Bruxelles, février 2024. Je forme des enseignantes de l'École Européenne à l'intégration de l'IA. J'expose la nécessité de « noter le processus plutôt que le résultat ». Une formatrice en langues m'interrompt : « Tu as un exemple concret qui ne me prend pas trois heures de correction par copie ? » Je cherche. Je ne trouve pas. J'ai le concept. Pas le mode d'emploi.
Cette question m'a suivi pendant des mois. En interrogeant des dizaines de praticiennes et praticiens francophones, en confrontant mes certitudes aux données terrain, j'ai compris que ce malaise n'était pas isolé. Il révèle cinq questions que notre profession évite de formuler clairement.

1. Le mantra du processus, vidé de sa substance

« Évaluer le processus » est devenu le mantra des formations à l'IA. J'ai interrogé 48 professionnelles et professionnels de la formation francophone. Résultat : 80 % utilisent cette expression sans pouvoir décrire ce qu'ils ou elles regarderaient concrètement dans une copie. Le mot circule. La pratique reste absente.
La confusion est plus profonde qu'un manque de méthode. Beaucoup pensent que documenter le processus revient à évaluer la maîtrise technique de l'IA, savoir prompter, connaître les outils. Cette lecture passe à côté. Ce qui doit être évalué, c'est le discernement disciplinaire à travers les traces d'interaction. Une étudiante en droit qui rejette une suggestion juridiquement incorrecte de ChatGPT démontre sa compétence juridique, pas sa compétence IA. La nuance paraît subtile. Elle change tout.

2. Le double ancrage, ou qui peut évaluer quoi

Christiane Caneva, de l'Université de Fribourg, a formalisé ce qu'elle nomme le paradoxe du double ancrage [1]. Pour utiliser l'IA de manière critique dans un domaine, il faut simultanément maîtriser ce domaine et posséder une littératie IA solide. Les étudiantes et étudiants ont la littératie sans l'expertise disciplinaire. Les enseignantes et enseignants ont l'expertise sans la littératie. Les deux populations sont mal équipées, mais pour des raisons inverses.
Ce déséquilibre produit des situations concrètes. Des étudiantes et étudiants utilisent l'IA pour accomplir des tâches dans des domaines qu'ils et elles ne maîtrisent pas encore : ils et elles ne peuvent pas évaluer la pertinence des réponses obtenues. Des enseignantes et enseignants tentent de détecter des usages qu'ils et elles ne comprennent pas techniquement : ils et elles se fient à des indices de surface qui ne prouvent rien. Qui évalue qui, dans ces conditions ?

3. L'illusion de la détection

Les données sur la détection humaine sont moins rassurantes qu'on ne le croit. Une étude récente montre que des expertes et experts, spécialistes du contenu ou de l'analyse textuelle, identifient correctement les textes générés par IA dans 70 % des cas [2]. Près d'un tiers des productions assistées passent donc inaperçues, et la familiarité avec le sujet n'améliore pas le score.
L'explication tient aux biais cognitifs mobilisés. Les évaluatrices et évaluateurs se fient au vocabulaire soutenu, à l'absence de fautes, à la structuration argumentative. Ce sont précisément les dimensions que l'IA maîtrise le mieux. Les incohérences conceptuelles subtiles, les raisonnements circulaires, les références factuelles erronées, tout ce qui trahit une production algorithmique échappe à la lecture rapide. L'expertise pédagogique ne suffit pas. Elle peut même induire une fausse confiance.

4. La fiction collective de l'évaluation isolée

Si les compétences professionnelles réelles incluent désormais la capacité à mobiliser des assistants IA pour accélérer certaines tâches, pourquoi continuer à évaluer ces mêmes tâches dans des conditions artificielles d'isolement ? L'enquête HEPI 2025 documente un usage massif : 88 % des étudiantes et étudiants britanniques utilisent l'IA générative pour leurs travaux académiques [3]. La plupart le font sans en informer leurs enseignantes et enseignants.
Le décalage entre les pratiques réelles et les conditions d'évaluation crée une fiction collective. On interdit en examen ce qu'on encouragera au travail. On évalue des compétences que personne n'exercera plus sans assistance algorithmique. L'alignement pédagogique, cette cohérence entre objectifs, activités et évaluation, est rompu.

5. La complexité apparente, dernier refuge neutralisé

L'évaluation authentique, telle que définie par Wiggins dans les années 1990, reposait sur la complexité des tâches : mobiliser plusieurs compétences, articuler des savoirs hétérogènes, produire dans des contextes réalistes. Ce critère ne tient plus de la même façon. L'IA combine des informations issues de domaines différents, articule des concepts, produit des structures argumentatives sophistiquées. Elle le fait sans comprendre.
Ce qui résiste encore, c'est autre chose. L'arbitrage entre des critères contradictoires. La prise en compte d'éléments tacites acquis par l'expérience. Le choix entre des approches méthodologiques qui s'affrontent. L'IA propose des connexions plausibles en surface. Seule l'expertise disciplinaire filtre celles qui tiennent en profondeur. Ce n'est plus la complexité de la tâche qui distingue l'humaine ou l'humain de la machine. C'est la qualité d'un jugement face à un choix que personne n'a encore tranché.

Ces cinq questions ne sont pas des problèmes à régler par des ajustements techniques. Elles signalent une inadéquation entre les formes héritées de l'évaluation et les exigences d'une formation confrontée à la transformation numérique du travail. Les réponses existent. Elles supposent de reformuler les questions.

Ces réflexions sont tirées d'un manuscrit en préparation dont la sortie est prévue pour Mai 2026.

26 août 2025 par Séverine Samson

Travaux étudiants
Cette recherche a été menée dans le cadre du Master Stratégies et Ingénierie en Formation d'Adultes (SIFA) à l'Université Rennes 2 (2024-2025).

1. Objet de l'étude

Pendant la démarche VAE, il est attendu des candidats qu'ils développent une pratique réflexive afin analyser leur expérience, la reconfigurer pour la formaliser en compétences.

Les étapes du processus réflexif, bien que documentées pour la formation initiale, sont peu étudiées dans le contexte spécifique du dispositif VAE. En outre, plusieurs facteurs influencent les différentes étapes du processus réflexif dont certains sont solidement documentés : l'accompagnement (vecteur incontournable), les attitudes favorables de l'individu, les situations déstabilisantes engageant les affects. Mais un facteur, souvent mentionné, est rarement détaillé : la temporalité.

Or, la réforme de 2022 qui vise à accélérer les parcours, crée un paradoxe : comment concilier l'urgence législative et le temps long nécessaire à la pratique réflexive ? De cette mise en tension est née la question de recherche suivante : en quoi le processus réflexif des candidats éducateurs spécialisés est-il influencé par différentes dimensions temporelles au cours de leur démarche VAE ?

2. Cadre théorique

L'intention de cette recherche était de vérifier l'envergure de la nature du processus réflexif des ES dans une démarche VAE en donnant de l'intérêt à la question du temps.

Pour analyser le processus réflexif, la recherche s'appuie sur les travaux de Vacher (2011, 2022), qui a décrit de manière fine les étapes du processus réflexif (réfléchissement, réflexion, métaréflexion). Ce modèle, construit à partir d'une recherche auprès d'enseignants en formation initiale, met en évidence les indicateurs du cheminement réflexif et permet d'étudier une autre facette de ce cheminement dans le contexte VAE.

Figure : Représentation des différentes phases de réflexivité

Vacher, Y. (2011). Reflexive PracticeConcept and implementation to be defined. Recherche et Formation, 66, 65 78. https://doi.org/10.4000/rechercheformation.1133

L'étude des influences temporelles s'appuie sur les travaux de Rosa (2010) sur l'accélération sociale. Cet apport sociologique permet de prendre en compte dans l'analyse les dimensions des temporalités : micro (au niveau du rythme de vie des candidats pendant leur démarche VAE), méso (ici, les éléments temporels en lien avec le profil des personnes et le cadre technique de la VAE) et macro (à savoir le contexte socio-professionnel du secteur social).

3. Méthodologie retenue et résultats obtenus

L'enquête a adopté une approche qualitative. Douze entretiens à visée compréhensive ont été menés auprès d'anciens candidats éducateurs spécialisés ayant terminé leur VAE en 2024. Dans le panel retenu, j'ai veillé à ne pas solliciter des individus que j'ai accompagné afin de ne pas avoir été impliquée dans leur démarche VAE.

L'analyse des données a été transversale, afin de dégager des points communs et des différences dans les discours. Les résultats se structurent autour de deux grands axes : le développement réflexif, et l'influence des temporalités.

Sur le développement réflexif, tous les candidats ont montré une progression quel que soit les résultats obtenus à la certification. Ils sont passés d'une première phase, proche du « réfléchissement », vers une réflexion plus approfondie. Néanmoins, la plupart n'atteignent pas la métaréflexion. La décorrélation entre validation de la certification et mise en œuvre du processus réflexif est à souligner : les individus n'ayant pas validé la totalité du DE démontrent néanmoins un cheminement réflexif. Ainsi, le dispositif VAE est au service du développement réflexif sans être nécessairement lié à l'obtention totale du diplôme visé.

Sur les dimensions temporelles, différents niveaux sont à prendre en compte.

Sur le plan méso, les temporalités observées sont celles qui lient les éléments du cadre législatif (suppression de la condition minimale d'expérience, réduction des délais) et leur incarnation dans le profil des enquêtés. Tous témoignent d'une démarche « rapide » et « fluide ». La durée des parcours mis en œuvre après réforme sont effectivement plus courts qu'auparavant. En outre, dix enquêtés sur douze ont moins de trois ans d'expériences professionnellesi. Ces accélérations sont globalement vécues comme des opportunités et ne constituent pas, dans la présente enquête, un frein majeur à la réflexivité.

Sur le plan micro, en lien avec le rythme de vie des individus pendant la VAE, les discours évoquent un ressenti de forte intensité, du stress, une réduction des loisirs et du sommeil, et une impression d'accélération du quotidien.

Enfin, il apparait que le contexte macro du travail social agit en accentuant cette pression. Différents indicateurs comme le manque de personnel, turn-over, densification du travail, tout cela dans un contexte où il faut accompagner des publics vulnérables, sont nommés par les enquêtés comme des contraintes qui ont pesé dans leur démarche.
En croisant les deux dimensions, les anciens candidats interrogés parviennent tous à développer une pratique réflexive, mais au prix d'une intensification de leur rythme de vie.
Il est donc possible de dire que, si les temporalités ne bloquent pas la réflexivité car les personnes interrogées ont toutes mis en place des stratégies de gestion du temps, elles génèrent une pression forte qui peut la fragiliser. Certains décrivent des effets proches de ceux évoqués par Rosa : fatigue, stress accru, sentiment d'insécurité.
Ces résultats présentent des limites car le sujet étudié est vaste et l'échantillon interrogé est restreint. En outre, le panel choisi ne comporte que des candidats ayant terminé leur VAE, ce qui peut induire un risque de biais cognitifs que Bourdieu identifie dans « lillusion biographique ». Il serait intéressant de mener cette recherche dans une approche longitudinale tout au long de la démarche VAE des candidats pour voir quand et comment les temporalités agissent particulièrement. Une autre piste de recherche serait d'élargir le panel aux candidats qui ont suspendu ou abandonné, pour voir si les temporalités jouent un rôle déterminant dans l'arrêt du parcours.

5. Recommandations

La présente étude m'a permis de proposer différents éléments de préconisations d'actions professionnelles. Ces recommandations peuvent servir à l'ingénierie des parcours VAE au sein d'ASKORIA pour contribuer à une gestion globale des parcours professionnels des individus.
Au niveau macro, celui des politiques publiques, il est essentiel de reconnaître le temps réflexif comme une ressource à part entière, pour garantir que la VAE soit un dispositif de certification, mais aussi un dispositif qui contribue au processus de développement professionnel. Cet équilibre entre les deux vocations originelles de la VAE est fragilisé par l'urgence du contexte du monde du travail. Une marge de manœuvre sur la contrainte temporelle est à conserver car elle constitue un levier pour limiter les effets de l'accélération sociale identifiés par Rosa (2010) sur les individus.

En agissant au niveau méso, celui des organisations, renforcer l'engagement des différentes parties prenantes (à savoir les employeurs, l'OPCO Santé, France Travail, les certificateurs) dans la construction des parcours VAE peut permettre de créer un espace de co-responsabilité et de co-engagement dans la gestion des parcours professionnels pour limiter l'hyper responsabilisation individuels des salariés. Seulement quatre personnes interrogées sur douze ont bénéficié d'un engagement de leur employeur sous forme de financement ou de temps dégagé. Une utilisation du congé VAE est à renforcer et un dialogue entre les parties prenantes est possible sur les territoires grâce aux interactions initiées entre les acteurs via le Portail France VAE.

Enfin, au niveau micro, celui des individus, il s'agit de développer des outils d'accompagnement centrés sur la gestion du temps pour permettre aux individus de mener un développement réflexif dans le temps du dispositif et en prenant en compte leur rythme personnel. Il s'agit alors de faire cohabiter le paradoxe de l'individualisation des parcours et une forme de standardisation des accompagnement proposés au sein d'askoria.

Pour incarner cette mise en œuvre, tous les moments du parcours VAE peuvent être concerner :

• en amont : informer les candidats sur l'intensité réelle de la démarche pour limiter le décalage entre leurs représentations et la réalité ;
• pendant l'accompagnement : Renforcer la formation des accompagnateurs à la "juste distance" et à la régulation des émotions des candidats face au stress temporel grâce à la mise en place d'analyse des pratiques professionnelles ;
• après la VAE : Créer des espaces de débriefing post-jury pour accompagner la transition identitaire et prévenir l'épuisement.

Cette recherche démontre que si le dispositif VAE est un puissant levier de professionnalisation, l'accélération imposée par les réformes actuelles fragilise les individus. La réflexivité reste possible dans un temps contraint mais exige des stratégies de résistance individuelle et un étayage institutionnel fort pour ne pas se transformer en une simple "course au diplôme" dénuée de sens critique.

Bibliographie :

Bourdieu, P. (1986). L'illusion biographique. Actes de la Recherche en Sciences Sociales, 62–63, 69–72. https://doi.org/10.3406/arss.1986.2317

Conseil économique, social et environnemental. (2022). Les métiers en tension (Rapport n° 2022-01). https://www.lecese.fr/sites/default/files/pdf/Avis/2022/2022-01_metiers_tension.pdf
Conseil économique, social et environnemental. (2024, 8 octobre). La protection de l'enfance est en danger : les préconisations du CESE.

Loi n° 2016-1088 du 8 août 2016 relative au travail, à la modernisation du dialogue social et à la sécurisation des parcours professionnels. Journal Officiel de la République Française, n° 0184 du 9 août 2016. Légifrance. https://www.legifrance.gouv.fr/loda/id/JORFTEXT000032983213

Loi n° 2022-1598 du 21 décembre 2022 portant mesures d'urgence relatives au fonctionnement du marché du travail en vue du plein emploi. Journal Officiel de la République Française, n° 0296 du 22 décembre 2022. Légifrance. https://www.legifrance.gouv.fr/jorf/id/JORFTEXT000046771781

Rosa, H., et Renault, D. (2010). Accélération : une critique sociale du temps. La Découverte.

Vacher, Y. (2011b). Reflexive practice : Concept and implementation to be defined. Recherche et Formation, (66), 65-78. https://doi.org/10.4000/rechercheformation.1133

Vacher, Y. (2022). Construire une pratique réflexive. De Boeck Supérieur.

Une présentation en trois temps

– 1. Crise de l'expertise ou pluralisation des formes d'expertise ?
– 2. Transitions et impératif participatif (« une société en transition » ?)
– 3. Expertise d'usage et pouvoir d'agir

qui prend appui sur deux recherches :

• Une recherche en cours : recherche-action sur la co-construction d'un Espace de Vie Sociale à Castanet-Tolosan
• Une recherche sur le terrain des E2C : Loquais, M. (2022). « Sois acteur de ton parcours ! » Les jeunes dits en difficultés au cœur des injonctions paradoxales, Rennes : PUR.

– L'enregistrement de la conférence

– le diaporama :

Agora pro propose :

• des journées de rencontres entre acteurs de la formation et de l'orientation (chercheurs, praticiens, responsables, etc.) ;
• des publications mettant en perspective les enjeux de la formation et de l'orientation en région Bretagne au regard de ce que les acteurs en vivent
• le développement d'un réseau d'acteurs visant à mettre en valeur les questions vives qui se posent pour les professionnels des champs de la formation des adultes

1. PRESENTATION DE XCALE
1.1. LE PROJET DE RECHERCHE
La recherche s'inscrit dans un contexte où les formations en ligne, les MOOC [1] et les plateformes d'apprentissage en ligne se développent. Les recherches tentent de comprendre comment maintenir et motiver les apprenants dans ces formations. Les injonctions à l'autoformation, à la formation tout au long de la vie, à apprendre à apprendre sont également marquées dans notre quotidien personnel et professionnel. Il s'agit alors d'aider les apprenants à apprendre à apprendre. L'autorégulation est une des pistes de travail théorique possibles et celle que le collectif a choisi comme point de départ de la recherche. En effet, l'autorégulation a déjà été mobilisée dans les recherches sur des apprentissages dans l'enseignement secondaire ou dans des formations en ligne pour expliquer les apprentissages et la réussite des apprenants. Les résultats soulignent que les apprenants autorégulés, c'est-à-dire mobilisant des stratégies d'autorégulation, obtiennent de meilleurs résultats y compris dans les formations en ligne (Broadbent et Poon, 2015 ; Cosnefroy, 2011).

A partir d'une réflexion de départ sur la mise en œuvre de réseaux bayésiens (systèmes probabilistes permettant l'aide à la prise de décision), l'objectif de xCALE consiste à développer, expérimenter et évaluer un dispositif de formation en ligne qui propose des soutiens didactiques. Le but est de pouvoir proposer des interventions, parfois automatisées, suggérées par une inférence bayésienne. Cela peut se manifester dans la structuration des activités ou des ressources proposées aux apprenants mais également sur la modélisation des apprentissages. Il ne s'agit pas seulement de proposer des recommandations d'activités pour soutenir les apprentissages, mais d'aider les apprenants à s'autoréguler, dit autrement d'aider les apprenants à apprendre à apprendre. La recherche a également une vocation opérationnelle car il est prévu de développer et de tester un outil d'aide à l'autorégulation pour les apprenants sur la plateforme d'apprentissage en ligne.
xCALE est une recherche financée par l'Agence Nationale de la Recherche (ANR). Trois laboratoires et trois établissements d'enseignement supérieur sont engagés dans cette recherche :

• le Lab-STICC, laboratoire des sciences et techniques de l'information, de la communication et de la connaissance, à l'IMT Atlantique ;
• le LS2N, laboratoire des sciences du numérique de Nantes, à Nantes Université ;
• le CREAD, centre de recherche sur l'éducation, les apprentissages et la didactique, à l'Université Rennes 2.

A ces trois laboratoires, il faut ajouter un partenaire, France IOI, une association qui développe des contenus pour découvrir la programmation informatique et l'algorithmie et qui organise des concours d'informatique. Ainsi, l'équipe est pluridisciplinaire : intelligence artificielle (IA), environnement informatique pour les apprentissages humains (EIAH) et sciences de l'éducation et de la formation.

1.2. QUI SOMMES-NOUS ?
La planche représente la partie de la recherche réalisée par le CREAD. Cinq membres du CREAD travaillent sur xCALE, auxquels il faut ajouter les membres de la cellule recherche qui permettent par exemple de gérer la partie administrative, le budget, les déplacements (des personnes indispensables au bon déroulement de la recherche).
Les principales missions pour la CREAD ont été de préparer les expériences sur le terrain à travers une revue de littérature sur l'autorégulation et une enquête exploratoire :

• réaliser une revue de littérature sur l'autorégulation et les méthodologies pour mesurer l'autorégulation ;
• proposer et mettre en œuvre un protocole de recherche pour l'enquête exploratoire ;
• recueillir et analyser les données, rédiger les analyses et proposer des recommandations ;
• valoriser les résultats (articles et communications).

1.3. LES STRATEGIES D'AUTOREGULATION
1.3.1. Qu'est ce que l'autorégulation ?
Au cœur de la recherche xCALE se trouve l'autorégulation des apprentissages. La première étape de la recherche est de comprendre ce que recouvre ce terme. Comment est-il défini ? Qui sont les chercheurs qui ont travaillé sur ce sujet ? Quelles sont les approches théoriques et méthodologiques mobilisées pour l'analyser ? Autant de questions que la revue de littérature permet d'éclairer.
Avant de s'intéresser aux définitions scientifiques, un détour par l'étymologie peut nous permettre de mieux le comprendre.

On peut commencer par définir la régulation. Le terme vient du latin regula, la règle et de regere, dominer. Le CNRTL propose la définition suivante : « Mécanisme de contrôle faisant intervenir des rétroactions correctrices à l'intérieur d'un système (physique, biologique, social), et assurant l'équilibre de ce système chaque fois que sa stabilité est momentanément perturbée par des causes internes ou externes ». En sciences de l'éducation, Hadji (2012) définit la régulation comme un réglage, un ajustement, un contrôle ou encore une mise au point d'un processus. Il s'agit de régler le fonctionnement d'un mécanisme pour l'adapter soit aux conditions extérieures, soit aux résultats, soit les deux. A noter que l'intervention doit être possible dans le déroulement du processus. Dans la définition de Laveault (2007), on trouve l'idée d'un feedback qui permet de comparer la progression à un standard, une norme ou une référence.

L'autorégulation vient du latin, autos, soi-même, et regula, règle ou loi et regere, dominer. Le CNRTL propose la définition suivante dans le domaine de la biologie : « Fait qu'une fonction assure elle-même sa régulation ». L'encyclopédie Universalisdéfinit l'autorégulation en technologie par la régulation d'un système, d'un processus ou d'une machine, par lui-même. Dans l'autorégulation le système se régule seul, il a les capacités de se réguler sans intervention extérieure, sans dépendre d'autrui, autrement dit il se règle lui-même. L'autorégulation pour Nader-Grosbois (2007) « implique une recherche d'équilibration qui permet à tout individu d'accéder à la connaissance de soi et des objets qui assure la cohérence de son activité, l'adaptation continuelle aux événements qu'il vit et aux situations nouvelles qu'il rencontre » (Nader-Grosbois, 2007, p.11). Selon cette auteure, les processus de régulation ou d'autorégulation permettent de trouver un équilibre après le constat d'un écart entre une situation actuelle et une situation désirée.

1.3.2. Qu'est-ce que l'autorégulation des apprentissages
Comment définir l'autorégulation des apprentissages ? Les premières publications sur l'autorégulation des apprentissages sont américaines et datent du milieu des années 80. Elles sont issues de travaux qui se sont intéressés aux rôles de la cognition, la métacognition et la motivation sur les apprentissages (Cosnefroy, 2011). Elles sont issues du constat que les modèles uniquement cognitifs ou métacognitifs ou motivationnels ne sont pas suffisants pour comprendre les apprentissages. En effet, elles permettent une lecture pluridimensionnelle et globale de la personne (cognitif, motivation, métacognitif, social, etc.) (Nader-Grosbois, 2007). La littérature sur le sujet est conséquente, il existe de nombreuses définitions, modèles d'analyse et méthodologies. Néanmoins, le fait d'avoir plusieurs définitions, intégrant des concepts psychologiques multiples et issues de différentes théories, entraîne un flou et une difficulté à opérationnaliser les mesures. L'autorégulation peut apparaître comme « a powerful umbrella to anchor crucial variables » (Panadero, 2017, p.22). Il semble, par ailleurs, plus facile de déterminer les caractéristiques des apprenants autorégulés que de s'accorder sur une définition (Cosnefroy, 2011).

Nous vous proposons quelques définitions pour comprendre l'étendue des recherches sur le sujet.
Pour Zimmerman (1989) il s'agit de « l'intensité avec laquelle l'individu est aux plans de la métacognition, de la motivation et de la conduite un participant actif dans ses processus d'apprentissages » (cité par Cosnefroy, 2011, p.15). Par ailleurs, « l'autorégulation vise une amélioration de la perception qu'ont les élèves de leur propre efficacité et du contrôle qu'ils exercent sur les processus d'apprentissage » (Zimmerman et al., 2000, p.15).
Cosnefroy définit l'autorégulation des apprentissages comme « la résultante d'une autodiscipline, qui permet de trouver des ressources pour se mettre au travail et y rester quoi qu'il en coûte, et d'une autoévaluation qui assure le regard critique nécessaire aux repérages des erreurs et à l'amélioration du travail en cours » (Cosnefroy, 2011, p.6).
Schunck, (1994) définit l'autorégulation comme l'« ensemble des processus par lesquels les sujets activent et maintiennent des cognitions, des affects et des conduites systématiquement orientés vers l'atteinte d'un but » (cité par Cosnefroy, 2011, p.10).
Kermarrec propose la définition suivante : l'autorégulation est « la capacité à contrôler et à modifier sa propre cognition » (Kermarrec, 2004, p.11).

Enfin, Jézégou propose une définition inspirée de Pintrich et Boekaerts considérant que « l'autorégulation en formation renvoie au contrôle conscient et délibéré que nous exerçons sur nos propres démarches cognitives, c'est-à-dire à la manière dont nous anticipons et nous élaborons des stratégies, les évaluons et les ajustons en fonction des résultats obtenus afin de mener à bien nos apprentissages (Pintrich, 2000 ; Boekaerts et al., 2000) » (Jézégou, 2010, p.82).
La plupart des modèles s'accordent sur le fait que l'autorégulation est cyclique et est composée de plusieurs phases et sous-processus. Puustinen et Pulkkinen (2001) identifient trois phases communes :

• la préparation : analyse, planification, détermination des buts, connaissances sur la tâche ;
• la performance, l'action : utilisation des stratégies, réalisation de la tâche avec un monitoring et un contrôle de la progression ;
• l'évaluation : réflexion, régulation et adaptation pour de futures actions.

Les modèles peuvent être distingués selon s'ils incluent ou non, et selon la place accordée par certaines dimensions comme la motivation ou les émotions (Panadero, 2017). Par ailleurs, dans l'autorégulation, il y a l'idée d'une boucle de rétroaction qui permet de réguler, d'ajuster les comportements, actions en cours pour atteindre l'objectif fixé.
L'autorégulation a été utilisée pour des publics différents (école primaire, enseignements secondaire et supérieur) et dans des situations différentes (tâches scolaires en mathématiques ou en lecture ou pratiques sportives). Dans le cadre de la psychologie des apprentissages, le concept renvoie à la finalité d' « apprendre à apprendre » (Nader-Grosbois, 2007).

Dans xCALE, nous avons choisi une définition qui a été de mobilisée dans de nombreuses recherches et qui se rapprochait le plus de nos objectifs de recherche, celle de Zimmerman : « student can be described as self-regulated to the degree that they are metacognitively, motivationaly and behaviorally active participants in their own learning process » (Zimmerman, 1989, p. 329). Cette définition convient également au projet de recherche car l'auteur, Zimmerman, avec Pons (1986) ont proposé une typologie de 14 stratégies d'autorégulation des apprentissages. Parmi celles-ci, nous nous intéresserons à deux stratégies :

• seeking information , définie par les « student-initiated efforts to secure further information from nonsocial sources when undertaking an assignment »
• seeking social assistance présentée comme « student-initiated efforts to solicit help from peers, teachers and adults » (Zimmerman et Pons, 1986, p.618).

Ces deux stratégies ont été retenues car elles faisaient consensus au sein de l'équipe pluridisciplinaire. En effet, il est possible de recueillir des données en EIAH et en IA grâce aux traces laissées par les apprenants sur la plateforme (learning analytics ). Il convient de mieux comprendre ce qu'est le help seeking.

1.4. QU'EST CE QUE LA RECHERCHE D'AIDE ?
Karabenick et Berger (2013) définissent le help seeking de la manière suivante : « help seeking can be defined as the process of seeking assistance from other individuals or other sources that facilitate accomplishing desired goals » [2] (Karabenick et Berger, 2013, p.238). Les auteurs soulignent que l'objectif est d'utiliser l'aide pour accomplir un apprentissage et que l'aide peut être fournie par une personne ou par d'autres sources. En effet Zimmerman et Pons (1986) distinguent seeking social assistance, c'est-à-dire demander de l'aide auprès des pairs, d'un enseignant ou d'une personne, et seeking information, où il s'agit de chercher de l'aide auprès de sources non sociales. Puustinen et Rouet (2009) reviennent sur cette différenciation et identifient trois situations de demande d'aide :

• une personne (enseignants, autres élèves, etc.) est présente physiquement auprès des apprenants ;
• une personne répond à la demande d'aide par l'intermédiaire d'un outil de communication informatique (mail, chat, forum, etc.) ;
• la personne est remplacée par un dispositif informatique, à noter que le système d'aide a été conçu par une personne.

Ainsi, plutôt que de parler d'aide sociale et d'aide non sociale, Puustinen et Rouet (2009) proposent un continuum de recherche d'aide (voir figure 1) où les aides sont différenciées selon leur capacité à adapter leurs réponses aux besoins des apprenants. En effet, pour ces auteurs, ce qui différencie un système d'information passif d'une interaction avec une personne est la prise en compte de l'apprenant (par exemple s'appuyer sur les connaissances des apprenants) et du contexte de la recherche d'aide. La recherche d'aide recouvre ainsi un large éventail de comportements de recherche d'aide et d'informations avec des interlocuteurs humains et non humains (Puustinen et Rouet, 2008).

La demande d'aide apparaît comme une stratégie d'autorégulation. En effet, elle fait appel à la capacité à mettre en œuvre des stratégies pour surmonter une difficulté et apprendre. Elle permet d'indiquer que l'apprenant est en mesure de mener une réflexion métacognitive sur la tâche à accomplir et qu'il a une connaissance de ce qu'il peut faire ou ne peut pas faire seul, qui est un signe d'apprentissage autorégulé (Karabenick et Berger, 2013 ; Puustinen, Bernicot et Bert-Eboul, 2011).
Nelson-Le Gall (1981) propose de distinguer cinq étapes dans le processus de demande d'aide des apprenants (voir figure 2) :

1. prendre conscience du besoin d'aide (awareness of need for help) : se rendre compte que ses propres ressources ne sont pas suffisantes pour atteindre l'objectif ;
2. décider de demander de l'aide (decision to seek help) : décider de chercher activement de l'aide auprès des autres ;
3. identifier les aides potentielles (identification of potential helper(s)) : identifier la ou les aides potentielles qui peuvent fournir les ressources et permettre d'atteindre l'objectif ;
4. employer des stratégies pour obtenir de l'aide (employment of strategies to solicit help) : mettre en œuvre des stratégies pour solliciter l'aide de la personne identifiée à l'étape précédente, le succès ou l'échec peut amener à situations différentes, s'il y a échec, c'est-à-dire si la personne identifiée n'a pas permis d'atteindre l'objectif, il s'agit alors de re-questionner la même personne (étape 4) ou trouver une autre source d'aide (retour à l'étape 3), s'il y a succès, c'est l'étape 5 ;
5. évaluation de la recherche d'aide (reactions to help seeking attempt) : évaluer le succès ou l'échec de la recherche d'aide, cela permet d'améliorer les futures demandes d'aide.

A partir de cette revue de littérature, plusieurs questions se posent : quelles sont les aides disponibles au moment de l'apprentissage ? Pourquoi choisir de demander de l'aide à une personne plutôt qu'à une source documentaire ? Qu'est ce qui est le plus bénéfique pour les apprentissages ? Comment choisir la source à interroger ?

2. LE TERRAIN DE LA RECHERCHE : LA FORMATION TREMPLIN NUMERIQUE
Le terrain de notre recherche et la formation Tremplin numérique. Il s'agit d'une formation destinée à un public majeur, éloigné de l'emploi (personnes au chômage, peu diplômées) et vise une insertion professionnelle dans le domaine du numérique. Elle permet de construire un projet professionnel et d'accéder à des formations qualifiantes. Proposée par une association d'éducation populaire, Les Petits Débrouillards, en collaboration avec un réseau d'école d'ingénieurs, IMT Atlantique, elle est gratuite pour les stagiaires qui ont la possibilité d'obtenir un financement selon leur situation (comme les financements accordés par la Région, par exemple). La formation est en partie financée par la Région Bretagne. Les stagiaires peuvent avoir un projet professionnel plus ou moins précis, en rapport avec le numérique ou non. Plusieurs réseaux locaux relaient l'information (affichage, Pôle emploi, missions locales, associations, etc.). Le recrutement se fait via des candidatures spontanées et un entretien, visant à vérifier la motivation, le rapport au numérique et la cohérence du projet par rapport à la formation.

Tremplin numérique permet de découvrir tout ce qui est autour de l'informatique et du numérique : algorithmie, programmation en HTML (hypertext markup language) et CSS (cascading style sheets), logiciels bureautiques, logiciel création 2D/3D, imprimante 3D, découpeuse laser, etc. Plusieurs modules sont proposés : culture numérique, sensibilisation à la sécurité informatique, algorithmie, objet connecté/intelligent, site web et application mobile, conception 2D/3D, communiquer avec le numérique, médiation numérique, maintenance informatique et réseau, projet personnel, projet encadré et projet professionnel.
La formation a lieu en trois temps :

1. une phase de remobilisation : elle dure sept semaines et ne concerne pas l'ensemble des stagiaires, il s'agit d'une mise à niveau sur les usages du numériques et de lever les freins d'apprentissages (s'organiser, se socialiser, retrouver un rythme, etc.) grâce à des activités de découverte du numérique ;
2. une phase technique de 19 semaines : il s'agit là de la formation à proprement parlé ;
3. une phase d'accompagnement : elle débute après la formation et s'arrête jusqu'à six mois après la fin de la formation pour les stagiaires qui le souhaitent, il s'agit d'un accompagnement pour la qualification et l'emploi.

Une soixantaine de stagiaires répartis sur trois sites en Bretagne suivent la formation (deux métropoles, Rennes et Brest, et une ville en zone rurale, Rostrenen). Elle a lieu uniquement en présentiel et s'appuie sur les principes de la pédagogie active. Si une grande partie des travaux sont réalisés en groupe, les stagiaires mènent également des activités en autonomie, favorisant ainsi une personnalisation progressive tout au long de la formation. Des plateformes d'apprentissage en ligne sont utilisées pour former les stagiaires. Un suivi individualisé est également proposé aux stagiaires afin de préparer la suite de la formation (formation qualifiante, parcours professionnel). Les formateurs sont présents pour accompagner les stagiaires sur l'inscription à la formation (dossier administratif), leurs apprentissages, leurs objectifs professionnels et parfois sur le plan personnel (apprendre à gérer un budget, préparer des repas équilibrés, etc.).

3. LE TRAVAIL DU CHERCHEUR
3.1. LES QUESTIONS DE RECHERCHE
A partir de la revue de littérature sur l'autorégulation et la recherche d'aide et en lien avec le terrain de la recherche, nous avons proposé plusieurs questions : quelles sont les aides mobilisées par les stagiaires durant la formation ? Quelles sont les caractéristiques de ces aides ? Qu'est-ce qui peut faciliter ou entraver la demande d'aide ? Sur quoi s'appuient les apprenants dans le choix d'une source d'aide ? Préfèrent-ils une aide en ligne ou une aide en présentiel ? Quelle est la relation entre la recherche d'aide et l'autorégulation ? L'objectif de cette recherche est de mieux comprendre et d'appréhender la diversité des stratégies de recherche d'aide des stagiaires en particulier durant les activités sur Algorea serious game (Algorea dans la suite du texte). Les résultats visent également à identifier les caractéristiques des aides sollicitées, le moment de la recherche d'aide et le type d'aide demandé.

3.2. LE RECUEIL DE DONNEES
Nous avons pu suivre les troisième (2021/2022) et quatrième (2022/2023) éditions de Tremplin numérique. Le module de la formation Tremplin numérique choisi pour la recherche xCALE concerne l'apprentissage du code informatique et de l'algorithmie. Ce module a été choisi pour des raisons méthodologiques d'accès à la plateforme et de recueil de traces informatiques. Une des ressources utilisées est la plateforme d'apprentissage en ligne Algorea, créée par France IOI. Le concepteur étant investi dans le projet de recherche, il est ainsi possible de recueillir les traces des apprenants afin de réaliser des analyses pour les chercheurs en EIAH et IA. Durant ces séances, les stagiaires travaillent en autonomie sur la plateforme d'apprentissage en ligne, chacun est équipé d'un ordinateur portable et un formateur est toujours présent pour les guider. Algorea est présentée lors de la première séance et des exercices en groupe entier sont également proposés pour faciliter la prise en main par les stagiaires. Algorea vise l'apprentissage de l'algorithmie par la pratique, en résolvant des exercices ludiques (appelés « puzzles »). Il s'agit par exemple, dans un espace virtuel, de programmer les déplacements d'un robot dans un parcours afin qu'il plante des fleurs.

Etant donné nos questions – plutôt exploratoires – et le terrain de la recherche, nous avons choisi une méthodologie qualitative : entretiens et observations. 44 entretiens semi-directifs ont été réalisés avec les stagiaires de la formation sur deux sites (Rennes et Rostrenen) et durant deux éditions de formation (2021/2022 et 2022/2023). 14 femmes et 30 hommes, âgés de 16 à 58 ans, ont répondu à nos questions entre janvier et mai 2022 ou 2023, soit durant la phase technique de la formation. Les entretiens ont été réalisés avec les stagiaires volontaires sur le lieu de formation durant les journées de formation et avec l'accord des formateurs. Le guide d'entretien est composé de cinq parties. La première concerne le profil des stagiaires : âge, parcours scolaire et professionnel, expériences en programmation/algorithmie et pratiques de formation en ligne. La deuxième renvoie à leur présence dans la formation, les raisons pour lesquelles ils sont inscrits et leur projet professionnel. Dans la troisième partie du guide, le stagiaire est interrogé sur son environnement de travail, la salle de formation ou encore le matériel. La quatrième partie interroge les stagiaires sur la relation avec les formateurs, les stagiaires et la demande d'aide. Il est question dans la cinquième partie de leur avis sur l'utilisation de plateforme d'apprentissage en ligne dans la formation.

Le recueil de données avait également pour objectif de comprendre comment les séances sur Algorea se déroulaient. Nous avons ainsi réalisé des observations durant les séances où les stagiaires utilisaient Algorea. La grille d'observation a été construite de manière inductive, en partant des faits observés sur le terrain et des objectifs de la recherche. Les éléments observés sont liés à l'organisation de la séance (début, temps collectif et individuel, pauses, etc.), les demandes d'aides des stagiaires (sources, manières de solliciter l'aide, etc.) et l'ambiance de la salle (bruyant, calme, déplacements des stagiaires, etc.).

Les stagiaires étaient volontaires pour participer et ont accepté la présence de la chercheure pour des observations et lors de temps forts de la formation comme la présentation de projet en groupe ou personnel. Le fait d'être présente lors des temps de formation a facilité les échanges lors des entretiens, la connaissance des formateurs, des stagiaires et des travaux réalisés favorisent la parole. La contrepartie est qu'il ne faut pas oublier de demander parfois de préciser, demander des informations supplémentaires, même si on croit savoir. Ainsi, le recueil de données est également constitué de notes écrites dans un carnet de recherche réalisé durant les journées de présence de la chercheure « sur le terrain » qui rendent compte des échanges informels avec les formateurs et les stagiaires et de ressentis.

Plusieurs questions sur la posture du chercheure sur le terrain :

• Quand débuter le terrain ? Quand l'arrêter ? Vais-je être acceptée par le terrain ?
• Comment faire en sorte que les acteurs fassent confiance et se livrent durant les entretiens ? Comment créer du lien ?
• Où est la limite entre la chercheure et la personne ?
• Comment, quoi noter dans le carnet de recherche ? Qu'est ce qui est « recherche » ? Que faire du ressenti personnel ?

3.3 L'ANALYSE DES DONNEES
Les entretiens ont été enregistrés, transcrits et ont fait l'objet d'une analyse thématique (Blanchet et Gotman, 2007). L'objectif de la recherche thématique est de repérer ce qui se réfère au même thème dans les différents entretiens. Concrètement, il s'agit de lire les entretiens transcrits et d'identifier les thèmes abordés dans un entretien. Le plus souvent, le chercheur annote les entretiens ou utilise un code couleur par thème (surlignage). Plusieurs thèmes ont été utilisés dans le cadre de cette recherche. La grille d'analyse a été conçue de façon inductive en nous appuyant sur l'analyse des données d'entretien et sur la revue de littérature. Par exemple, pour la recherche d'aide, nous avons cherché des informations sur les aides sollicitées (source aide) et le type d'aide demandé (conseil ou solution). Il convient de préciser que les analyses ont été réalisées à partir des propos des stagiaires qui ne donnent accès qu'à leurs représentations de leurs propres actions et non aux actions réellement mises en œuvre.

La phase d'analyse des données fait le lien entre la revue de littérature, la partie théorique de la recherche, et les données recueillies, le terrain. Il s'agit d'utiliser les éléments de la littérature pour analyser les entretiens. Par exemple, que peut-on dire des stagiaires qui évitent de demander de l'aide à une personne ? Quand est-il de ceux qui posent une question pour obtenir la réponse ? A partir de la littérature, nous pouvons comprendre ce qui facilite ou à l'inverse empêche la demande d'aide. Nous pouvons aussi comprendre ce qui différencie la demande d'aide en classe (en présentiel) de celle en ligne.

4. LES RESULTATS DE LA RECHERCHE
Quatre aides sont disponibles et mobilisées par les stagiaires durant la formation : Algorea, internet, les formateurs et les autres stagiaires (entraide). ChatGPT n'était pas démocratisé au moment du recueil de données, nous n'avons pas pu interroger les stagiaires sur cette source d'aide.
A partir des données, nous avons pu identifier trois pratiques de recours à l'aide sociale (formateurs et/ou stagiaires) :

• un faible recours : les stagiaires sont peu demandeurs et préfèrent chercher par eux-mêmes une information plutôt que d'aller poser la question à une autre personne ;
• un recours complémentaire : les stagiaires cherchent par eux-mêmes dans un premier temps puis demandent de l'aide à un autre stagiaire ou à un formateur ;
• un recours principal : les stagiaires demandent directement de l'aide sans avoir un moment de recherche personnelle auprès d'une aide non sociale (par exemple sur internet).

On peut ainsi se demander pour quelles raisons les stagiaires choisissent d'interroger internet ou la plateforme plutôt qu'un formateur ou un stagiaire ? Et inversement, pour quelles raisons ont-ils une préférence pour internet ?

Nous pouvons trouver quelques réponses à travers les propos des stagiaires et dans la littérature.
Plusieurs éléments permettent de comprendre qu'un stagiaire préfèrent consulter internet plutôt qu'un formateur ou un autre stagiaire : ne pas prendre conscience du besoin d'aide, ne pas oser déranger les formateurs ou les stagiaires, la volonté de réussir par soi-même, ne pas montrer une lacune ou encore la crainte de sur-solliciter. A l'inverse les stagiaires préfèrent solliciter une personne pour la qualité et fiabilité des informations (comparé à internet) ainsi que le fait qu'elle puisse identifier le problème rencontré.

Les questions qui se posent à travers ces catégories :

• Pourquoi éviter la demande d'aide au formateur ? Ou à un autre stagiaire ?
• Dans quel cas, pour quels types de question, est-il préférable de demander de l'aide à une personne (formateur/stagiaire) ?
• Quelles sont les informations qu'ont les formateurs/stagiaires et qu'on ne trouve pas sur les plateformes ou sur internet ?

Des questions plus pratiques se posent également :

• Quelles sont les caractéristiques de l'aide sociale ? Et celles de l'aide en ligne ?
• Comment aider les stagiaires à mobiliser les différentes aides ?
• Comment aider les stagiaires à trouver la source qui saura répondre à leur interrogation ?

Nous avons également cherché à vérifier l'existence d'un lien entre engagement dans la formation et la demande d'aide, concrètement nous nous sommes demandés si le fait de demander de l'aide aux formateurs était signe d'un engagement plus important dans la formation. Les propos et stratégies des stagiaires ont invalidé cette hypothèse. En effet, le fait de ne pas demander de l'aide à un formateur peut cacher une volonté de chercher par soi-même ou une préférence pour échanger avec les pairs ou encore un défaut d'intégration dans la formation et d'impossibilité à échanger avec les formateurs. De la même manière demander de l'aide aux formateurs peut aussi bien renvoyer à des demandes d'aide pour obtenir la solution, montrer un manque d'autonomie pour ou enfin être une volonté d'apprendre auprès d'un expert.

5. QUELLES SONT LES IMPLICATIONS ?
Plusieurs pistes de réflexion pourraient amener les apprenants à apprendre à demander de l'aide lors de formation avec l'aide des formateurs ou enseignants :

• aider à identifier les aides disponibles, leurs caractéristiques, leurs spécificités ;
• encourager à poser des questions, rassurer ;
• aider à identifier le besoin de demander de l'aide ;
• aider à identifier le problème pour mobiliser l'aide la plus adaptée ;
• aider à formuler le besoin d'aide (à l'oral ou à l'écrit) ;
• encourager l'évaluation de la démarche de recherche d'aide (ce qui a fonctionné et ce qui n'a pas fonctionné).

Cette recherche a permis de mieux comprendre les stratégies de demande d'aide des apprenants adultes dans le cadre d'une formation en présentiel mobilisant des plateformes d'apprentissage en ligne. Nous avons identifié des points sur lesquels les formateurs ou la plateforme d'apprentissage pourraient intervenir pour aider les apprenants à demander de l'aide auprès de sources sociales et de sources non sociales. Afin de promouvoir la demande d'aide auprès de sources sociales, il peut s'agir par exemple pour les formateurs de créer un climat d'entraide parmi les apprenants afin qu'ils puissent facilement les solliciter ou solliciter les autres apprenants. Une autre piste serait de rassurer les apprenants qui ont un faible recours à l'aide sociale en expliquant que le fait d'être aidé ne signifie pas qu'on ne résout pas le problème seul ou encore que demander de l'aide ne dérange pas la personne sollicitée et qu'au contraire elle peut se sentir valorisée. Concernant l'aide en ligne, les stagiaires pourraient être informés sur l'aide disponible sur la plateforme et formés à réaliser des recherches sur internet. La plateforme d'apprentissage pourrait proposer de la documentation ou des sites que pourraient consulter les apprenants. Elle pourrait également proposer l'aide sous un format vidéo, par exemple des tutoriels. Plus concrètement, les enseignants pourraient construire avec les apprenants un outil permettant de lister les différentes aides disponibles en précisant les informations qu'elles peuvent transmettre, les avantages, les inconvénients, etc.

Par ailleurs, il paraît pertinent que les élèves connaissent les différentes stratégies de demande. En effet, la connaissance métacognitive des différentes stratégies d'autorégulation permet de mieux apprendre et de pouvoir s'adapter à de nouvelles tâches ou de nouveaux contextes d'apprentissage (Pintrich, 2002). Ces connaissances permettraient de choisir la stratégie la plus efficace selon le contexte.

6. LA VALORISATION DES RESULTATS
Une fois les données analysées et les résultats rédigés, il s'agit pour le chercheur de valoriser le travail réalisé. Dans le cadre de xCALE, nous avons réalisé des communications dans des colloques ou journées d'études. Il existe au moins deux formats : une communication orale dans un colloque (présentation de la recherche en 15-20 min dans des ateliers, des salles avec 10-20 chercheurs/professionnels de l'éducation et de la formation) et communication sous forme de poster scientifique (affiche format A0 où on présente oralement les éléments du poster). La seconde manière de valoriser la recherche est de rédiger des articles qui seront publiés dans des revues scientifiques reconnues dans la discipline de sciences de l'éducation et de la formation.
Dans le cadre de l'ANR il faut également fournir des rapports (un rapport intermédiaire et un rapport final), il s'agit de résumer et synthétiser le travail réalisé durant la recherche.
Enfin, nous avons choisi de vulgariser à travers cette planche pour rendre visibles les résultats et la démarche.

Marine Roche, Éric Bertrand, Jérôme Eneau, Geneviève Lameul et Hugues Pentecouteau
CREAD, Université Rennes 2

7. BIBLIOGRAPHIE
Blanchet, A. et Gotman, A. (2007). L'entretien. Armand Colin.
Bonnin, G. et Boyer, A. (2015). Apport des Learning Analytics. Administration Education, 2, 125-130.
Broadbent, J. et Poon, W. L. (2015). Self-Regulated Learning Strategies & Academic Achievement in Online Higher Education Learning Environments : A Systematic Review. The Internet and Higher Education, 27, 1-13. http://dx.doi.org/10.1016/j.iheduc.2015.04.007
Cosnefroy, L. (2011). L'apprentissage autorégulé : entre cognition et motivation. Presses universitaires de Grenoble.
Hadji, C. (2012). Comment impliquer l'élève dans ses apprentissages : l'autorégulation, une voie pour la réussite scolaire. ESF Sciences Humaines.
Jézégou, A. (2010). Se former à distance : regard sur les stratégies d'autorégulation environnementale d'étudiants adultes. Savoirs, 3, 79-99.
Karabenick, S. A. et Berger, J.-L. (2013). Help seeking as a self-regulated learning strategy. Dans H. Bembenutty, T. J. Cleary et A. Kitsantas (dir.), Applications of self-regulated learning across diverse disciplines : A tribute to Barry J. Zimmerman (p. 237–261). IAP Information Age Publishing.
Kermarrec, G. (2004). Stratégies d'apprentissage et autorégulation. Revue de question dans le domaine des habiletés sportives. Movement Sport Sciences, 3, 9-38.
Nader-Grosbois, N. (2007). Introduction générale. Dans N. Nader-Grosbois, (dir.) Régulation, autorégulation, dysrégulation. Piste pour l'intervention et la recherche (p. 9-13) Editions Mardaga.
Nelson-Le Gall, S. (1981). Help-seeking : An understudied problem-solving skill in children. Developmental review, 1(3), 224-246.
Panadero, E. (2017). A review of self-regulated learning : Six models and four directions for research. Frontiers in psychology, 8. https://doi.org/10.3389/fpsyg.2017.00422
Puustinen, M., Bernicot, J. et Bert-Erboul, A. (2011). Written computer-mediated requests for help by French-speaking students : An analysis of their forms and functions. Learning and Instruction, 21(2), 281-289.
Puustinen, M., & Pulkkinen, L. (2001). Models of self-regulated learning : A review. Scandinavian journal of educational research, 45(3), 269-286.
Puustinen, M. et Rouet, J. F. (2009). Learning with new technologies : Help seeking and information searching revisited. Computers & Education, 53(4), 1014-1019.
Zimmerman, B. J. (1989). A social cognitive view of self-regulated academic learning. Journal of educational psychology, 81(3), 329-339.
Zimmerman, B. J., Bonner, S., Kovach, R., Pagnoulle, C., Simons, G. et Smets, G. (2000). Des apprenants autonomes : autorégulation des apprentissages. De Boeck Université.
Zimmerman, B. J. et Pons, M. (1986). Development of a structured interview for assessing student use of self-regulated learning strategies. American educational research journal, 23(4), 614-628.

L'intelligence artificielle (IA) est partout, ou du moins, on entend parler de l'IA dans quasiment tous les domaines. L'éducation va-t-elle être révolutionnée par cette nouvelle composante ? Où en est-on dans les pratiques de l'IA au niveau de la gestion des formations et des apprentissages ? La machine va-t-elle réellement remplacer l'enseignant·e ?
Cette question est celle à laquelle je vais tenter de répondre après une veille et un intérêt pour le sujet depuis quelques mois. J'observe également le travail d'une étudiante en Master sur "L'impact de l'intelligence artificielle sur le métier de formateur".
Il est parfois difficile de détecter les difficultés de nos apprenant·e·s. Grâce à des algorithmes, l'IA peut s'avérer comme un recours intéressant. Mais, qu'est-ce que l'IA exactement ?
De manière vulgarisée, ce sont des machines capables de simuler l'intelligence humaine. Ces ordinateurs, de plus en plus puissants, sont aptes à apprendre à partir de données appelées data. C'est aussi le machine learning. Cette technologie qui permet d'exploiter pleinement le potentiel du Big Data. On la retrouve dans des techniques, comme le perfectionnement des systèmes d'imagerie médicale, la gestion du trafic aérien, les véhicules autonomes, les services en ligne, les assistants robots ou chatbots……
Cet article met l'accent sur l'IA dans le domaine spécifique de l'éducation tout en se posant la question suivante : la machine remplacera-t-elle l'enseignant·e et une certaine éthique peut-elle être respectée ?
Dans le milieu de l'éducation, l'IA peut aider à prévenir des situations à risque, orienter, aider à la décision et détecter les apprenant·e·s qui risquent d'avoir des difficultés dans leur parcours pédagogique.
Les possibilités de son exploitation sont infinies, il suffit de les orienter vers nos besoins. L'IA doit nous aider à éviter la surcharge cognitive ou les tâches répétitives et tout type d'analyse lourde Ce qui nous laissera du temps à consacrer à la construction de relations bienveillantes avec les apprenant·e·s.

L'IA dans l'éducation

Dans l'environnement de l'éducation, l'intégration de l'IA peut faire gagner du temps à l'enseignant·e. Le mathématicien Villani parle de “complémentarité capacitante” pour l'humain : elle l'assiste dans les corrections, la classification des données, la remontée d'incohérence dans les dossiers. Son utilisation est également pertinente pour la détection de plagiat et les suggestions pour une gestion optimale.
Avec l'IA, il est possible de personnaliser l'accompagnement. On parle dans ce cas d'adaptative learning : informations sur les connaissances de l'apprenant·e, son rythme, sa mémorisation, ses aptitudes, ses freins…Toutes ces données (datas) permettront au programme de s'adapter à l'utilisateur.
Il existe un système de tutoriel intelligent appelé MathIA. Ce dispositif pilote les activités mathématiques et suit le progrès des élèves qui s'exercent de façon ludique. Le niveau des questions est adapté aux résultats passés de chaque élève. MathIA est un “compagnon” qui a vocation à rendre l'élève acteur d'un jeu éducatif dont il est l'interprète et sur lequel il s'améliore en amassant des étoiles !
Voici un exemple de programme de simulation de comportement de professeur qui va diagnostiquer et analyser l'apprenant·e, élaborer des réponses, rétroagir et proposer un programme d'entraînement :
Une plateforme appelée Hubert.ai, Grâce à la présélection pilotée par l'IA, tire profit du nombre élevé de candidatures et automatise une grande partie du processus de présélection. Des résultats montrent : 50 % de temps gagné sur la présélection, moitié moins d'entretiens téléphoniques nécessaires et plus de 80 % d'exactitude sur la notation.
Un autre exemple avec un programme pour gérer un nombre élevé de messages postés sur un forum par des étudiant·e·s à un module en ligne sur l'IA justement. Jill, la machine, répond aux questions de ceux ou celles qui étaient en ligne et en phase d'apprentissage. Tout le monde ignorait que Jill n'était pas humain puis ce n'est qu'après un certain temps qu'ils et elles ont compris. Toutes les interactions sont dans cette capsule TEDx
Toujours dans la personnalisation de l'accompagnement, on parle de learning analytics : temps mis pour faire un exercice, quel document en ligne a-t-il été consulté ?, combien de fois ?….
Cette intelligence artificielle peut constituer une formidable opportunité de favoriser l'école inclusive : l'individualisation des parcours, la différenciation pédagogique, les interactions entre pairs…
Grâce à ces données récoltées dans l'apprentissage, l'accompagnement peut être fait tout au long de la vie tout en s'affinant pour devenir très utile.

IA versus Humain et éthique

Cette interrogation est primordiale à mon sens. Il ne faut surtout pas mettre en opposition ou en compétition l'intelligence artificielle et l'humain, mais juste tirer le meilleur profit de la machine. Nous savons que l'humain possède l'intuition, l'empathie, les aptitudes sociales, la créativité tout au long de la vie. La machine, en revanche, traite les chiffres, fait des calculs en quantité très rapidement. L'humain peut répondre à l'intelligence artificielle en posant des questions plus profondes, en sélectionnant et en combinant les réponses. Par conséquent, en guidant l'IA (Case 2018).
Le problème qui peut se poser également est l'interprétation des données collectées par l'IA. Elle peut être biaisée des deux côtés. Des moyens de collaboration entre les humains et les machines sont à espérer afin de minimiser les impacts négatifs.
Avec l'avènement de l'IA, l'une des craintes qu'elle peut justement susciter est celle autour de l'éthique. Les technopédagogues canadiens l'ont bien compris ! En effet, le centre de leur cadre de référence des compétences numériques est l'éthique. Agir de manière éthique revient à considérer la diversité sociale, culturelle et philosophique de tous les protagonistes. C'est aussi être conscient de la marchandisation de ses données personnelles.
Lors de leur traitement, ces datas doivent être de qualité en évitant les préjugés. Il faut absolument un accompagnement des experts de l'éthique afin de réfléchir aux biais des modèles, à la reproductibilité des prédictions ainsi qu'à la discrimination des sous-populations.
D'ailleurs, une des faiblesses ou limites de l'IA correspond à ces événements imprévisibles comme la Covid qui fausse tous les algorithmes qui n'ont pas mis cette variable.
Il faut donc rester vigilant face à l'IA pour que les décisions reviennent à l'humain et non à l'IA. Tout cela en ayant une logique de surveillance et en renforçant le pouvoir d'agir de l'humain. Chaque individu est unique et il est ainsi nécessaire de ne pas trop généraliser
Le sujet de “l'IA et l'éducation” constitue un pan entier de la recherche scientifique : Cette dernière suggère 4 étapes passant par :
1/ La description (ce qui s'est passé)
2/ L'analyse (pourquoi cela s'est passé ?)
3/ La prédiction (ce qu'il va se passer)
4/ La prescription (comment faire pour que ça se passe ou non ?).
Globalement, chercheurs et chercheuses sont dans l'étape d'analyse avec des tests de clustering et d'apprentissage par renforcement. Le clustering consiste à établir des groupes homogènes, mais attention aux critères pris en compte !
Par ailleurs, l'UNESCO accorde une grande importance à l'IA et les technologies éducatives (le développement durable aussi) notamment par rapport à l'éthique à travers les réunions, les rapports….
De plus, l'éducation ouverte est un exemple dont la finalité est de faciliter la transmission de la connaissance à travers les REL (Ressources Éducatives Libres).
En conclusion, on peut imaginer que l'IA est meilleure pour les réponses et que l'humain est meilleur pour les questions. Les enjeux deviennent planétaires en espérant un enseignement de l'IA à tous. C'est un vrai instrument d'aide à l'apprentissage qui va probablement bouleverser le paradigme de l'éducation.
Cependant, il faut redouter un “Netflix de l'éducation” avec des plateformes contrôlées par des géants propriétaires. L'enjeu d'une numérisation et d'un recours à l'IA serait justement de rendre la connaissance plus accessible ?. Il faudrait rendre ouvertes les datas pour éviter ces propriétaires
Il y a des propositions émanant de leur gestion de manière communautaire et s'appuyant sur un système “à la Wikipédia”.
Quant à la question du remplacement de l'enseignant par un robot, mes réponses sont les suivantes : Oui si l'enseignant·e se cantonne au dépositaire de la connaissance, Non s'il ou elle est le designer et l'organisateur de la connaissance.
Sugata Mitra a bien dit “Si un enseignant peut être remplacé par une machine, il mérite de l'être".
Comme cette IA est multidimensionnelle (éthique, efficacité, impacts sociaux et économiques), il faut mettre l'accent sur les impacts sociétaux et humains pour l'égalité ainsi que le respect de la vie privée. Cela constitue un autre défi majeur !