Le développement théorique en IA éducative

Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

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

Le développement théorique en IA éducative (Theory development in IA en éducation) — le travail académique de création, d'avancement et d'examen critique des théories et des cadres conceptuels qui expliquent la manière dont les apprenants, les enseignants et les systèmes d'IA interagissent. Alors que l'IA générative reconfigure l'éducation, le champ propose à la fois des théories nouvelles de l'apprentissage avec l'IA et retravaille les théories de l'apprentissage établies — tandis qu'une faiblesse documentée dans l'usage de la théorie demeure une limitation transversale de la recherche en AIEd.

Questions à examiner

Nous parlons souvent « d'appliquer une théorie » à l'IA en éducation, mais cette page demande si le champ invente réellement de nouvelles théories. Avant de poursuivre votre lecture : lorsqu'un cadre familier (comme le béhaviorisme ou le constructivisme) est étiré pour couvrir l'IA générative, qu'est-ce qu'il pourrait saisir correctement, et que pourrait-il déformer silencieusement ?
Songez à un moment où vous avez utilisé l'IA et avez senti votre compréhension progresser — ou le contraire. Quelle est la différence entre « apprendre avec un outil » et « co-construire des connaissances avec une machine » ? Où traceriez-vous cette frontière, et a-t-il même un sens de dire que la machine est un co-agent ?
De nombreuses études sur l'éducation à l'IA sont critiquées pour un usage faible ou inexistant de la théorie. Si vous lisiez une étude montrant qu'un outil d'IA « fonctionnait », que devrait-elle vous dire sur le pourquoi et le comment avant que vous ne qualifiiez le constat de théoriquement signifiant plutôt que d'être simplement une taille d'effet ?
Une théorie proposée affirme que les étudiants natifs de l'IA surestiment leur propre apprentissage parce que l'IA gonfle leur performance. Avez-vous remarqué, chez vous ou chez d'autres, un sentiment de compétence plus grand après un usage intensif de l'IA que ce que l'on pourrait réellement démontrer sans elle ? Quelles seraient les preuves les plus solides qu'il s'agit d'un phénomène réel et non d'un artefact d'une seule étude ?
La page distingue la théorie (expliquer les mécanismes de l'apprentissage) de la philosophie (interroger ce que l'apprentissage et l'esprit sont fondamentalement). Où, dans votre propre réflexion sur l'IA, vous trouvez-vous à passer de l'une à l'autre — en vous demandant par exemple non pas seulement si un cadre explique bien l'apprentissage, mais s'il saisit ce que l'apprentissage est réellement ?
De nouvelles théories apparaissent — le générativisme, la co-agency épistémique, les communs cognitifs. En tant que lecteur, qu'est-ce qui vous convaincrait que l'une d'elles constitue une avancée authentique plutôt qu'un réétiquetage à la mode d'idées plus anciennes ? Fixez votre propre critère de ce qu'une bonne nouvelle théorie de l'apprentissage avec l'IA devrait pouvoir expliquer.

Introduction

Le développement théorique en AIEd se situe à la frontière entre les théories de l'apprentissage appliquées dont le champ se sert et les construits nouveaux que l'ère de l'IA produit. Là où les théories de l'apprentissage cataloguent les théories établies appliquées à l'IA (béhaviorisme, constructivisme, charge cognitive, autodétermination, etc.), ce concept suit le processus et le produit de la théorisation elle-même : quelles théories et quels cadres nouveaux naissent, comment les théories établies sont avancées, et la question méthodologique de savoir si la recherche en AIEd théorise bien.

Nouvelles théories de l'apprentissage avec l'IA

Un groupe croissant d'articles crée explicitement une nouvelle théorie pour l'ère de l'IA plutôt qu'il n'applique des cadres existants :

Le générativisme. Le générativisme est proposé comme une nouvelle théorie de l'apprentissage, soutenant que le béhaviorisme, le cognitivisme, le constructivisme et le connexionnisme reposent chacun sur une hypothèse que l'IA générative brise : que la production observable atteste l'apprentissage (béhaviorisme), que les opérations cognitives se déroulent à l'intérieur de l'apprenant (cognitivisme), que le sens est construit plutôt que fourni (constructivisme), et que la partie difficile est de naviguer vers des connaissances existantes plutôt que de les générer (connexionnisme). Il nomme quatre construits — le partenariat épistémique, l'agentivité distribuée, la littératie générative et la métacognition adaptative — et en dérive un indicateur d'évaluation pour chacun, une offre directe visant à nommer un paradigme théorique distinct pour l'apprentissage médiatisé par l'IA. Ce qu'il ne fait pas, en revanche, est d'énoncer des propositions qui pourraient échouer : c'est un article de position synthétisant des données probantes existantes, si bien que, contrairement à l'agentivisme ci-dessous, il offre un vocabulaire et un programme de mesure plutôt qu'une théorie falsifiable.
La connexité à l'IA. Fu et Zhao (2026) reconstruisent la connexité pour l'ère de l'IA à travers l'éthique du care et la théorie néo-écologique, définissant la « connexité à l'intelligence artificielle » comme un lien psychologiquement réel mais éthiquement asymétrique, doté de trois dimensions et de six propositions falsifiables en attente de mise au point d'échelle.

La position synthétique ajoute une offre rivale qui, elle, énonce des propositions : elle nomme la promotion synthétique et la suspension authoriale — un soi densément exprimé mais non autoré — et prédit une interaction croisée dans laquelle l'autorialité notée et la cohérence d'un récit de décision de vie évoluent dans des directions opposées (Du et al. (2026)).

L'agentivisme. Yan et Gašević (2026) proposent l'agentivisme comme une théorie de l'apprentissage de portée intermédiaire pour l'interaction humain-IA, définissant l'apprentissage comme une croissance durable de la capacité humaine plutôt que comme l'achèvement réussi d'une tâche avec l'IA, et spécifiant quatre mécanismes : l'agentivité déléguée, la surveillance et la vérification épistémiques, l'internalisation reconstructive, et le transfert sous soutien réduit. Ce qui le sépare des autres offres de cette page est la falsifiabilité : il énonce six propositions, notamment que l'apprentissage est plus fort lorsque l'IA préserve la responsabilité de l'apprenant dans la formulation du problème, la fixation des critères et la justification que lorsqu'elle fournit les réponses, et que l'exigence de vérification devrait améliorer la performance différée, tandis qu'une délégation répétée à faible friction, sans reconstruction, devrait affaiblir le calibrage par les apprenants de leur propre compétence.

La théorisation du côté enseignant fait désormais le même engagement en faveur de la testabilité : le modèle Capacité–Décision ordonne la capacité en AI-TPACK en amont de l'attitude et du contrôle comportemental perçu, et nomme quatre conditions de désaveu — échec de la médiation, effondrement discriminant, nullité de la modération et redondance contextuelle — bien que le modèle demeure non testé (Mnguni (2026)).

La co-agency épistémique. Learning with Machines construit « vers une théorie de la co-agency épistémique », un modèle informé par la théorie de la manière dont les apprenants et les systèmes d'IA générative produisent conjointement des connaissances et de la compréhension.
La ligne de base cognitive absente (ACB). The Absent Cognitive Baseline théorise un écart structurel dans l'auto-évaluation académique des étudiants natifs de l'IA — un cadre à trois dimensions expliquant pourquoi les étudiants surestiment leur apprentissage lorsque l'IA gonfle la performance.
Les communs cognitifs. Cognitive commons and expertise regeneration s'appuie sur la théorie des ressources communes et sur la cognition distribuée pour expliquer comment des décisions rationnelles d'adoption de l'IA peuvent épuiser le réservoir d'expertise partagée dont les professions ont besoin pour se renouveler.
La performance contre l'apprentissage. Performance-vs-learning théorise la divergence marquée entre la performance aux tâches gonflée par l'IA et l'apprentissage durable, une distinction qui revient dans les données probantes de la base de connaissances sur les gains d'apprentissage.
La littératie en IA épistémique (EAIL). Epistemic AI Literacy recadre la littératie en IA comme une compétence épistémique axée sur le processus, centrée sur la manière dont la connaissance est construite et justifiée lorsque les étudiants co-programment avec l'IA générative.
La théorie des trois systèmes. Shaw et Nave (2026) étendent les comptes rendus à double processus par un Système 3 — un raisonnement externe, automatisé et fondé sur les données, issu de l'IA, qui peut compléter, supplanter ou supprimer les Systèmes 1 et 2 — et nomment la reddition cognitive, l'adoption non critique des productions de l'IA, comme son échec caractéristique.
La gérance cognitive. Credential and cognitive stewardship théorise la responsabilité institutionnelle de protéger le savoir et l'apprentissage dans les contextes d'évaluation imprégnés d'IA.
La co-régulation et la proactivité épistémique. L'IA comme partenaire cognitif dans la co-régulation intègre la fonction exécutive, la métacognition, la cognition distribuée et le développement socioculturel dans un modèle développemental ; la proactivité épistémique théorise la posture agentique des étudiants envers l'IA en mathématiques.
Les paradigmes d'engagement humain-IAG. Strydom (2026) répond au « déficit théorique » du champ en ancrant sept paradigmes d'engagement humain-IAG effectivement mis en œuvre (surveillé, centré sur les possibilités, augmenté, pionnier, symbiotique, fondé sur les valeurs, fondé sur l'équité) dans le modèle multidimensionnel de Schommer des croyances épistémologiques personnelles — une théorie épistémologique, plutôt que centrée sur l'outil, de la manière dont les individus se positionnent différemment par rapport à l'IA.
Le cadre de co-agency écologique. Poudyal (2026) soutient que l'IA générative réassigne l'autorité épistémologique des enseignants aux étudiants, puis aux machines, et introduit un cadre définissant la co-agency par trois dimensions interdépendantes — relationnelle, régulatoire (rattachée au cycle de l'apprentissage autorégulé) et pédagogique (continuum d'adoption par les enseignants) — toutes bornées par une condition non négociable de responsabilité épistémique humaine (contestabilité, provenance et non-délégation du crédit moral et intellectuel). Il positionne l'agentivité comme un problème de conception épistémique plutôt que comme une préoccupation d'utilisabilité, donnant aux institutions un langage plus précis que « l'équilibre » pour gouverner l'intégration de l'IA générative.
L'agentivité épistémique relationnelle et la dépendance épistémique. Du & Yuan (2026) proposent un compte rendu critique-intégratif des cas où la dépendance médiatisée par l'IA préserve le jugement plutôt qu'elle ne le déplace. Ils opérationnalisent la frontière entre dépendance productive et dépendance nuisible par six critères diagnostiques (contestabilité, récupérabilité, transfert, traçabilité, responsabilité distribuée, pluralité épistémique) et retracent quatre voies sociotechniques (autorité fluide, délégation sans friction, synthèse opaque, dépendance institutionnalisée). Leur proposition normative, l'agentivité épistémique relationnelle, prolonge les lignes de l'autonomie relationnelle et de la co-agency épistémique en conservant une asymétrie explicite — l'IA peut façonner le raisonnement sans responsabilité réciproque ni autorité légitime — tout en intégrant la responsabilité et la justice épistémique au niveau institutionnel. Comme théorie de l'apprentissage avec l'IA, elle fait passer la question du champ de « l'IA aide-t-elle ou nuit-elle ? » à « quelles actions épistémiques sont préservées, transformées ou déplacées ? », et elle fait de la conception de la dépendance plutôt que du simple usage l'objet de l'intervention pédagogique et institutionnelle.

Avancer la théorie établie

D'autres travaux étendent la théorie existante au contexte de l'IA plutôt qu'ils ne fondent de nouveaux paradigmes : les travaux sur le paradoxe de la pensée critique intègrent la théorie de la charge cognitive à l'enseignement de réduction de la charge dans un cadre à trois niveaux ; l'évaluation équitable rethéorise l'évaluation sous la disruption de l'IA générative. Ba, Gašević, Lim & Anderson (2026) reconceptualisent le cadre de la communauté d'enquête lui-même : plutôt que de cadrer l'IA générative comme un outil, un partenaire dialogique ou une « quatrième présence » spéculative, ils la repositionnent comme une condition épistémique qui reconfigure la manière dont les présences cognitive, sociale et pédagogique sont mises en œuvre, attestées et gouvernées — recadrant les présences de la CdE comme des accomplissements sociotechniques d'assemblées humain–IA générative et proposant une heuristique fondée sur la configuration dans laquelle l'implication de l'IA générative et la qualité de l'enquête sont liées conditionnellement par la responsabilité humaine. Une grande partie de ce travail relève du cadre conceptuel (les cadres d'écoles de gestion, la simulation valide) qui opérationnalise la théorie pour la pratique.

Lin et Chang (2026) étendent l'apprentissage autorégulé et la régulation humain-IA en nommant ce que l'apprenant gouverne — les normes, les jugements évaluatifs et l'autorisation du contrôle — plutôt que seulement ce que fait l'IA.

An, McLaren et Stamper (2026) font progresser ACT-R et le cadre Knowledge-Learning-Instruction en théorisant la surgénéralisation trompeuse — un mode d'échec dans lequel la compilation des connaissances produit une production surgénéralisée qui génère des actions correctes tout en omettant une contrainte d'application critique — et en validant empiriquement une procédure de détection et de remédiation sur des systèmes de tutorat intelligents adaptatifs et un jeu de données d'apprentissage des décimales au niveau primaire et secondaire.

La postphénoménologie et la médiation technologique. Farazouli et al. (2026) font progresser dans le contexte de l'IA en éducation le cadre postphénoménologique établi de la médiation technologique (Ihde 1990 ; Verbeek 2006, 2011 ; Rosenberger & Verbeek 2015). Plutôt que de proposer une nouvelle théorie, ils l'appliquent pour reconceptualiser les agents conversationnels d'IAG comme des artefacts technologiques multistables dont les « scripts » (réactivité rapide, texte au son naturel pouvant obtenir des notes de passage) médiatisent les perceptions des enseignants et reconfigurent leurs pratiques — ébranlant la confiance des enseignants, remodelant ce que signifie la compétence, et poussant les enseignants au-delà des questions instrumentales d'usage acceptable vers une réévaluation de leur rôle et du sens de l'enseignement. C'est une contribution d'avancement de la théorie : elle montre comment un compte rendu philosophique des relations humain-technologie explique la disruption émotionnelle et professionnelle que vivent les enseignants lorsque l'IAG pénètre une pratique éducative établie.

Une contribution supplémentaire en matière de cadre est la typologie AI×Ed de Rismanchian & Doroudi, qui étend les « trois interactions » originelles de Kahn (1977) selon deux axes — le rôle de l'IA (outil appliqué contre analogie avec l'intelligence humaine) et l'utilisateur final (du chercheur à l'apprenant) — pour situer tout projet d'AIED. Au-delà de la catégorisation du champ, elle plaide pour la renaissance du versant de théorie et de recherche sur « l'IA comme analogie à l'intelligence humaine », en recourant à des modèles computationnels et fondés sur les agents de l'apprentissage (par exemple leur propre modèle computationnel du cadre ICAP) pour jeter un pont entre la théorie de l'apprentissage contemporaine et la modélisation computationnelle — une direction méthodologique que le champ a largement abandonnée lorsqu'il s'est tourné vers le travail appliqué et fondé sur les données.

La philosophie comparée comme voie vers un pluralisme théorique. Xie (2026) modélise une voie différente vers le développement théorique : au lieu de théoriser l'IA en éducation depuis l'intérieur d'une seule tradition, l'article met en scène un dialogue comparatif dans lequel chaque tradition « rend visible ce que l'autre obscurcit », déclinant explicitement de les synthétiser en un cadre unique — une approche qui traite le pluralisme théorique comme une position méthodologique plutôt que comme un désaccord non résolu. Il soutient que les traditions non occidentales peuvent faire plus que diversifier les débats ; elles peuvent remodeler les fondements conceptuels de la théorie de l'AIED, reconstruisant la « nature du Dao » taoïste (道性), la culture de soi (修道) et le « Zhenren » (真人) comme des ressources pour repenser l'agentivité, les finalités épistémiques de l'éducation et l'action éthique sous des conditions médiatisées par l'IA. Il énonce aussi clairement les limites : la contribution est monographique, non empirique, et avertit qu'une telle traduction exige une contextualisation pour éviter la romantisation et l'orientalisme.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Le problème de l'usage de la théorie en AIEd

La théorisation du champ est inégale. Les limites de la recherche en AIEd documentent le fait que les études en AIEd utilisent fréquemment la théorie de manière faible ou non critique — une faiblesse méthodologique récurrente, aux côtés des lacunes de reproductibilité et de mesure. Les revues constatent que de nombreux articles d'AIEd appliquent la théorie superficiellement ou pas du tout (par exemple des revues de littérature notant que peu d'études fondent leurs interventions dans une théorie de l'apprentissage). Cela fait du développement de la théorie — et de son usage — une préoccupation de qualité autant qu'un produit académique, en lien avec les méthodes de recherche et l'évaluation de l'IA en éducation.

Relation avec la philosophie de l'IA en éducation

Le développement théorique et la philosophie de l'IA en éducation sont des volets complémentaires mais distincts du travail fondateur de la base de connaissances. Le développement théorique produit et teste empiriquement les mécanismes de l'apprentissage avec l'IA — des théories et des cadres nommés tels que le générativisme, la co-agency épistémique et la ligne de base cognitive absente qui expliquent et prédisent la manière dont les apprenants et l'IA interagissent. La philosophie interroge les présupposés sur lesquels reposent ces mécanismes : ce qui compte comme connaissance, qui compte comme sujet connaissant, et ce que l'apprenant est fondamentalement. Une théorie comme la co-agency épistémique propose un mécanisme tout en adoptant implicitement des engagements philosophiques sur la cognition distribuée et l'agentivité ; la philosophie rend ces engagements explicites et contestables. Là où le développement théorique demande si un cadre explique bien l'apprentissage, la philosophie demande s'il saisit ce que l'apprentissage et l'esprit sont réellement — les deux volets se rencontrent dans les articles les plus fondamentaux du champ, qui font souvent les deux à la fois.

Concepts liés

Métadonnées

Type d'étude	Literature Review
Apprentissage et enseignement	Théories de l'apprentissage
Méthodes de recherche et évaluation	Les méthodes de recherche en AIED
Fondements de l'IA dans l'éducation	L'IA en éducation, Limites de la recherche en AIED
Type de page	Framework

Source History Edit Chat