Le 29 septembre 2026, le CSEN a consacré sa séance plénière aux systèmes de tutorat intelligent et à la métacognition.
En introduction, Joëlle Proust a rappelé l’importance de développer conjointement la cognition et l’autorégulation des apprenants. Si les systèmes de tutorat intelligent (ITS) peuvent personnaliser les apprentissages à partir des traces d’activité, cette personnalisation ne suffit pas à développer la capacité des élèves à évaluer leurs progrès, à repérer leurs lacunes et à ajuster leurs stratégies. L’enjeu est donc de concevoir des outils qui donnent aux apprenants accès à un feedback sur leurs propres décisions, tout en articulant l’étayage de l’enseignant et l’autorégulation soutenue par les systèmes d’IA.
Étayer la métacognition avec un tuteur intelligent : du laboratoire (MetaTutor) à la classe
François Bouchet (Sorbonne Université/LIP6) a présenté ses travaux sur l’étayage des processus métacognitifs et d’autorégulation (SRL) au travers de deux systèmes complémentaires : MetaTutor et Lalilo.
MetaTutor est un environnement informatique ouvert destiné aux étudiants de biologie (L1), structuré autour du modèle COPES de Winne et Hadwin. Dans ce système comportant une quarantaine de pages sur le système circulatoire, l’étudiant navigue librement sans parcours imposé, ce qui stimule son agentivité : il fixe ses sous-buts, choisit ses stratégies et formule des jugements sur son propre niveau de compréhension (Jugements d’Apprentissage ou JOL). MetaTutor repose sur quatre agents virtuels pilotés par un système de règles symboliques (sans LLM) qui analysent en continu les traces d’activité (temps passé, clics) pour solliciter des auto-évaluations suivies de quiz de vérification. Les études contrôlées menées sur dix ans démontrent que cet étayage adaptatif favorise le passage d’une co-régulation (guidée par les agents) à une autorégulation autonome : lorsque la fréquence des relances diminue, l’élève prend plus d’initiatives, ce qui génère des gains d’apprentissage significatifs lors de sessions d’au moins deux heures.
Afin d’évaluer la transposabilité de ces principes en classe à grande échelle, François Bouchet a collaboré à une expérimentation intégrée dans Lalilo, un logiciel adaptatif d’apprentissage de la lecture destiné aux élèves de 5 à 8 ans (testé auprès de 467 000 élèves). L’expérience consistait à insérer ponctuellement (environ tous les 15 exercices) deux questions orales interrogeant l’élève sur la difficulté perçue de l’exercice et la difficulté souhaitée pour la suite. Les données recueillies révèlent que 37 % des élèves français présentent au moins un déficit métacognitif (surévaluation, sous-évaluation ou évitement de la difficulté). L’apport de micro-feedbacks rétroactifs ajustés a permis de réduire ces déficits et d’améliorer la précision de l’auto-évaluation, même si la remédiation s’est avérée moins efficace chez les élèves de CE1 en grande difficulté.
Il a conclu qu’il est essentiel d’instrumenter la prise de décision de l’apprenant sans lui imposer une aide permanente.
Explicabilité dans les environnements éducatifs munis d’IA : retours d’expériences
Julien Broisin (Université de Toulouse, IRIT) a orienté son intervention sur l’IA explicable (XAI) dédiée aux apprenants non experts, en s’appuyant sur deux études expérimentales conduites auprès d’étudiants de première année d’IUT informatique. La première étude visait à soutenir l’autorégulation des stratégies de programmation dans un terminal Linux. Grâce à l’analyse algorithmique des commandes et des scripts soumis par les étudiants, l’équipe a identifié trois profils comportementaux types ainsi que des trajectoires d’apprentissage : les étudiants performants maintiennent une trajectoire stable au fil des semaines, tandis que les étudiants en difficulté oscillent de façon chaotique entre plusieurs profils. Pour inciter ces derniers à adopter des méthodes efficaces, un feedback explicatif (combinant diagnostic, paramètres de l’IA et conseils) leur a été présenté à la connexion. L’expérimentation a toutefois révélé que l’ajout d’explications n’a eu aucun impact significatif sur le changement de comportement ni sur l’utilité perçue du feedback. Les retours qualitatifs indiquent que ces explications ont engendré un surcroît de charge cognitive et des erreurs d’interprétation (par exemple sur le temps d’attente optimal entre deux soumissions de code).
La seconde étude, menée dans le cadre du projet COMPER, a évalué l’impact de l’explicabilité au sein d’un profil de compétences. Un algorithme calculait automatiquement le taux de maîtrise de chaque notion à partir d’expressions régulières appliquées aux productions des étudiants, puis leur recommandait des ressources adaptées. Pour renforcer la confiance envers ce calcul automatique, des explications contextuelles (justifications ou extraits de code validants) ont été affichées lors du clic sur le niveau de maîtrise. Les résultats indiquent une hausse de la confiance envers le système (tendance non significative) ainsi qu’une corrélation positive entre la consultation des explications et l’accès aux ressources recommandées. Les analyses identifient en outre des prédicteurs forts de consultation : le genre féminin, un fort intérêt initial pour le cours et un bon sentiment d’auto-efficacité.
Il préconise ainsi de fournir des explications directement pendant l’activité, fiables, immédiatement actionnables et personnalisables pour éviter toute surcharge cognitive.
Concevoir des tableaux de bord qui soutiennent réellement l’autorégulation.
Christine Michel (Université de Poitiers/TECHNE) s’est intéressée aux apports et aux limites de l’exploitation des traces d’activité par les tableaux de bord pour étayer l’autorégulation (planification, action, réflexion). En premier lieu, elle a analysé les usages d’un tableau de bord de compétences développé dans le projet COMPER. L’expérimentation auprès des étudiants a permis de modéliser quatre profils d’autorégulation (décrocheurs, suiveurs, appliqués solitaires, efficaces). Cependant, plus de la moitié des étudiants n’ont pas consulté le tableau de bord, et ceux l’ayant utilisé l’ont souvent jugé complexe ou peu utile. Côté enseignants, bien qu’ils possèdent de fortes compétences en ingénierie pédagogique (alignement des ressources, structuration du référentiel), l’exploitation effective du tableau de bord se heurte au manque de temps, à la taille des groupes et à la difficulté d’interpréter les données ou d’ajuster les algorithmes de recommandation.
Dans un second projet mené avec la société Edice, Christine Michel a participé à la conception d’un tableau de bord mesurant la maturité numérique des enseignants à partir de l’analyse des traces d’usage des ENT (One et Néo). Bien que l’outil propose des visualisations interactives riches (fréquence, diversité et complexité des usages), les évaluations auprès de treize acteurs de l’Éducation nationale ont montré que les représentations les plus complexes (comme les diagrammes Sunburst ou les graphiques à bulles) requièrent un effort d’interprétation trop important. L’étude souligne que le tableau de bord ne doit pas être conçu comme un outil de pilotage à décision rapide, mais plutôt comme un support de médiation et de discussion.
Face à ces constats, Christine Michel affirme que la simple mise à disposition de traces ne suffit pas à déclencher l’autorégulation et peut générer une charge cognitive excessive. Elle introduit la notion d’« accessibilité à l’autorégulation », qui questionne la distribution des fonctions d’observation, d’interprétation, de décision et d’adaptation entre l’apprenant, l’enseignant et le système (hybridation à trois pôles). Ses recherches actuelles (projet Tea-Time) visent à combiner les traces comportementales avec des questionnaires de positionnement et des outils de planification (calendriers, jalons, panier de ressources) pour accompagner le développement de compétences transversales sur le long terme des étudiants. L’expérimentation évalue ainsi l’efficacité sur les apprentissages, la capacité d’auto-guidage et l’acceptabilité du système.