Curiosité et métacognition : vers un cadre unifié pour apprendre à l’ère de l’IA

Curiosité et métacognition : vers un cadre unifié pour apprendre à l’ère de l’IA Une contribution du Flowers AI & CogSci Lab Cette présentation rend accessible la publication « Curiosity and Metacognition: Towards a Unified Framework for Learning and Education in the Age of AI », déposée sur arXiv en avril 2026. Le travail original est cosigné par Chloé Desvaux, Rania Abdelghani, Pierre-Yves Oudeyer et Hélène Sauzéon. Il constitue une contribution du Flowers AI & CogSci Lab du centre Inria de l’Université de Bordeaux. Pourquoi rapprocher curiosité et métacognition La curiosité est souvent décrite comme l’élan qui pousse une personne à chercher une information nouvelle. L’article propose de ne pas l’isoler des mécanismes métacognitifs qui permettent à l’apprenant d’observer son propre état de connaissance, d’identifier une incertitude, de choisir une stratégie puis d’évaluer ce qu’il a réellement appris. Cette articulation est importante pour l’éducation. Une question n’est pas seulement le signe d’un intérêt spontané. Elle peut aussi résulter d’un contrôle actif de l’apprentissage. L’apprenant repère ce qu’il ignore, formule une hypothèse, cherche une information pertinente et vérifie si cette information réduit effectivement son incertitude. Un cadre commun pour comprendre l’apprentissage autonome Les auteurs rapprochent des travaux comportementaux, computationnels et psychoéducatifs. Leur objectif est de proposer un cadre unifié dans lequel la curiosité fournit l’énergie de l’exploration, tandis que la métacognition en organise la direction et le contrôle. Ce cadre permet de distinguer plusieurs opérations. L’apprenant doit d’abord repérer un écart entre ce qu’il sait et ce qu’il souhaite comprendre. Il doit ensuite estimer si cet écart est accessible, sélectionner une action de recherche et juger la qualité de la réponse obtenue. L’apprentissage autonome dépend ainsi moins d’une accumulation d’informations que de la capacité à piloter une enquête. Ce que montrent les interventions éducatives La revue examine des interventions conçues pour favoriser la curiosité en classe. Les résultats sont prometteurs, mais ils restent hétérogènes. Une même activité ne produit pas nécessairement les mêmes effets pour tous les apprenants. Les élèves rencontrant des difficultés peuvent avoir besoin d’un étayage plus explicite pour identifier leurs lacunes, formuler une question productive ou évaluer une source. Cette observation invite à ne pas transformer la curiosité en injonction abstraite. Demander à un élève d’explorer librement ne garantit ni la compréhension ni la progression. L’autonomie se construit avec des stratégies enseignées, des retours précis et des environnements adaptés aux profils des apprenants. L’IA générative comme partenaire ou comme raccourci Les grands modèles de langage donnent accès à une aide personnalisable et immédiatement disponible. Ils peuvent reformuler une notion, proposer des pistes, répondre à une question ou accompagner une exploration. Cette capacité ouvre des possibilités importantes pour soutenir l’enquête individuelle à grande échelle. Le mode d’interaction par défaut présente toutefois un risque. Lorsqu’un système fournit directement une réponse fluide et complète, il peut supprimer les étapes pendant lesquelles l’apprenant identifie son incertitude, produit une hypothèse et évalue les informations. L’outil devient alors un raccourci cognitif plutôt qu’un soutien au développement épistémique. L’enjeu pédagogique consiste donc à organiser l’interaction. Une IA éducative peut demander à l’apprenant d’expliciter ce qu’il sait déjà, de formuler une première tentative, de comparer plusieurs explications, de demander des sources et de justifier ce qu’il retient. Elle soutient alors la curiosité sans se substituer au raisonnement. Des principes concrets pour concevoir les usages Le cadre conduit à privilégier des séquences dans lesquelles l’apprenant reste acteur. Il commence par identifier une lacune de connaissance. Il formule ensuite une hypothèse ou une première réponse. Il utilise l’IA pour chercher, questionner ou comparer, puis évalue la qualité de l’information et mesure son propre progrès. Ces étapes rendent le processus d’apprentissage observable. Elles permettent aussi à l’enseignant de distinguer une réponse obtenue rapidement d’une compréhension réellement construite. L’objectif n’est pas d’interdire l’assistance, mais de préserver les opérations cognitives et métacognitives qui donnent à cette assistance une valeur pédagogique. Une proposition à poursuivre et à évaluer L’article propose une synthèse théorique et un cadre de travail. Il ne prétend pas que toutes les interventions favorisant la curiosité produisent automatiquement de meilleurs apprentissages. Les résultats variables recensés appellent au contraire des études adaptées aux publics, aux contextes et aux modalités d’interaction avec l’IA. Cette prudence constitue l’un des apports importants du texte. Une technologie éducative ne devient pertinente ni par sa seule disponibilité ni par la fluidité de ses réponses. Sa valeur dépend de la manière dont elle aide l’apprenant à reconnaître ses incertitudes, à poursuivre une question et à vérifier ce qu’il comprend. Référence Chloé Desvaux, Rania Abdelghani, Pierre-Yves Oudeyer et Hélène Sauzéon. « Curiosity and Metacognition: Towards a Unified Framework for Learning and Education in the Age of AI ». arXiv:2604.25648, 2026. https://arxiv.org/abs/2604.25648 Cette publication est présentée sur PLI avec Hélène Sauzéon comme autrice principale. La publication scientifique originale est une œuvre collective des quatre coauteurs cités ci-dessus.