Résumé technique : Au-delà de l'approche uniforme de l'engagement dans la pratique de l'expression orale soutenue par l'IA générative

1. Énoncé du problème

Bien que l'intelligence artificielle générative (IA générative) ait établi des environnements personnalisés et à faible menace pour la pratique de l'expression orale en anglais langue étrangère (ALE), la littérature existante repose largement sur des approches quantitatives pour rapporter des tendances de groupe ou des effets médiateurs. Ces études traitent souvent l'engagement émotionnel, cognitif et comportemental comme des variables distinctes ou supposent qu'ils se développent de manière synchrone. Par conséquent, il existe une lacune importante dans la compréhension de la manière dont les apprenants individuels configurent subjectivement ces dimensions. Plus précisément, il reste unclear comment les expériences émotionnelles de différents apprenants façonnent leurs évaluations cognitives et leur participation comportementale, et si une approche « uniforme » de l'instruction soutenue par l'IA est suffisante compte tenu de l'hétérogénéité des expériences des apprenants.

2. Méthodologie

Cette étude emploie la méthodologie Q, une approche centrée sur la personne conçue pour étudier la subjectivité individuelle et identifier les points de vue partagés au sein d'un groupe.

• Participants : 27 étudiants de première année de licence (22 hommes, 5 femmes ; âge moyen 19,04) d'un collège de sciences et d'ingénierie du nord de la Chine continentale. Tous les participants avaient au moins un semestre d'expérience dans l'utilisation d'outils d'IA (par exemple, Doubao, plateforme d'apprentissage Chaoxing, Liulishuo English) pour la pratique de l'expression orale.
• Développement de l'instrument (Q-set) : Un Q-set de 47 énoncés représentatifs a été construit à partir de trois sources : (1) une revue de la littérature sur l'engagement des apprenants et les expériences émotionnelles dans l'apprentissage soutenu par l'IA ; (2) des réponses ouvertes des participants concernant leurs expériences réelles ; et (3) les commentaires des utilisateurs des plateformes populaires d'expression orale par IA en Chine. Les énoncés ont été affinés pour se concentrer sur des dimensions uniques (émotionnelle, cognitive ou comportementale) afin d'éviter toute ambiguïté.
• Collecte de données :
  • Q-Sorting : Les participants ont classé les 47 énoncés sur une grille de distribution forcée allant de « fortement en désaccord » (-5) à « fortement d'accord » (+5).
  • Entretiens post-classement : Des entretiens semi-directifs ont été menés avec 10 participants présentant des chargements factoriels élevés pour explorer le raisonnement derrière leurs classements.
• Analyse des données : Les données du Q-sort ont été analysées à l'aide de KADE (Version 1.3.1) via une analyse en composantes principales (ACP) avec rotation Varimax. Les facteurs ont été retenus sur la base de valeurs propres > 1,00 et de chargements factoriels ≥ 0,38. Quatre facteurs ont été extraits, expliquant 51 % de la variance totale.

3. Résultats clés : Quatre profils d'engagement des apprenants

L'analyse factorielle a identifié quatre profils d'engagement distincts, chacun caractérisé par une configuration unique d'engagement émotionnel, cognitif et comportemental :

1. Régulateurs Détendus (Facteur 1) :

   • Émotionnel : Sentiment élevé de relaxation et de sécurité ; faible anxiété concernant l'évaluation ou les erreurs.
   • Comportemental : Ajustement dynamique des styles d'interaction pour répondre aux besoins personnels (ex. : demander à l'IA de simplifier le langage).
   • Cognitif : Pas d'engagement cognitif distinctif saillant ; le traitement semble superficiel ou focalisé sur la pratique plutôt que sur une réflexion profonde.
   • Profil : Apprenants qui se sentent en sécurité et sous contrôle, mais qui peuvent ne pas s'engager profondément sur le plan cognitif.

2. Détachés Sceptiques (Facteur 2) :

   • Émotionnel : Détachement et faible engagement émotionnel ; scepticisme concernant la qualité « humaine » du feedback de l'IA.
   • Cognitif : Posture critique et sceptique ; remise en question de l'exactitude du feedback de l'IA et de sa capacité à évaluer la compétence réelle.
   • Comportemental : Utilisation passive ou participation limitée (ex. : utiliser l'IA uniquement lorsque cela est imposé par les enseignants).
   • Profil : Apprenants qui manquent de confiance envers l'outil, ce qui mène au désengagement.

3. Améliorateurs Anxieux (Facteur 3) :

   • Émotionnel : Haute sensibilité aux scores et au feedback ; expérience d'anxiété et de fluctuations émotionnelles.
   • Cognitif : Reconnaissance claire de la valeur de l'IA pour l'amélioration, mais une focalisation rigide sur des faiblesses spécifiques.
   • Comportemental : Pratique ciblée et répétitive des faiblesses identifiées ; réticence à explorer d'autres fonctions ou caractéristiques de l'IA.
   • Profil : Apprenants mus par une motivation extrinsèque pour éviter l'échec, ce qui entraîne une pratique rigide et non exploratoire.

4. Explorateurs Curieux (Facteur 4) :

   • Émotionnel : Émotions positives et activatrices stimulées par l'intérêt intrinsèque, la curiosité et la nouveauté.
   • Cognitif : Évaluation positive de la valeur évaluative et instructive de l'IA.
   • Comportemental : Initiative élevée ; expérimentation active de différents outils et fonctionnalités d'IA.
   • Profil : Apprenants intrinsèquement motivés, explorant largement et s'engageant profondément à travers toutes les dimensions.

4. Contributions et résultats clés

L'étude remet en question l'hypothèse selon laquelle l'engagement émotionnel, cognitif et comportemental se produisent de manière synchrone. Au lieu de cela, elle révèle que ces dimensions se combinent en des schémas configurationnels hétérogènes.

• La centralité de l'émotion : L'engagement émotionnel est la dimension centrale à travers tous les profils. Cependant, le type d'émotion (activatrice vs désactivatrice, positive vs négative) dicte les résultats cognitifs et comportementaux ultérieurs.
• Application de la Théorie du Contrôle-Valeur : L'étude applique la Théorie du Contrôle-Valeur (Pekrun, 2006) pour expliquer ces configurations :
  • Régulateurs Détendus : Un contrôle perçu élevé et une évaluation de la valeur positive mènent à des émotions positives désactivatrices (relaxation), ce qui peut inhiber un traitement cognitif profond.
  • Explorateurs Curieux : Un contrôle élevé et une évaluation de la valeur positive mènent à des émotions positives activatrices (plaisir/nouveauté), favorisant un engagement cognitif et un comportement exploratoire profonds.
  • Améliorateurs Anxieux : Une évaluation de la valeur élevée mais un contrôle perçu faible mènent à des émotions négatives activatrices (anxiété), ce qui stimule un effort comportemental ciblé mais inhibe l'exploration.
  • Détachés Sceptiques : Un contrôle faible et une évaluation de la valeur négative mènent à des émotions négatives désactivatrices (ennui/détachement), sapant à la fois l'évaluation cognitive et l'engagement comportemental.

5. Signification et implications pédagogiques

L'article soutient qu'une approche « uniforme » de l'instruction de l'expression orale soutenue par l'IA générative est insuffisante. La signification de ce travail réside dans la démonstration que l'engagement de l'apprenant est hétérogène et configurationnel.

Implications pédagogiques :

• Priorité au soutien émotionnel : L'instruction doit donner la priorité au soutien émotionnel pour tirer parti de la nature à faible menace de l'IA.
• Interventions sur mesure :
  • Pour les Régulateurs Détendus : Maintenir l'environnement à faible stress mais introduire des journaux de réflexion pour approfondir l'engagement cognitif.
  • Pour les Détachés Sceptiques : Utiliser des jeux interactifs et engageants pour construire des expériences émotionnelles positives et introduire progressivement des tâches avec des exigences cognitives croissantes pour instaurer un sentiment de contrôle.
  • Pour les Améliorateurs Anxieux : Guider les apprenants pour fixer des objectifs progressifs et évaluer de manière critique le feedback de l'IA afin de réduire l'anxiété et de passer d'une motivation extrinsèque à une motivation plus durable.
  • Pour les Explorateurs Curieux : Assigner des tâches créatives et ouvertes pour maintenir la motivation intrinsèque et encourager le partage entre pairs pour renforcer l'engagement.

6. Limites

L'auteur reconnaît deux limites principales :

1. Représentativité de l'échantillon : L'étude a été menée auprès d'une seule cohorte d'une université en Chine, ce qui limite la généralisabilité des résultats à différentes tranches d'âge, niveaux de compétence et régions géographiques.
2. Perspective statique : L'étude capture les profils d'engagement à un moment précis et n'explore pas comment ces profils pourraient évoluer de manière longitudinale au cours d'un apprentissage soutenu.

L'article conclut que l'orientation de l'enseignant est cruciale dans les environnements intégrés à l'IA pour traiter ces configurations émotionnelles-cognitives-comportementales distinctes et promouvoir un engagement durable.