(Photographie : phlegmaphoto)
Le cas du manque d’impact des tuteurs virtuels
Un tuteur virtuel est un outil technologique éducatif qui possède une finalité pédagogique. Il s’agit d’un système numérique destiné à accompagner l’apprentissage d’un élève en fournissant des explications, des rétroactions, des exercices adaptés et un guidage individualisé.
Le concept est lié aux systèmes tutoriels intelligents (Intelligent Tutoring Systems) étudiés en sciences de l’éducation et en intelligence artificielle éducative (Woolf, 2010). Le terme tuteur virtuel implique généralement une dimension didactique plus élaborée, incluant l’adaptation pédagogique, l’évaluation formative et le soutien métacognitif par le biais de l’intelligence artificielle.
Un tuteur virtuel vise spécifiquement à soutenir l’apprentissage. Il vise alors à expliciter des notions, diagnostiquer les erreurs, à adapter les contenus ou à soutenir la motivation de l’apprenant.
Il peut prendre la forme d’une plateforme ou d’un chatbot qui guide un élève pas à pas en mathématiques avec rétroaction personnalisée. Le projet Khanmigo de Khan Academy en est un exemple qui a été particulièrement soutenu.
Cependant, comme le relate Dan Meyer (2026a), Khan Academy a abandonné la mise en avant de Khanmigo, son tuteur virtuel basé sur l’IA après trois années de promotion et de développement intensifs (2023-2026). Les difficultés se sont manifestées sous la forme d’un manque d’utilisation, d’adhésion, d’interaction et d’impact pour ses utilisateurs.
Khan Academy a tâcher d’inverser la tendance en rendant le chatbot plus invasif, mais sans succès. De plus, un impact positif sur l’apprentissage ne se manifestait que chez 5 % des utilisateurs et disparaissait si on prenait en compte tous les utilisateurs. En effet, si les technologies éducatives optimisent l’apprentissage de ceux qui sont déjà motivés et organisés, elles accentuent souvent les difficultés de ceux qui manquent de ressources propres.
Il apparait qu’un tuteur virtuel ne possède a pas la capacité qu’a un tuteur humain de nouer une relation avec les élèves. Il semblerait dès lors exister, comme le met en avant Greg Ashman (2026), des preuves commerciales montrant que, lorsqu’on leur en donne la possibilité, les humains choisissent de ne pas interagir avec l’IA.
Profiler la technologie comme soutien aux systèmes humains
Les entreprises de technologies éducatives tentent d’aligner les désirs des apprenants, leurs clients, sur les prouesses de leurs solutions digitales, leurs produits. Elles considèrent souvent la forme technologique particulière comme la réponse, puis cherchent à y adapter les apprenants et les enseignants. Ce faisant, elles les coupent régulièrement des interactions sociales habituelles en salle de classes. Elles se focalisent sur leur support d’enseignement et d’apprentissage.
Dès lors, il existe une confusion fréquente entre l’interactivité technique (interagir avec la machine) et l’engagement cognitif profond (réfléchir, penser ou élaborer). Margaryan et ses collègues (2015) ont notamment montré que malgré la sophistication technique de nombreux cours en ligne, la majorité d’entre eux utilisent des conceptions pédagogiques pauvres, centrées sur la transmission passive plutôt que sur l’apprentissage actif.
En outre, si l’interface est mal conçue ou trop complexe, l’apprenant dépense une part de ses ressources mentales limitées à naviguer à travers l’outil plutôt qu’à traiter le contenu, ce qui entraîne une surcharge cognitive, une fatigue rapide et un abandon (Sweller, 2011).
Il apparait que la technologie serait utile dans un rôle de soutien aux systèmes humains qui doivent rester au premier plan. Selon Dan Meyer (2026b), réorienter les technologies éducatives vers l’humain signifie utiliser la puissance de la technologie pour mettre en adéquation le désir d’apprendre d’un individu avec celui d’un autre d’enseigner. Ce dont il faut prendre conscience, c’est que ce n’est pas le support qui importe, mais ce que l’on en fait concrètement.
John Hattie (2009) montre que l’impact des technologies dépend essentiellement de la qualité des pratiques pédagogiques associées. Ce n’est pas l’outil en lui-même qui favorise l’apprentissage, mais la manière dont il soutient les interactions, la rétroaction, la structuration des tâches et l’autorégulation des élèves. Dans la même perspective, Tamim et coll. (2011) concluent que les effets positifs des technologies sur les apprentissages existent, mais restent modérés et fortement dépendants du contexte éducatif.
Selon la théorie de l’autodétermination, la motivation intrinsèque dépend de la satisfaction de trois besoins fondamentaux : l’autonomie, la compétence et l’appartenance sociale (Deci & Ryan, 2000). Or, les technologies éducatives échouent souvent à nourrir ce sentiment d’appartenance. L’isolement social devant l’écran peut conduire à un sentiment d’aliénation, réduisant ainsi la persévérance face à l’effort cognitif.
La nature biologiquement secondaire des connaissances scolaires et l’enjeu de la motivation
L’humanité a créé des écoles pour transmettre, à grande échelle, ce que David C. Geary a qualifié de connaissances biologiquement secondaires. Il s’agit de connaissances relativement récentes, telles que la lecture et l’écriture, ou la résolution d’équations du second degré. Nous communiquons entre nous depuis des centaines de milliers d’années. Comparée à cela, l’écriture est une invention culturelle qui n’a que quelques milliers d’années.
Nous sommes motivés à rechercher et à acquérir ces connaissances en général et cela fonctionne très bien pour les connaissances et compétences biologiquement primaires (langues maternelles, connaissances de notre environnement et connaissances sociales). Notre espèce n’a pas eu assez de temps pour développer des mécanismes permettant d’acquérir ces compétences et connaissances biologiquement secondaires avec une relative facilité.
La lecture, l’écriture, les mathématiques et, par extension, l’ensemble du programme scolaire constituent un travail de longue haleine. Nous ne sommes pas naturellement motivés pour le faire au départ.
L’un des principaux défis des environnements numériques repose largement sur les capacités de métacognition et d’autorégulation des élèves. Contrairement à une classe physique où la présence de l’enseignant et du groupe agit comme un régulateur externe, les plateformes et les logiciels d’apprentissage exigent une discipline personnelle élevée.
La cadre de la classe va apporter des facteurs de motivation extrinsèque à l’apprentissage, par le biais du guidage contextualisé et du soutien de l’enseignant, facilités par sa connaissance de ses élèves. L’enseignant va venir stimuler l’engagement et la concentration des élèves. Ces facteurs de motivation externes se transforment progressivement en facteurs de motivation internes à mesure que les connaissances des élèves s’améliorent petit à petit. Les élèves doivent s’entraîner à faire des choses qu’ils n’ont pas vraiment envie de faire au départ. L’idée est de développer une motivation autonome grâce à des expériences de succès. L’autonomie sera plus généralement le produit de l’apprentissage que son initiateur, surtout lorsque l’on débute en tant que novice dans un domaine.
Le type de motivation extrinsèque que peuvent proposer les technologies éducatives repose davantage sur des mécanismes extrinsèques décontextualisés et artificiels (points, badges, récompenses, notifications) que sur le développement d’un intérêt profond pour les contenus d’apprentissage et pour l’apprentissage de l’élève en particulier. Cette logique technologique produira souvent un engagement superficiel et temporaire plutôt qu’un investissement cognitif durable.
Les recherches montrent que les technologies éducatives ne produisent pas automatiquement de motivation intrinsèque et que leur efficacité dépend largement des conditions pédagogiques dans lesquelles elles sont intégrées (Clark & Mayer, 2016).
Comme le souligne Selwyn (2016), les technologies éducatives sont souvent perçues par les institutions comme une solution magique, négligeant le fait que la technologie ne peut se substituer au désir d’apprendre.
L’idée que les nouvelles générations seraient naturellement motivées par le numérique est largement contestée. L’environnement numérique est, par essence, une source de distractions. La motivation à apprendre entre en compétition directe avec les mécanismes de récompense immédiate dont les élèves ont largement fait l’expérience avec des écrans.
Plusieurs études indiquent que l’effet motivationnel des technologies tend à diminuer avec le temps. Ce phénomène, parfois appelé « effet de nouveauté », correspond à l’enthousiasme initial suscité par un nouvel outil numérique, enthousiasme qui décroît lorsque l’outil devient familier (Kirkwood & Price, 2014). Les tablettes, tableaux interactifs ou applications éducatives peuvent donc générer une motivation ponctuelle sans pour autant améliorer durablement l’engagement scolaire.
La technologie peut agir davantage comme un stimulant temporaire que comme un levier profond d’apprentissage. Sans une médiation humaine ou une structure qui donne du sens à l’effort, l’outil reste inerte. La question centrale n’est pas de savoir si la technologie motive, mais dans quelles conditions pédagogiques elle peut soutenir la motivation. Les outils numériques ne remplacent ni la qualité de l’enseignement, ni la relation pédagogique, ni le sens donné aux apprentissages. Sans une réflexion approfondie sur l’engagement cognitif et motivationnel des apprenants, les technologies éducatives risquent de rester des innovations séduisantes, mais pédagogiquement limitées.
Mis à jour le 15/05/2026
Bibliographie
Dan Meyer, 2026a, RIP Khanmigo & Edtech Industry Dreams of AI Tutors, https://danmeyer.substack.com/p/rip-khanmigo-and-edtech-industry
Dan Meyer, 2026b, Pivoting Edtech Towards Humanity, https://danmeyer.substack.com/p/pivoting-edtech-towards-humanity
Greg Ashman, 2026, Is AI about to revolutionise the classroom?, https://fillingthepail.substack.com/p/is-ai-about-to-revolutionise-the
Woolf, B. P. (2010). Building intelligent interactive tutors : Student-centered strategies for revolutionizing e-learning. Morgan Kaufmann.
Deci, E. L., & Ryan, R. M. (2000). The "what" and "why" of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227-268.
Margaryan, A., Bianco, M., & Littlejohn, A. (2015). Instructional quality of Massive Open Online Courses (MOOCs). Computers & Education, 80, 77-83.
Selwyn, N. (2016). Education and Technology: Key Issues and Debates. Bloomsbury Publishing.
Sweller, J. (2011). Cognitive load theory. In Psychology of learning and motivation (Vol. 55, pp. 37-76). Academic Press.
Clark, R. C., & Mayer, R. E. (2016). E-learning and the science of instruction: Proven guidelines for consumers and designers of multimedia learning (4th ed.). Wiley.
Hattie, J. (2009). Visible learning: A synthesis of over 800 meta-analyses relating to achievement. Routledge.
Kirkwood, A., & Price, L. (2014). Technology-enhanced learning and teaching in higher education: What is ‘enhanced’ and how do we know? A critical literature review. Learning, Media and Technology, 39(1), 6–36.
Tamim, R. M., Bernard, R. M., Borokhovski, E., Abrami, P. C., & Schmid, R. F. (2011). What forty years of research says about the impact of technology on learning: A second-order meta-analysis and validation study. Review of Educational Research, 81(1), 4–28.
0 comments:
Enregistrer un commentaire