De la co-construction à la co-évolution entre acteurs humains et IA dans l'apprentissage - [Thèse]

Ce travail d’habilitation à diriger des recherches (HDR) s’inscrit dans le champ des Environnements Informatiques pour l’Apprentissage Humain (EIAH) et analyse le rôle que peut jouer l’intelligence artificielle dans la personnalisation des situations d’apprentissage.

L’objectif général du manuscrit consiste à comprendre comment concevoir des systèmes capables d’adapter les environnements pédagogiques aux caractéristiques des apprenants tout en prenant en compte les contraintes et les pratiques des enseignants.

L’auteure situe explicitement ses recherches à l’interface entre informatique, ingénierie des connaissances et sciences de l’éducation. Elle rappelle ainsi que les EIAH constituent un domaine intrinsèquement interdisciplinaire visant à « fournir des modèles et des outils pour accompagner l’apprentissage et l’enseignement au sein d’environnements numériques » (p. 2).

Remplacement ou soutien

Le manuscrit défend une thèse centrale : l’intelligence artificielle appliquée à l’éducation ne doit pas être conçue comme un mécanisme d’automatisation remplaçant l’activité pédagogique humaine, mais comme un ensemble de dispositifs susceptibles de soutenir l’activité des enseignants et d’enrichir les environnements d’apprentissage. L’auteure souligne à ce titre que ses travaux visent à «proposer non pas des systèmes automatiques remplaçant l’enseignant, mais des outils adaptables à leurs pratiques» permettant de générer ou recommander des activités pédagogiques adaptées aux profils d’apprenants (p. 6).

Le manuscrit débute par une mise en perspective historique du champ des EIAH et des relations entre intelligence artificielle et apprentissage. L’évolution du domaine est présentée comme une succession de tentatives visant à résoudre un problème pédagogique fondamental : l’adaptation de l’enseignement aux besoins individuels des apprenants.

• Les premiers dispositifs d’enseignement programmé reposaient sur des parcours à embranchements permettant de moduler la progression de l’apprenant en fonction de ses réponses. L’apparition de l’informatique puis de l’intelligence artificielle a progressivement conduit au développement de systèmes plus complexes capables d’intégrer des connaissances sur le domaine enseigné, sur la pédagogie et sur l’apprenant.
  
  Dans cette généalogie, les tuteurs intelligents (Intelligent Tutoring Systems) occupent une place centrale. Ces systèmes reposent sur l’idée que l’apprentissage peut être soutenu par des modèles explicites de connaissances permettant de diagnostiquer l’état cognitif d’un apprenant et de lui proposer des activités adaptées. 
  
  
• Toutefois, l’auteure souligne également l’émergence d’approches alternatives privilégiant des environnements d’apprentissage ouverts dans lesquels l’apprenant conserve une plus grande autonomie. Les systèmes de recommandation éducatifs constituent une illustration de cette évolution : ils « conseillent des ressources en laissant à l’apprenant le choix d’accepter ou de refuser la recommandation » (p. 4).

À partir de cette contextualisation, les contributions scientifiques présentées dans l’habilitation s’organisent autour de deux axes de recherche principaux.

• Le premier axe concerne la modélisation des connaissances pédagogiques afin d’assister les enseignants dans la conception d’environnements d’apprentissage personnalisés. 
  
  Les travaux mobilisent les méthodes de l’ingénierie des connaissances pour formaliser l’expertise pédagogique et la rendre exploitable par des systèmes informatiques. Cette démarche a conduit à la conception de méta-modèles permettant de représenter les activités pédagogiques, les profils d’apprenants et les objectifs de compétences. 
  
  Ces modèles sont intégrés dans des outils auteurs permettant aux enseignants de paramétrer des environnements d’apprentissage adaptatifs. L’approche développée vise à soutenir l’activité pédagogique plutôt qu’à l’automatiser. Elle permet notamment de générer ou recommander des activités pédagogiques en fonction des caractéristiques des apprenants et des contraintes du contexte d’enseignement.
  
  Un point particulier est accordé à l’intégration de l’approche par compétences dans ces environnements adaptatifs. Les modèles développés permettent d’exploiter les référentiels de compétences pour calculer des profils d’apprentissage et orienter les recommandations pédagogiques. Cette orientation traduit la volonté de rapprocher les modèles informatiques des cadres pédagogiques utilisés dans les institutions éducatives.
  
  
• Le second axe de recherche porte sur l’exploitation des traces d’apprentissage produites par les environnements numériques. 
  
  Les plateformes d’apprentissage génèrent aujourd’hui un volume croissant de données décrivant les interactions des apprenants avec les ressources pédagogiques. Ces données constituent une source d’information importante pour comprendre les processus d’apprentissage et soutenir les décisions pédagogiques. Les travaux présentés mobilisent à la fois l’ingénierie des connaissances, la fouille de données et l’apprentissage automatique afin d’analyser ces traces et d’en extraire des modèles utiles à la conception pédagogique.
  
  Ces recherches ont conduit au développement de plateformes permettant d’analyser les données d’apprentissage sans nécessiter de compétences avancées en programmation. Elles facilitent également la capitalisation et le partage des analyses produites par les utilisateurs.

L’auteure souligne que ces systèmes combinent deux types d’approches complémentaires : des modèles issus de l’expertise pédagogique (approche top-down) et des modèles découverts à partir des données (approche bottom-up).

Sur quelles bases sont prises les recommandations ?

Un autre apport important concerne la question de la transparence des systèmes d’intelligence artificielle utilisés dans les environnements éducatifs. Les décisions prises par ces systèmes comme  par exemple les recommandations pédagogiques, reposent souvent sur des mécanismes algorithmiques difficiles à interpréter pour les utilisateurs. Les travaux présentés explorent ainsi la possibilité d’introduire des mécanismes d’IA explicable permettant de rendre compréhensibles les décisions produites par les moteurs d’intelligence artificielle.

Perspectives des interactions Humains-IA

Le manuscrit se conclut par la présentation d’un programme de recherche structuré autour de plusieurs perspectives scientifiques. Parmi celles-ci figurent

• le développement de mécanismes d’IA explicable intégrés au cycle de personnalisation des environnements d’apprentissage,
• la conception d’architectures d’IA hybrides combinant approches symboliques et apprentissage automatique, ainsi que
• l’étude de la co-évolution entre acteurs humains et systèmes intelligents dans les environnements éducatifs.

Cette dernière perspective constitue l’un des fils conducteurs du travail. Elle repose sur l’idée que les environnements numériques d’apprentissage ne doivent pas être conçus comme de simples outils technologiques, mais comme des dispositifs socio-techniques dans lesquels interagissent enseignants, apprenants et systèmes informatiques.

Dans cette perspective, la personnalisation de l’apprentissage apparaît moins comme un problème algorithmique que comme une question d’articulation entre modèles informatiques, connaissances pédagogiques et pratiques éducatives. L’habilitation propose ainsi un cadre conceptuel et méthodologique pour penser l’intégration de l’intelligence artificielle dans les environnements d’apprentissage tout en tenant compte des réalités pédagogiques et institutionnelles du monde éducatif.

Référence

Lefevre, M. (2026). De la co-construction à la co-évolution entre acteurs humains et IA au sein du cycle de personnalisation des EIAH. Habilitation à diriger des recherches en informatique, Université Claude Bernard Lyon 1.
https://hal.science/tel-05504496v1