📄 social_science

Invisible Inequality in Peer–AI–Peer Interaction: Rethinking Inclusion in Digital EFL Classrooms

S'appuyant sur la théorie socioculturelle, cette étude qualitative révèle que les interactions Pair-IA-Pair dans les classes de FLE numériques génèrent des inégalités épistémiques invisibles où les pairs experts dominent la construction des connaissances médiée par l'IA, suggérant qu'une véritable inclusion nécessite de passer d'un simple accès technologique à un engagement équitable et au rôle stratégique de l'étayage expert pour soutenir l'apprentissage collaboratif.

Auteurs originaux : Van Huong Nguyen, Minh Tuan Dang, Anh Tuan Nguyen, Nhu Huong Nguyen

Publié 2026-09-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Van Huong Nguyen, Minh Tuan Dang, Anh Tuan Nguyen, Nhu Huong Nguyen

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans les salles de classe du monde entier, une révolution silencieuse est en cours. Les enseignants remettent aux élèves de nouveaux outils puissants : l'intelligence artificielle. Ces assistants numériques peuvent générer des idées, corriger la grammaire et organiser la pensée, promettant ainsi de niveler le terrain pour chaque apprenant. L'espoir est qu'en donnant accès à la même machine intelligente à tout le monde, l'éducation devienne plus équitable. Mais cet optimisme néglige souvent une vérité subtile sur la façon dont les gens apprennent ensemble. L'apprentissage est rarement un acte solitaire ; il se produit dans l'espace entre les personnes, là où un élève plus expérimenté aide un élève moins expérimenté. Cette dynamique, appelée étayage par les pairs, repose sur la confiance et la conversation. Lorsqu'un tiers — un programme informatique — entre dans cette conversation, les règles changent. La question que les chercheurs se posent désormais n'est pas seulement de savoir si les élèves peuvent utiliser l'outil, mais qui contrôle réellement la conversation lorsque l'outil est présent. La machine aide-t-elle tout le monde de manière égale, ou déplace-t-elle discrètement le pouvoir vers l'élève qui en sait déjà le plus ?

Une équipe de chercheurs au Vietnam s'est donné pour mission de répondre à cette question en observant de vrais élèves rédiger des essais avec l'aide d'un chatbot d'IA. Ils se sont concentrés sur des binômes d'élèves : l'un étant fort en rédaction, et l'autre étant encore en phase d'apprentissage. Ils ont appelé cette configuration une interaction « Pair–IA–Pair ». Les chercheurs voulaient voir ce qui se passait lorsque ces deux élèves travaillaient ensemble, demandaient de l'aide à l'IA, puis décidaient de ce qu'ils allaient faire des réponses. Ils ont enregistré les conversations des élèves, observé leurs visages pour détecter des signes d'hésitation ou de confusion, et sauvegardé le texte de leurs discussions avec l'ordinateur. Ils ont examiné l'ensemble du processus d'écriture, du moment où les élèves ont d'abord pensé à une idée jusqu'au moment final où ils ont peaufiné leurs phrases. L'objectif était de trouver l'« inégalité invisible » — des différences dans la participation des élèves qui sont difficiles à percevoir mais qui ont un impact réel sur l'apprentissage.

Ce que les chercheurs ont découvert, c'est que la présence de l'IA n'a pas créé un triangle d'interaction équitable. Au lieu de cela, elle a créé une relation déséquilibrée. Dans presque tous les groupes, l'élève le plus fort, ou l'« expert », a pris le contrôle de l'appareil. Cet élève tapait les questions, lisait les réponses de l'IA en premier, puis décidait quelles parties partager avec son partenaire. L'élève le plus faible, ou le « novice », se retrouvait souvent à regarder ou à attendre. Même si les deux élèves avaient accès à la même technologie, l'expert est devenu le gardien du seuil. Il a agi comme un filtre, interprétant les suggestions complexes de la machine et les traduisant pour son partenaire. Cela signifiait que l'élève novice parlait rarement directement à l'IA, et quand il le faisait, ses interventions étaient souvent outrepassées ou ignorées. L'inégalité ne concernait pas la possession de l'outil, mais qui avait l'autorité de décider de la signification de cet outil.

Ce déséquilibre s'est accentué à mesure que la tâche de rédaction progressait. Au début, lorsqu'ils cherchaient simplement des idées, l'expert utilisait l'IA pour générer une liste de possibilités, puis les présentait au novice. Le novice pouvait être d'accord ou suggérer un petit changement, mais l'expert détenait le pouvoir de choisir la direction finale. À mesure que les élèves avançaient dans la rédaction de l'essai, l'expert utilisait l'IA pour corriger les phrases et améliorer la fluidité du texte. Là encore, l'expert décidait quelles corrections conserver. Au moment où les élèves terminaient leur travail et vérifiaient les erreurs, le schéma était à son paroxysme. L'expert demandait l'avis final à l'IA, évaluait les suggestions et prenait les dernières décisions sur ce qu'il fallait garder ou modifier. L'élève novice était souvent réduit à un observateur passif, hochant la tête ou se contentant de taper ce que l'expert lui disait de taper.

L'étude a révélé que le problème le plus important n'était pas un manque d'accès, mais un manque d'« autorité épistémique ». C'est une façon sophistiquée de dire qu'un élève a perdu le droit d'être perçu comme une source de savoir. Même lorsque l'élève novice avait une bonne idée ou une préoccupation valable, le contrôle de l'expert sur l'IA faisait que la voix du novice semblait moins importante. Le résultat de la machine était traité comme le dernier mot, mais seulement si l'expert le validait d'abord. Si l'expert ignorait une suggestion du novice, celui-ci contestait rarement. Les chercheurs ont noté que cela se produisait parce que le novice faisait confiance à l'expert, et que l'expert faisait confiance à la machine, créant une chaîne d'autorité qui laissait le novice en retrait. L'inégalité était invisible car tout le monde « participait » techniquement, mais la qualité de cette participation était radicalement différente.

Il est intéressant de noter que les chercheurs ont découvert que cette dynamique inégale n'empêchait pas toujours l'apprentissage de se produire. Dans certains cas, l'élève expert semblait reconnaître que son partenaire avait besoin d'aide et utilisait l'IA pour apporter un soutien supplémentaire. Il expliquait les réponses de la machine en termes plus simples ou demandait au novice d'essayer une partie spécifique de la tâche. Cela suggère que l'inégalité, bien qu'injuste en termes de pouvoir, pouvait parfois être utilisée pour faire progresser le groupe. Cependant, les chercheurs ont averti que c'est un équilibre fragile. Si l'expert est trop contrôlant, le novice cesse de réfléchir par lui-même et se contente de suivre les ordres. L'étude suggère que donner simplement un ordinateur aux élèves ne garantit pas une classe équitable. Une véritable inclusion nécessite plus que l'accès à la technologie ; elle exige une attention particulière à qui parle, qui écoute et qui prend les décisions finales.

Les chercheurs ont conclu que pour que l'IA soit un outil véritablement utile dans l'éducation, les enseignants doivent changer la manière dont ils organisent le travail de groupe. Ils ont suggéré que les élèves se relaient pour contrôler l'appareil, afin que le novice ait la chance de poser les questions et d'interpréter les réponses. Les tâches devraient être conçues pour forcer la discussion avant et après l'utilisation de l'IA, garantissant que la machine soutienne la conversation plutôt que de la remplacer. L'étude ne prétend pas que l'IA est mauvaise ou qu'elle devrait être interdite. Elle montre plutôt que, sans une orientation attentive, la technologie peut accidentellement renforcer les écarts qu'elle était censée combler. Le véritable défi ne réside pas dans le code de la machine, mais dans les habitudes humaines de la classe. Si nous voulons que l'IA aide tout le monde à apprendre, nous devons nous assurer que le pouvoir de l'utiliser est partagé, et non accaparé par l'élève qui en sait déjà le plus.

Résumé technique : L'inégalité invisible dans l'interaction Pair–IA–Pair

Problématique
Alors que l'intégration de l'intelligence artificielle (IA) dans les classes d'écriture d'anglais langue étrangère (ALE) est souvent présentée comme un outil pour élargir l'accès et promouvoir l'autonomie des apprenants, cet article soutient que cet optimisme occulte des inégalités subtiles et « invisibles » au sein de l'apprentissage collaboratif. Plus précisément, dans les modèles d'interaction Pair–IA–Pair (PIP), la simple présence de l'IA ne garantit pas une participation équitable. L'étude identifie une lacune critique dans la littérature existante : un manque d'analyse micro-analytique concernant la manière dont les droits de participation, le pouvoir de décision et la validation des connaissances sont distribués entre les apprenants experts et novices lorsqu'ils sont médiatisés par l'IA. Le problème central est que l'IA ne se contente pas de soutenir l'apprentissage, mais peut activement remodeler les dynamiques d'interaction, concentrant potentiellement le contrôle entre les mains du pair « expert » tout en reléguant le « novice » à un rôle périphérique ou de conformité, créant ainsi une forme d'inégalité difficile à détecter mais significative dans son impact sur les résultats d'apprentissage.

Méthodologie
L'étude emploie un plan de recherche qualitative fondé sur la théorie socioculturelle (TSC), utilisant spécifiquement les concepts de médiation, de zone de développement proximal (ZDP) et d'internalisation.

Participants : Cinq binômes d'étudiants de troisième année de spécialisation en anglais d'une université vietnamienne ont été sélectionnés via un échantillonnage intentionnel basé sur un modèle de jumelage expert-novice. Les experts ont été identifiés par leur GPA et leurs scores d'écriture (7–9), tandis que les novices ont obtenu des scores compris entre 4 et 6.
Collecte de données : Les données ont été recueillies sur cinq semaines lors d'un cours d'écriture académique, couvrant trois étapes : pré-écriture, pendant l'écriture et post-écriture. Les instruments comprenaient des enregistrements audio des interactions entre pairs, des captures d'écran des journaux de discussion IA (ChatGPT 5.1) et des notes d'observation capturant des indicateurs comportementaux (ex. : hésitation, silence, prise de parole).
Analyse : Les journaux d'interaction ont été transcrits et codés à l'aide d'un cadre adapté de la TSC et d'études antérieures sur l'étayage par les pairs et l'équité numérique. Le schéma de codage a catégorisé les stratégies d'étayage par les pairs, les fonctions médiées par l'IA et cinq types d'indicateurs d'« inégalité invisible » : interactionnelle (II-INT), liée à l'accès (II-ACC), liée à la décision (II-DEC), épistémique/de positionnement de la connaissance (II-EPI) et liée aux résultats (II-BEN).
Supplément quantitatif : Pour explorer les relations entre l'étayage et l'inégalité, une analyse de corrélation de Spearman a été appliquée aux données de fréquence des indicateurs d'inégalité par rapport au total des mouvements d'étayage.

Résultats clés
L'analyse révèle une asymétrie constante dans les interactions PIP à travers toutes les étapes de l'écriture, caractérisée par un canal dominant « Pair 1 (Expert)–IA » et un canal significativement plus faible « Pair 2 (Novice)–IA ».

Distribution de l'interaction : Lors de la phase de pré-écriture, les interactions Pair 1–IA (38 tours) ont largement dépassé les interactions Pair 2–IA (7 tours). Ce schéma a persisté pendant la phase de rédaction (29 contre 6) et la phase de post-écriture (43 contre 11). Le Pair 1 a systématiquement contrôlé l'appareil, la saisie des requêtes (prompts) et la réception initiale de la production de l'IA.
Dominance de l'inégalité épistémique : Parmi les cinq types d'inégalité invisible, l'Inégalité Épistémique (II-EPI) est apparue comme l'indicateur le plus dominant à toutes les étapes. Cela indique que le problème central n'est pas seulement l'accès physique à l'outil, mais l'autorité d'interpréter, de valider et de décider quelle connaissance générée par l'IA est retenue.
Dynamiques spécifiques aux étapes :
- Pré-écriture : L'inégalité était la plus visible dans la génération et la légitimation des idées, où l'expert interprétait les réponses de l'IA avant de les transmettre au novice.
- Pendant l'écriture : L'inégalité de surface semble avoir diminué à mesure que l'attention se portait sur la production de texte, mais le contrôle sur la manière dont l'étayage était converti en texte est resté entre les mains de l'expert.
- Post-écriture : L'inégalité a de nouveau bondi, particulièrement concernant le pouvoir d'évaluer les commentaires et de prendre les décisions finales de révision.
Résultats de corrélation : L'analyse de corrélation de Spearman a révélé des relations positives significatives entre l'étayage total et les inégalités liées à l'accès (II-ACC), à la prise de décision (II-DEC) et au statut épistémique (II-EPI). Notamment, l'inégalité de prise de décision présentait la corrélation la plus forte ( $\rho = 0,664$ ), suggérant que lorsqu'un apprenant est exclu de la prise de décision, ses pairs peuvent augmenter l'étayage comme mécanisme de compensation. À l'inverse, les inégalités dans la quantité de prise de parole (II-INT) et les bénéfices d'apprentissage (II-BEN) n'ont montré aucune corrélation significative avec la fréquence de l'étayage.

Contributions clés

Reconceptualisation de l'inclusion : L'étude remet en question l'idée que l'inclusion numérique est synonyme d'accès technologique. Elle pose que la véritable inclusion dans les classes médiées par l'IA nécessite une participation équitable aux processus d'interprétation, de validation et de décision.
Le triangle PIP comme système asymétrique : L'article contribue à une compréhension structurelle du modèle PIP, démontrant que l'IA n'ajoute pas simplement une troisième partie à l'interaction entre pairs, mais restructure le flux de la médiation. Le pair expert devient souvent un « Autre Plus Savant augmenté par l'IA » (AI-aMKO), contrôlant le flux d'informations de l'IA vers le novice.
Cadre d'inégalité invisible : En identifiant et en codant des indicateurs spécifiques d'inégalité invisible (particulièrement l'inégalité épistémique), l'étude fournit un outil méthodologique pour détecter les déséquilibres de pouvoir subtils que les évaluations traditionnelles basées sur les résultats pourraient manquer.
Asymétrie fonctionnelle : La recherche suggère que si l'inégalité existe, elle n'est pas toujours purement restrictive. Dans certains cas, le contrôle de l'expert sur le canal d'IA sert une fonction pédagogique, maintenant la continuité de l'interaction et évitant que le novice ne soit submergé, bien que cela se fasse au détriment de l'agentivité du novice.

Signification et revendications
L'article affirme que ses conclusions nécessitent une remise en question de l'inclusion dans l'éducation numérique. Il soutient que, sans intervention, la collaboration médiée par l'IA peut involontairement renforcer les hiérarchies existantes, transformant l'étayage par les pairs d'un processus réciproque en un canal de médiation inégal où l'expert détient un pouvoir disproportionné.

L'étude conclut que la nature « invisible » de ces inégalités — ancrée dans celui qui contrôle la requête et celui qui valide la connaissance — pose un risque significatif pour l'autonomie de l'apprenant et l'engagement critique. Cependant, les auteurs notent modestement que l'étude est limitée à cinq binômes dans un seul contexte universitaire et repose sur des données d'observation sans entretiens approfondis. Par conséquent, bien que les résultats soulignent la nécessité de stratégies pédagogiques telles que la rotation des rôles et la conception de tâches imposant des discussions pré et post-IA, les auteurs ne prétendent pas que ces résultats soient universellement généralisables sans recherches supplémentaires dans divers contextes et plateformes d'IA. La principale signification réside dans le passage de l'accent mis sur « l'accès à la technologie » à celui de la « participation substantielle » dans les environnements d'apprentissage médiatisés.

Articles similaires