Responsables : Franck Amadieu (CLLE) et Mar Pérez-Sanagustín (IRIT)
Un étudiant qui autorégule son apprentissage est amené à planifier, superviser (i.e. contrôler et évaluer son apprentissage) et réguler (i.e. modifier ses stratégies et activités d’apprentissage en fonction de l’autoévaluation) (Zimmerman, 2000). La question de la régulation de la charge cognitive est essentielle pour accompagner efficacement la progression de chaque apprenant dans son apprentissage. En effet, une charge cognitive trop importante détournera l’apprenant des processus cognitifs utiles pour l’apprentissage et risque de réduire la motivation et l’engagement de l’apprenant.
La théorie de la charge cognitive (Sweller, 2011) propose une conception multidimensionnelle de la charge cognitive dans l’étude des apprentissages en distinguant : (1) la charge intrinsèque (charge liée à la complexité de la tâche et à l’expertise de l’apprenant) ; (2) la charge extrinsèque (charge inutile liée à des traitements imposés par la ressource pédagogique qui détournent du traitement essentiel) ; et (3) la charge pertinente (charge liée aux traitements profonds des contenus à apprendre pour une intégration en mémoire des connaissances).
Des études récentes montrent le lien étroit entre la charge cognitive et l’autorégulation tout au long du processus d’apprentissage. Wang et al. (2023) ont récemment montré que les étudiants qui rencontrent des difficultés en termes de charge cognitive durant leur apprentissage évaluent et régulent difficilement leur apprentissage comparativement aux étudiants qui ont une charge cognitive modérée, ce qui pour ces derniers libère des ressources en mémoire de travail pour l’autorégulation.
D'autre part, la charge cognitive perçue peut être considérée comme un indice basé sur l'expérience permettant aux étudiants de porter des jugements métacognitifs. Une charge cognitive élevée ressentie peut en effet réduire la qualité de l’évaluation de ses performances à une tâche (Blissett et al., 2018; Schnaubert & Schneider, 2022). Seufert et al. (2024) ont aussi mis en évidence l’importance de tenir compte du niveau de charge cognitive, notamment celui de la charge liée à la complexité de la tâche, et l’activité d’autorégulation. Une tâche trop simple n’exige pas beaucoup d’autorégulation alors que la charge cognitive est faible tandis qu’une tâche complexe exige souvent de l’autorégulation mais peu de ressources mentales restent alors disponibles car la charge cognitive est trop élevée. La tâche doit donc être d’un niveau de complexité modéré afin de permettre une autorégulation efficace et un investissement efficace (charge pertinente) dans le traitement de la tâche.
À partir de ces travaux empiriques, Wang et Lajoie (2023) ont proposé un modèle décrivant les relations bidirectionnelles entre charge cognitive et apprentissage autorégulé (SRL). Une charge cognitive élevée dans une tâche peut limiter la capacité de l'apprenant à utiliser des stratégies d'apprentissage autorégulé, car elle monopolise les ressources de la mémoire de travail. À l’inverse, l'utilisation efficace de stratégies d'apprentissage autorégulé peut réduire la charge cognitive en optimisant la manière dont l'information est traitée et stockée en mémoire.
Des travaux antérieurs montrent la relation entre charge cognitive et autorégulation. D'une part, la charge cognitive peut être un facteur contextuel influençant l’autorégulation, car elle affecte la manière dont les étudiants mettent en œuvre des processus adaptatifs pour répondre aux exigences cognitives des tâches (Boekaerts, 2011 ; Winne, 2018 ; Zimmerman, 2000). Mais la mise en œuvre de processus d’autorégulation par les apprenants, comme l’analyse de la complexité d’un problème à résoudre et de ses propres connaissances, peut également influencer la charge cognitive (Boekaerts, 2011).
Malgré l’étendue importante des travaux sur la charge cognitive dans les apprentissages, très peu d’études ont examiné les relations entre les types de charge cognitive et le SRL, et encore moins dans un contexte de collaboration entre l’étudiant et l’IA. Le modèle proposé par Wang et Lajoie (2023) est dynamique et intégratif et tient compte des différentes dimensions de la charge cognitive. Il peut aider pour la compréhension des interactions étudiant-IA et la conception des dispositifs d’accompagnement adaptatifs.
L'IA a aujourd’hui le potentiel de réguler de manière significative la charge cognitive dans l'apprentissage autorégulé (SRL – Self-Regulated Learning) en fournissant un soutien personnalisé et des mécanismes de feedback (Molenaar, 2022a, 2022b). Cette intégration, si elle est bien conçue, pourrait améliorer les performances d’apprentissage grâce à un meilleur engagement des apprenants et une optimisation de leurs ressources cognitives. En l’absence de feedback et de recommandations adaptées externes, il peut être difficile de s’autoréguler, en particulier pour les apprenants ayant un faible niveau de connaissances initiales dans le domaine étudié, de faibles motivations et de faibles compétences métacognitives.
Les applications basées sur de l’IA analysent les productions ou interrogations des apprenants et fournissent des feedbacks et des recommandations personnalisées qui aident les étudiants à identifier les points à améliorer et à ajuster leurs stratégies d'apprentissage en conséquence (Afzaal et al., 2023). Les questions sur la mise en place d’outils d’IA adaptatifs efficaces deviennent de plus en plus essentielles (Molenaar, 2022a ; Afzaal et al., 2023).
Dans le contexte de l'autorégulation, une revue récente de la littérature (Guan et al., 2024) met en lumière le potentiel des chatbots éducatifs proposant des feedbacks pour favoriser des processus d'apprentissage autorégulés et améliorer les résultats d'apprentissage. Des recherches sur la régulation humain-IA dans les contextes éducatifs ont proposé des systèmes permettant de surveiller les interactions entre les apprenants et l'IA, facilitant ainsi la transition des rôles de régulation entre eux (Molenaar, 2022a ; 2022b). Une étude très récente dans cette ligne propose une comparaison des processus de régulation des étudiants confrontés à une tâche d’écriture, en étant accompagnés soit par une IA, soit par un expert, soit par un outil d’analytique de l’apprentissage. Les résultats montrent que l’utilisation d’outils comme les chatbots peut favoriser la « paresse » métacognitive (Fan et al., 2024).
Dans le cadre de la théorie de la charge cognitive, une étude a montré qu’un manuel numérique intégrant un chatbot basé sur de l’IA en biologie permettant à des étudiants de poser des questions et de recevoir des réponses, a réduit la charge cognitive intrinsèque et extrinsèque (charge inutile) comparativement à un manuel eBook classique (Koć-Januchta et al. 2022). Une autre étude a indiqué qu’une intervention pour l’apprentissage des langues assistée par IA offrant des feedbacks individualisés, donc adaptés à chaque apprenant, avait réduit la charge cognitive extrinsèque et amélioré les performances d’apprentissage (Feng, 2024). Récemment, une piste de conception d’une IA articulant les performances à une tâche et des mesures de charge cognitive à l’aide d’un EEG a été développée dans le but d’améliorer le caractère adaptatif de l’IA (Zammouri et al., 2024). Le système permet d’identifier les variations des efforts mentaux et de la charge cognitive des apprenants en fonction du niveau de difficulté des tâches cognitives.
Ce travail offre des pistes pour une prise en compte de la charge cognitive de l’apprenant durant son apprentissage afin de mieux l’accompagner dans son autorégulation. Ces premières études confirment l’intérêt du recours à des dispositifs à base d’IA pour aider l’apprenant de manière individualisée dans sa tâche en aidant à réduire la charge cognitive inutile. Elles soulignent la nécessité d'identifier des tâches d'apprentissage spécifiques où les chatbots peuvent offrir un soutien optimal et d'évaluer l'impact de ce soutien sur les interactions des apprenants avec ces systèmes. Ces travaux insistent également sur l'importance d'exploiter les capacités des modèles d'IA générative pour mieux comprendre les intentions des apprenants et de proposer des solutions pour guider l’IA à fournir un feedback plus adapté.
Obj.1. Étudier les effets d’un dispositif chatbot intelligent adapté à travers la proposition de feedback personnalisé pour la régulation de la charge cognitive au cours d’une tâche d’apprentissage et identifier les interactions avec l’apprenant les plus efficaces pour l’autorégulation (prise en compte des variations de charge cognitive rapportées par l’apprenant et des performances).
Obj.2. Comprendre les interrelations entre charge cognitive et apprentissage autorégulé dans les apprentissages soutenus par des chatbots basés sur les grands modèles de langage (LLM).
Pour atteindre les objectifs du projet, une méthodologie mixte est proposée, combinant l’utilisation de données quantitatives et qualitatives recueillies à partir d’expériences contrôlées en laboratoire et d’observations en contextes réels d’apprentissage dans l’enseignement supérieur.
Pour l’Objectif 1, il est proposé d’adapter un chatbot basé sur des modèles de langage de grande taille développé à l’IRIT (Hilliger et al., 2025). Cet outil permet de personnaliser les prompts pour guider la tâche entre l’étudiant et le chatbot tout en capturant les traces des interactions entre l'étudiant et l'IA. L'idée est de proposer des prompts qui prennent en compte les réponses des apprenants et les scores de charge cognitive qui sont rapportées régulièrement au cours de la tâche (de forme auto-reporté) et promouvoir les interactions plus efficaces, par exemple en modifiant l’exigence cognitive de la tâche pour l’apprenant afin de l’adapter à ses besoins. Certains des invites seront basées sur des publications récentes concernant les bonnes pratiques de prompting en éducation (Schulhoff et al., 2024).
Pour l’Objectif 2, il est proposé d’analyser les interactions étudiant-IA afin de faire émerger les stratégies de régulation et de gestion de la charge cognitive les plus efficaces. Pour cela, nous nous appuierons sur des études récentes en analytique de l’apprentissage. L'analyse de traces d’apprentissage (Learning Analytics - LA, en Anglais) est un domaine de recherche axé sur la mesure, la collecte, l’analyse et le rapport de données sur les apprenants et leurs contextes afin d’optimiser les processus d’apprentissage. Cette communauté a proposé des mesures pour le SRL qui intègrent les données auto-rapportées des étudiants (Bannert et al., 2014) avec les traces enregistrées par les systèmes technologiques avec lesquels ils interagissent (Trevors et al., 2016). Ces méthodes sont particulièrement précieuses pour comprendre les processus d’apprentissage complexes, car elles associent des techniques analytiques intensives en données à des connaissances qui contribuent aux théories de l’apprentissage (Viberg et al., 2018), telles que la régulation de l’apprentissage et la charge cognitive. Des études récentes mettent en évidence le potentiel des méthodes analytiques pour identifier les stratégies de régulation de l’apprentissage les plus efficaces utilisées par les étudiants (Villalobos et al., 2024a ; Villalobos et al., 2024b) et pour éclairer la conception de systèmes technologiques qui soutiennent ces stratégies (Pérez-Sanagustín et al., 2022).
Contexte d’apprentissage et d’étude : Certaines études seront conduites en laboratoire et d’autres en situation d’enseignement à l’université.
Variables indépendantes en pré-test : Système d’IA générative (SIMBA ou autres) entraîné pour proposer des feedbacks et recommandations ; niveau de connaissances initiales dans le domaine étudié ; Niveau de compétences métacognitives pour l’apprentissage autorégulé (mesures auto-rapportées) ; perceptions et attitudes vis-à-vis des dispositifs d’IA pour l’apprentissage (i.e. évaluation de la confiance, valeur accordée à l’utilisation de l’IA pour ses propres apprentissages…).
Variables online : Stratégie cognitive d’apprentissage ; traces d’apprentissage pour la détection des stratégies : comportements de régulation d’apprentissage ; activités d’interrogation de l’agent IA ; mesure physiologique de la charge cognitive (oculométrie : diamètre pupillaire).
Variable post-tâche d’apprentissage : Jugements métacognitifs : facilité d’apprentissage perçue et jugement d’apprentissage ; performance d’apprentissage ; charges cognitives auto-rapportées (échelle multidimensionnelle : charges intrinsèque, extrinsèque, pertinente).
Les études seront conduites par le.la doctorant.e sous la direction de Franck Amadieu (CLLE) et Mar Pérez-Sanagustín (IRIT). Cette collaboration est essentielle pour le succès de ce projet interdisciplinaire. D'une part, l'expertise de Franck Amadieu dans les études sur la charge cognitive et l'autorégulation fournira les bases théoriques et expérimentales nécessaires à l'analyse des sujets d'étude. D'autre part, les travaux antérieurs de Mar Pérez-Sanagustín, experte en EIAH, sur l'autorégulation et l'analyse des traces d'apprentissage permettront d'enrichir les techniques d'analyse et, par conséquent, l'interprétation des résultats.
Parce que des difficultés pour les utilisateurs d’IA reposent parfois sur l’absence de sens et d’interprétation fournis à l’apprenant (manque d’explicabilité) les feedbacks et recommandations seront expliqués par l’IA aux apprenants dans les études (i.e. la justification de la recommandation est donnée à l’apprenant).
Étude 1 : Évaluation de l’utilisation par les apprenants d’un chatbot au cours d’une tâche d’apprentissage afin de comprendre les effets des variables interindividuelles (connaissances, compétences métacognitives, perception de l’IA) sur l’utilisation de l’IA qui devrait médier les effets sur les performances, la charge cognitive et la régulation. Cette étude permettra également de recueillir les premières traces d'apprentissage, qui serviront à concevoir le comportement de l'IA dans les études ultérieures en vue de proposer des feedbacks adaptés.
Étude 2 : Évaluation des effets des feedbacks et recommandations (IA préalablement entraînée à l’aide de prompts pour une tâche spécifique basés sur les analyses de l’Étude 1) sur la dynamique de l’activité de régulation et la dynamique de la charge cognitive au cours de la tâche comparativement à l’absence d’IA. Les variables interindividuelles et leurs effets seront aussi examinés.
Étude 3 : Évaluation des feedbacks et recommandations de l’IA basées sur la prise en compte de la dynamique de la charge cognitive durant la tâche comparativement à une version sans prise en compte de la charge cognitive. Les effets sont attendus sur la régulation de la charge (réduction de la charge extrinsèque et amélioration de la charge pertinente) et sur la qualité des performances d’apprentissage. Les variables interindividuelles seront aussi considérées.
Étude 4 : Réplication de l’étude 3 avec en plus la prise en compte des comportements de régulation (ex. recherche d’aide dans les questions posées à l’IA par les apprenants plutôt que de la recherche de réponses). Les variables interindividuelles seront aussi considérées. Les données résultantes de ces études permettront de réaliser une analyse croisée des études afin d'identifier les dynamiques d'interaction IA-étudiant les plus efficaces pour soutenir l'autorégulation de l’apprentissage et les performances.
Afzaal, Muhammad, et al. "Informative feedback and explainable AI-based recommendations to support students’ self-regulation." Technology, Knowledge and Learning 29.1 (2024): 331-354.
Blissett, S., Sibbald, M., Kok, E., & van Merrienboer, J. (2018). Optimizing self-regulation of performance: Is mental effort a cue? Advances in Health Sciences Education, 23, 891–898. https://doi.org/10.1007/s10459-018-9838-x
Boekaerts, M. (2011). Emotions, emotion regulation, and self-regulation of learning. In B. J. Zimmerman, & D. H. Schunk (Eds.), Handbook of Self-Regulation of Learning and Performance (pp. 408–425). New York, NY: Routledge.
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., ... & Gašević, D. (2024). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology.
Feng, L. (2024). Investigating the Effects of Artificial Intelligence-Assisted Language Learning Strategies on Cognitive Load and Learning Outcomes: A Comparative Study. Journal of Educational Computing Research, 07356331241268349.
Guan, R., Raković, M., Chen, G., & Gašević, D. (2024). How educational chatbots support self-regulated learning? A systematic review of the literature. Education and Information Technologies, 1-26.
Hilliger, I., Gonzalez, C., Pérez-Sanagustín, M., Ferrettini, G., Villalobos, E., Nascimento, A., Celis, S. (Accepted, 2025) From One-Way Text from Socratic Dialogue: Designing an Artificial Intelligence Chatbot to Support Student Learning in Higher Education, Learning Analytics and Knowledge (LAK 2025).
Khalil, M., Prinsloo, P., & Slade, S. (2023). The use and application of learning theory in learning analytics: A scoping review. Journal of Computing in Higher Education, 35(3), 573-594.
Koć-Januchta, M. M., Schönborn, K. J., Roehrig, C., Chaudhri, V. K., Tibell, L. A., & Heller, H. C. (2022). “Connecting concepts helps put main ideas together”: cognitive load and usability in learning biology with an AI-enriched textbook. International Journal of Educational Technology in Higher Education, 19(1), 11.
Molenaar, I. (2022a). The concept of hybrid human-AI regulation: Exemplifying how to support young learners’ self-regulated learning. Computers and Education: Artificial Intelligence, 3, 100070.
Molenaar, I. (2022b). Towards hybrid human-AI learning technologies. European Journal of Education, 57(4), 632-645.
Pérez-Sanagustín, M., Pérez-Álvarez, R., Maldonado-Mahauad, J., Villalobos, E., & Sanza, C. (2022, September). Designing a moodle plugin for promoting learners’ self-regulated learning in blended learning. In European Conference on Technology Enhanced Learning (pp. 324-339). Cham: Springer International Publishing.
Schnaubert, L., & Schneider, S. (2022). Analysing the relationship between mental Load or mental effort and metacomprehension under different conditions of multimedia design. Frontiers in Education, 6. https://doi.org/10.3389/feduc.2021.648319
Seufert, T., Hamm, V., Vogt, A., & Riemer, V. (2024). The Interplay of Cognitive Load, Learners’ Resources and Self-regulation. Educational Psychology Review, 36(2), 1-30.
Sweller, John. "Cognitive load theory." Psychology of learning and motivation. Vol. 55. Academic Press, 2011. 37-76.
Schulhoff, S., Ilie, M., Balepur, N., Kahadze, K., Liu, A., Si, C., ... & Resnik, P. (2024). The Prompt Report: A Systematic Survey of Prompting Techniques. arXiv preprint arXiv:2406.06608.
Villalobos, E., Pérez-Sanagustín, M., & Broisin, J. (2024a, July). From Learning Actions to Dynamics: Characterizing Students’ Individual Temporal Behavior with Sequence Analysis. In International Conference on Artificial Intelligence in Education (pp. 3-17). Cham: Springer Nature Switzerland.
Villalobos, E., Pérez-Sanagustín, M., Azevedo, R., Sanza, C., & Broisin, J. (2024b). Exploring Manifestations of Learners’ Self-Regulated Tactics and Strategies Across Blended Learning Courses. IEEE Transactions on Learning Technologies.
Wang, T., & Lajoie, S. P. (2023). How does cognitive load interact with self-regulated learning? A dynamic and integrative model. Educational Psychology Review, 35(3), 69.
Wang, T., Li, S., Tan, C., Zhang, J., & Lajoie, S. P. (2023). Cognitive load patterns affect temporal dynamics of self-regulated learning behaviors, metacognitive judgments, and learning achievements. Computers & Education, 207, 104924.
Winne, P. H. (2018). Theorizing and researching levels of processing in self-regulated learning. British Journal of Educational Psychology, 88(1), 9–20. https://doi.org/10.1111/bjep.12173
Zammouri, A., Moussa, A. A., & Chevallier, S. (2024). Use of cognitive load measurements to design a new architecture of intelligent learning systems. Expert Systems with Applications, 237, 121253.
Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 13–40). San Diego, California: Academic Press. https://doi.org/10.1016/B978-012109890-2/50031-7.