Cette thèse explore l’enrichissement des Environnements Informatiques pour l’Apprentissage Humain (EIAH), en particulier des Systèmes de Tuteur Intelligent (STI), par l’intégration de dispositifs favorisant l’auto-régulation, compétence clé de la réussite scolaire. S’appuyant sur le modèle socio-cognitif de Zimmerman, elle étudie deux dimensions centrales : l’auto-évaluation et le sentiment d’efficacité personnelle. Le terrain d’étude est un tuteur intelligent dédié à l’apprentissage de la lecture, utilisé à grande échelle dans des classes de primaire.
Une surcouche expérimentale a été conçue et testée auprès de milliers d’élèves, combinant enquêtes enseignants, traces d’interaction et méthodes d’apprentissage automatique. Les résultats montrent que les jeunes apprenants éprouvent souvent des difficultés à s’auto-évaluer et que leur confiance en leurs capacités reste fragile. Néanmoins, l’introduction d’invites métacognitives, de rétroactions adaptées et d’interfaces enrichies permet de prévenir ou corriger ces difficultés, tout en améliorant la persistance et la motivation.
La thèse propose un cadre méthodologique pour intégrer dans un EIAH des modules de soutien à l’auto-évaluation et au sentiment d’efficacité personnelle, en montrant leur efficacité et leur faisabilité à grande échelle. Elle ouvre également des perspectives vers l’usage de l’intelligence artificielle pour fournir des aides contextualisées, le développement de tableaux de bord partagés enseignants-élèves et l’extension des expérimentations à d’autres niveaux et contextes éducatifs.