The Agency Gap in AI-Supported Writing: How Reactive and Proactive Agent Designs Shape Multimodal Reasoning

Résumé technique : Le fossé de l'agentivité dans l'écriture assistée par l'IA

Énoncé du problème
L'intégration de l'IA générative (GenAI) dans la rédaction académique introduit un défi de conception critique : le « fossé de l'agentivité » (agency gap). Ce concept décrit un décalage potentiel entre l'initiative exigée par un agent d'IA (par exemple, réactif vs proactif) et la capacité d'un apprenant à initier, surveiller et évaluer le raisonnement assisté par l'IA. Bien que les outils de GenAI offrent des opportunités d'étayage, leur valeur éducative dépend de la manière dont le contrôle est partagé. Les agents réactifs exigent des apprenants des compétences élevées en matière de prompting et une conscience métacognitive, ce qui peut désavantager ceux qui possèdent une faible littératie en GenAI. À l'inverse, les agents proactifs, qui fournissent des questions séquencées et des retours, peuvent réduire la charge cognitive mais risquent de sur-structurer l'apprentissage et de diminuer l'agentivité de l'apprenant. La recherche actuelle manque de preuves empiriques sur la manière dont ces conceptions d'interaction influencent le raisonnement épistémique, l'intégration des rétroactions et la performance indépendante immédiate dans des tâches de rédaction analytique multimodales.

Méthodologie
L'étude a employé un plan expérimental mixte en deux phases impliquant 79 étudiants en médecine et en soins infirmiers. Les participants ont réalisé deux tâches de rédaction analytique multimodale basées sur des visualisations de données de simulation de soins de santé (un diagramme en barres, un réseau de communication et une carte de service).

• Conditions expérimentales : Les participants ont été assignés aléatoirement à l'un des deux modèles d'agent d'IA :
  • Agent Réactif : Répond uniquement lorsqu'il est sollicité par l'apprenant, exigeant que l'étudiant identifie les incertitudes, formule des requêtes (prompts) et séquence l'enquête.
  • Agent Proactif : Initie une séquence fixe de questions directrices et fournit des rétroactions au niveau de la tâche ou du processus basées sur des étayages conçus par des experts, guidant l'apprenant à travers l'interprétation visuelle sans générer le texte final.
• Mesures :
  • Littératie en GenAI : Évaluée à l'aide du test validé de 20 items Generative AI Literacy Assessment Test (GLAT).
  • Performance en rédaction : Évaluée via une rubrique ordinale couvrant cinq dimensions : Perspicacité, Intégration des données visuelles, Organisation et Cohérence, Qualité linguistique et Pensée critique.
  • Raisonnement épistémique : Analysé via l'Analyse de Réseaux Épistémiques (ENA) pour cartographier la structure relationnelle du raisonnement et de l'engagement (basée sur les cadres ICAP et d'argumentation) au sein des dialogues humain-IA.
• Approche analytique : L'étude a utilisé la régression logistique ordinale pour prédire la performance rédactionnelle indépendante (après retrait de l'IA) en fonction de la littératie et de la conception. L'analyse de médiation a testé si la performance assistée par l'IA médiatisait la relation entre la littératie et la performance indépendante. L'analyse thématique des réflexions des apprenants a fourni des perspectives qualitatives sur l'expérience de l'agentivité.

Résultats clés

• Raisonnement épistémique (RQ1) : L'ENA a révélé des structures relationnelles distinctes entre les conditions. Les interactions proactives ont favorisé des liens plus forts entre le raisonnement conceptuel, l'application adéquate des preuves et l'engagement constructif. En revanche, les interactions réactives étaient caractérisées par des associations plus fortes entre les descriptions factuelles et les échanges hors sujet ou procéduraux. L'étayage proactif semble avoir externalisé les fonctions de planification et de surveillance, dirigeant l'attention des observations vers la synthèse.
• Littératie en GenAI et Performance (RQ2) : La littératie en GenAI a prédit de manière significative la performance indépendante immédiate dans l'Intégration des données visuelles, la Pensée critique et le Score composite global après le retrait du soutien de l'IA. Cependant, la littératie n'a pas prédit de manière significative la performance en Perspicacité, Organisation ou Qualité linguistique. Crucialement, l'interaction entre la littératie en GenAI et la conception de l'agent n'était pas statistiquement significative ; l'étude n'a pas trouvé de preuve qu'une conception produisait des scores plus élevés ou des pentes de littératie différentes de l'autre.
• Effets de médiation (RQ3) : L'analyse de médiation a montré une association totale significative entre la littératie en GenAI et la performance indépendante dans la condition réactive, mais pas dans la condition proactive. Cependant, les effets indirects n'étaient pas statistiquement significatifs dans aucune des deux conditions, et les intervalles de confiance étaient larges. Les résultats suggèrent que, bien que le soutien proactif puisse réduire les différences de performance observables liées à la littératie, l'étude n'établit pas un effet compensatoire causal et ne confirme pas la médiation.
• Expérience de l'apprenant (RQ4) : L'analyse qualitative a identifié trois heuristiques de conception : (1) maintenir l'autonomie par des rétroactions contextuelles et confirmatoires (réactif) ; (2) promouvoir le raisonnement intégratif par un étayage dialogique (proactif) ; et (3) assurer l'équité en alignant l'initiative sur l'expertise perçue de l'apprenant et la complexité de la tâche. Les apprenants ont valorisé le guidage proactif pour connecter les preuves, mais l'ont trouvé redondant pour les tâches simples ou lorsqu'ils se sentaient compétents.

Contributions clés
La principale contribution théorique de l'article est la conceptualisation du « fossé de l'agentivité » comme un décalage relationnel entre l'initiative de l'agent d'IA et la capacité de l'apprenant, plutôt que comme un déficit individuel. Il positionne la distribution de l'initiative comme une condition limite de conception qui façonne l'allocation du travail épistémique.

• Processus vs Résultat : L'étude démontre que la conception de l'interaction modifie significativement le processus de raisonnement (la structure de réseau du dialogue) même lorsque les effets directs sur les résultats immédiats (scores de rédaction) ne sont pas statistiquement significatifs.
• Implications de conception : Les résultats suggèrent qu'un soutien efficace à la rédaction par l'IA nécessite des rétroactions contextuelles, un étayage dialogique et le calibrage de l'initiative en fonction des besoins de l'apprenant. Les conceptions proactives peuvent approfondir l'intégration conceptuelle, tandis que les conceptions réactives préservent le contrôle de l'apprenant mais exigent une littératie plus élevée.

Signification et affirmations
Les auteurs revendiquent une signification modeste, soulignant que le « fossé de l'agentivité » est un cadre explicatif émergent plutôt qu'une théorie générale validée. L'étude ne prétend pas que les agents proactifs surpassent universellement les agents réactifs, ni qu'un étayage proactif compense définitivement une faible littératie. Au lieu de cela, les résultats soutiennent l'hypothèse selon laquelle la conception de l'interaction réorganise le travail épistémique de l'apprentissage. L'implication pratique est que les agents d'IA éducatifs devraient offrir des niveaux ajustables d'initiative, permettant aux apprenants de demander des conseils ou de réduire l'étayage à mesure qu'ils démontrent leur compétence. Les auteurs avertissent que ces résultats sont spécifiques à des tâches de synthèse de preuves multimodales à court terme et appellent à des recherches futures avec des échantillons plus larges, des mesures directes de l'agentivité et des évaluations longitudinales pour tester la durabilité de ces effets.