées — et le fait de demander aux apprenants ce que l'engagement signifie pour eux a fait passer la même mesure de 64.6% à 71.5%, preuve que c'est l'étiquette auto-déclarée, et pas seulement le capteur, qui décide de ce que de telles analytiques peuvent affirmer.

• Les contraintes d'équité ont besoin de sujets hors échantillon pour tenir. Le régularisateur ciblé sur le genre d'un estimateur d'attention multimodale a réduit l'écart de MAE sur la validation de 0.02 à 0.005, mais a augmenté à la fois l'écart et l'erreur du pire groupe sur des sujets hors échantillon, si bien qu'une validation répétée au niveau du sujet, sensible aux sous-groupes, a toute sa place dans toute affirmation de détection de l'engagement (Fragkiadakis et al. (2026)).

• L'engagement comme signal de modélisation de l'apprenant : l'intensité de l'engagement comme signal de modélisation de l'apprenant utilise la force de l'engagement pour éclairer les systèmes d'IA adaptatifs, positionnant les métriques d'engagement comme des entrées de la modélisation de l'apprenant et de l'apprentissage adaptatif plutôt que comme de simples sorties d'évaluation.

Engagement contre apprentissage

Un thème central de la recherche de la base de connaissances est que l'engagement et l'apprentissage doivent être distingués. Les outils d'IA qui génèrent un engagement élevé (temps sur la tâche, volume d'interactions) peuvent ne pas produire d'apprentissage si cet engagement est passif ou s'il se substitue au travail cognitif de la compréhension — voir performance contre apprentissage. Inversement, la lutte productive et les difficultés désirables peuvent produire de l'apprentissage même lorsque l'engagement de surface semble plus faible. L'engagement est donc traité au mieux comme un mécanisme — précieux dans la mesure où il reflète ou rend possible un traitement cognitif significatif — plutôt que comme un résultat final.

Cette distinction n'est pas qu'académique. Pramod et Patil (2026) placent l'engagement au centre de leur modèle PLS-SEM, entre la motivation et la présence sociale d'une part et la performance perçue d'autre part — le plus grand coefficient de leur modèle, et qui demeure une perception plutôt qu'une mesure de l'apprentissage.

La pédagogie fait médiation dans l'effet de l'IA sur l'engagement

Une synthèse systématique de l'IA dans l'enseignement supérieur (Long et al., 2026) souligne que la méthode d'enseignement dans laquelle un outil d'IA s'insère est le médiateur décisif de sa capacité à engager les étudiants. Les chatbots, les systèmes adaptatifs et l'analyse prédictive améliorent le plus l'engagement lorsqu'ils sont déployés au sein de pédagogies interactives — classes inversées, apprentissage par projets et boucles de rétroaction étayées — plutôt que comme outils autonomes. La revue formalise cela par le modèle PMAISE (médiation pédagogique de l'IA pour l'engagement des étudiants), cartographiant l'alignement entre les Technologies de l'IA d'IA, les stratégies pédagogiques et les dimensions affective, comportementale et cognitive de l'engagement. L'implication est que les résultats d'engagement sont co-produits par l'outil et par la conception pédagogique environnante : la même IA peut amplifier l'engagement dans une pédagogie et l'inhiber dans une autre.

Connexions avec les concepts liés

L'engagement des étudiants est en lien avec la motivation et la théorie de l'autodétermination comme moteurs psychologiques, et avec l'expérience étudiante comme contexte vécu. Sa mesure s'appuie sur les analytiques de l'apprentissage et la mesure éducative, qui fournissent les outils quantitatifs permettant d'opérationnaliser les dimensions ci-dessus. La distinction entre engagement profond et engagement superficiel relie directement l'apprentissage autorégulé (les apprenants autorégulés s'engagent de manière stratégique), la délégation cognitive et la délégation cognitive (la dépendance superficielle comme mode d'échec), et la métacognition. Dans la conception des systèmes, les signaux d'engagement alimentent la modélisation de l'apprenant et l'apprentissage adaptatif, et les résultats d'engagement figurent dans les évaluations de méthodes de recherche des interventions d'IA en éducation.

• Les caractéristiques de l'apprenant modèrent les leçons dialoguées fondées sur la synthèse vocale (2026) : dans des leçons dialoguées enseignant-étudiant, étudiant-étudiant et enseignant-enseignant générées par LLM+TTS, le style d'apprentissage expérientiel et la disposition à la pensée critique ont interagi de manière significative avec le format du dialogue pour la motivation fondée sur l'ARCS, indiquant que le contenu dialogué généré par l'IA est différemment motivant selon le profil de l'apprenant (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).

• Gains spécifiques à certaines dimensions au niveau du primaire (2026) : un programme d'écriture en L2 de neuf semaines soutenu par l'IA générative, réunissant 301 élèves de cinquième et sixième année, a accru l'engagement comportemental et émotionnel tout en laissant inchangés l'engagement cognitif et métacognitif, et ses auteurs désignent la réduction de l'auto-surveillance pendant l'écriture comme un risque permanent (Lu et al., 2026). Ce schéma est une illustration concrète de la distinction engagement contre apprentissage exposée plus haut : davantage d'activité et davantage de plaisir ne se sont pas traduits par un traitement plus profond.

• La dissociation peut fonctionner en sens inverse (2026) : dans un cours professionnel de design d'intérieur de douze semaines, un studio de réalité virtuelle immersive doté d'un assistant pédagogique LLM intégré a accru l'engagement cognitif (d = 0.90) et comportemental (d = 0.75) par rapport à un enseignement traditionnel par projets, tandis que l'engagement affectif ne différait pas de manière significative (d = 0.38) — l'inverse du cas de l'écriture en L2 présenté plus haut (Jin et al., 2026). Les gains cognitifs et comportementaux se sont accompagnés ici d'une charge cognitive déclarée plus faible, ce que les auteurs attribuent à l'absorption par l'assistant de l'effort de recherche et d'intégration interdisciplinaire. Confrontée au cas de l'écriture, cette étude suggère que la dimension de l'engagement qu'une intervention soutenue par l'IA fait évoluer est une propriété de la conception — collaboration immersive fortement discursive contre soutien à l'écriture en solitaire — plutôt que de l'assistance par l'IA en général, et qu'un avantage affectif ne peut être présupposé d'une rétroaction à haute fidélité ou intelligente.

• La littératie en IA agit sur l'engagement par les ressources psychologiques (2026) : une étude de médiation modérée portant sur 1,198 étudiants de premier cycle à Zhengzhou, en Chine (Wang, 2026), a modélisé l'engagement comme un résultat de la littératie en IA plutôt que comme un sous-produit de l'usage de l'outil. La littératie en IA prédisait l'engagement d'apprentissage directement, mais aussi indirectement en construisant le capital psychologique, la voie indirecte portant environ la moitié de l'effet total — médiation partielle, si bien qu'une compétence technologique ne se convertit en engagement qu'en partie par les ressources psychologiques qu'elle génère. L'engagement professionnel, variable fondée sur l'identité, modérait le lien entre capital psychologique et engagement sans avoir d'effet direct propre, et la conversion du capital psychologique en engagement était nettement plus forte chez les étudiants qui se voyaient s'orienter vers la profession. Ce schéma est l'exemple le plus clair du point évoqué plus haut selon lequel les caractéristiques de l'apprenant conditionnent la manière dont l'IA affecte l'engagement.

• La pratique pré-cours avec l'IA peut accroître la participation en présentiel (2026) : une expérience de terrain préenregistrée menée auprès de 759 étudiants en MBA a montré que la préparation avec un partenaire de discussion vocal à base d'IA augmentait d'environ 31% les contributions volontaires lors des séances ultérieures, mais seulement après un deuxième usage ; un premier usage s'était accompagné d'une participation plus faible (Wang et al., 2026).

Concepts liés

• Apprenants — Les apprenants : le parapluie des concepts du côté de l'apprenant
• Partenariats pédagogiques — Partenariats pédagogiques
• Communauté d'enquête — Communauté d'enquête (l'engagement agentique comme dimension de la CdE)
• Portefeuille électronique (e-portfolio)
• Enseignement et apprentissage en ligne — Enseignement et apprentissage en ligne
• La motivation
• La théorie de l'autodétermination
• L'expérience étudiante
• Analytique de l'apprentissage
• La mesure en éducation
• L'apprentissage autorégulé
• Délestage cognitif
• La métacognition
• La modélisation de l'apprenant et l'enseignement adaptatif
• Apprentissage adaptatif
• Les méthodes de recherche en AIED
• Enseignement supérieur
• La manière dont l'usage de l'IA est présenté aux étudiants
• Parties prenantes — Parapluie : les personnes et les publics de l'IA en éducation (apprenants, enseignants, concepteurs, administrateurs, décideurs publics)
• Les mesures auto-déclarées
• Échec productif

Articles liés

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Comportements conversationnels de désengagement et apprentissage dans les dialogues élève-IA (Rho et al. 2026)
• How assigned AI use before class shapes active student engagement in class — La pratique pré-cours avec l'IA vocale a accru les contributions volontaires en cours d'environ 31%, mais seulement après un deuxième usage (Wang et al. 2026)
• Confident but absent: AI use, self-efficacy for independent learning, and student absenteeism in higher education — L'usage de l'IA s'accompagnait d'un plus grand absentéisme en cours alors que l'auto-efficacité ne le prédisait pas, l'influence des pairs étant le principal corrélat (Franco et al. 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education
• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — Head-confined EEG, eye tracking, and EDA predict five-level engagement ratings, while learners' own definitions shift the mapping (Anupkrishnan et al. 2026)
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation
• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review
• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI in higher ed: systematic review of engagement + mediating role of teaching methods
• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — Impact of Generative AI on Student Motivation and Engagement
• To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion Tools Using Behavioral Signals and Attention Checks — To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion
• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Measuring Cognitive Engagement in Collaborative Discourse
• Not All Students Engage Alike: Multi-Institution Patterns in GenAI Tutor Use — Not All Students Engage Alike: Multi-Institution Patterns
• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction" — Polished Artifacts, Fragile Engagement
• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming — "Why Put in This Much Effort?": How AI Availability Shapes Motivation
• Distinguishing performance gains from learning when using generative AI — Distinguishing Performance Gains From Learning
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Scaffolding Critical Engagement With GenAI
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Engagement Intensity as a Learner-Modeling Signal
• Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System — Learning Engagement Assistant
• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — Engagement Assessment in Video Learning
• From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning — From Heuristics to Analytics: Forecasting Effort and Progress
• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Interactive Learning Dashboards and Engagement
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Caractéristiques de l'apprenant × interactions avec le format du dialogue TTS
• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Théorie de la fixation d'objectifs : soutien de l'enseignant, objectifs de réussite et engagement dans l'apprentissage de l'anglais assisté par IA (758 étudiants chinois)
• Engagement in LLM Chatbot-Supported Learning: The Pivotal Roles of GenAI Competency and Emotion — La compétence en IA générative et l'émotion comme moteurs de l'engagement avec le chatbot (Zhao et al. 2026)
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Engagement cognitif selon les niveaux de Bloom associé à la discipline dans les conversations étudiant-IA (Chang & Li 2026)
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Gains d'engagement spécifiques à certaines dimensions au niveau du primaire (Lu et al. 2026)
• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Engagement cognitif et comportemental en hausse, engagement affectif stable, dans un studio d'apprentissage par projets en réalité virtuelle immersive (Jin et al. 2026)
• Enhancing enthusiasm for STEM education with AI: Domain-specific chatbot as personalized learning assistant — Essai aléatoire en grappes en mathématiques au secondaire : l'intérêt situationnel a augmenté avec un chatbot personnalisé alors que la performance aux tests n'a pas évolué (Rücker & Becker-Genschow 2025)
• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — La littératie en IA stimule l'engagement directement et par le capital psychologique, effet amplifié par l'engagement professionnel (Wang 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI and human tutoring yield equivalent GRE learning gains
• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — L'accès à un tuteur d'IA a réduit la participation enregistrée sur la plateforme de 0.90 écart-type tandis que la remise des devoirs restait stable (Liu et al. 2026)