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 se concentre sur deux dimensions : 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 de primaire, combinant enquêtes enseignants, collecte de traces d’interaction et méthodes d’apprentissage automatique. Les résultats montrent que les jeunes apprenants rencontrent fréquemment des difficultés à s’auto-évaluer et que leur confiance en leurs capacités reste fragile. Toutefois, l’introduction d’invites métacognitives, de feedbacks adaptés et d’interfaces enrichies permet de prévenir ou de corriger ces déficits, tout en améliorant la persistance et la motivation.

La thèse propose ainsi 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 des perspectives vers l’utilisation de l’intelligence artificielle pour fournir des aides contextualisées, le développement de tableaux de bord partagés entre enseignants et élèves, et l’extension des expérimentations à d’autres niveaux et contextes éducatifs.