Signaux silencieux d'apprentissage : IA, EEG et états cognitifs dans l'éducation numérique

Quiet Signals of Learning: AI, EEG, and Cognitive States in Digital Education

• Auteur / Autrice : Mohamed Amir Omezzine
• Direction : Elodie Gardet
• Type : Projet de thèse
• Discipline(s) : Sciences de Gestion
• Date : Inscription en doctorat le 01/01/2026
• Etablissement(s) : Chambéry
• Ecole(s) doctorale(s) : Cultures Sociétés Territoires
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Gestion et Économie

Mots clés

Mots clés libres

Apprentissage adaptatif

Eeg

Charge cognitive

IA en éducation

Adaptive learning

Cognitive load

Eeg

AI in Education

Human capital

Résumé

Les travaux réalisés s'inscrivent dans un programme doctoral centré sur l'articulation entre intelligence artificielle, mesures neurophysiologiques et conception de systèmes d'apprentissage numériques. Un premier résultat majeur est la publication d'un article de revue systématique dans Sensors portant sur les applications de l'IA à l'analyse de données biométriques issues de wearables en contexte éducatif. Cette revue, conduite selon une procédure PRISMA, a permis d'identifier et de structurer un corpus de 43 études, de caractériser les signaux mobilisés (par exemple, PPG/ECG, EDA, mouvement, EEG), les chaînes de traitement et les méthodes d'apprentissage utilisées, ainsi que les finalités éducatives visées. Elle met en évidence une forte hétérogénéité méthodologique et, surtout, un déficit de travaux qui ferment la boucle entre détection d'états et adaptation pédagogique en temps réel. En parallèle, un second axe de travail a abouti à la formalisation d'une étude expérimentale examinant l'effet de la personnalisation par IA de la complexité des tâches sur la charge cognitive, l'expérience de flow et la performance d'apprentissage, en combinant auto-questionnaires, traces comportementales et EEG portable. Le protocole expérimental, le modèle théorique (Flow Theory et Cognitive Load Theory), les hypothèses, ainsi que la stratégie d'analyse ont été stabilisés et ont donné lieu à une publication au format work-in-progress dans les actes d'AMCIS 2025. Cette étape a également permis de consolider l'architecture instrumentale de l'étude, notamment la logique d'adaptation (modèle de type knowledge tracing), la collecte des logs d'interaction et le principe de synchronisation entre événements de la plateforme et flux EEG. Enfin, les travaux réalisés comprennent la structuration du troisième article au stade conceptuel, avec une définition initiale de l'objet de conception, à savoir des déclencheurs fondés sur l'EEG pour soutenir des états d'apprentissage productifs. Cette base clarifie les choix de conception envisagés (logiques de déclenchement, types de micro-interventions, critères d'évaluation) et prépare la traduction des mesures neurophysiologiques en mécanismes actionnables dans un système d'apprentissage piloté par IA.

The work completed to date is organized around a doctoral program that links artificial intelligence, neurophysiological measurement, and the design of digital learning systems. A first major output is a systematic review published in *Sensors* on AI applications for analyzing biometric data from wearables in educational settings. Following a PRISMA-based procedure, the review identified and structured a corpus of 43 empirical studies, documented the signals most frequently used (e.g., PPG/ECG, EDA, movement, EEG), described the dominant processing pipelines and machine-learning approaches, and clarified the educational purposes pursued. A central contribution of this review is the identification of substantial methodological heterogeneity and, more importantly, the limited prevalence of closed-loop systems that translate state detection into real-time pedagogical adaptation. In parallel, a second stream of work has led to the specification of an experimental study examining how AI-driven personalization of task complexity shapes cognitive load, flow experience, and learning performance, combining self-reports, behavioral logs, and portable EEG. The theoretical framing (Flow Theory and Cognitive Load Theory), the research model and hypotheses, the experimental protocol, and the planned analytical strategy have been stabilized and were communicated through a work-in-progress publication in the AMCIS 2025 proceedings. This stage also consolidated the study's technical architecture, including the adaptation logic (e.g., knowledge-tracing-based difficulty updates), systematic interaction logging, and the principle of synchronizing platform events with EEG streams. Finally, the work includes the conceptual development of the third article, which focuses on EEG-based triggers for productive learning states in AI-supported education. This foundation clarifies the intended artifact and design choices (trigger logics, classes of micro-interventions, evaluation baselines), and prepares the translation of neurophysiological signals into actionable control mechanisms within AI-mediated learning workflows.