NouveauToo French Profs, le LMS/LXP des profs de FLE, est ouvert. Gratuit jusqu'à 3 apprenants.Créer mon espace →
Feedback écrit et IA : ce que dit la recherche
Expertise Sectorielle

Feedback écrit et IA : ce que dit la recherche

En bref

  • Le feedback correctif écrit améliore la précision : une méta-analyse de 35 études conclut à un effet modéré.
  • Le feedback généré par IA, lui, produit un effet global modeste et agit surtout sur les émotions.
  • Toutes ces études portent sur l’anglais, pas sur le français.

Ce qu’on savait avant l’IA : corriger sert, modérément

La question n’est pas neuve. En 1996, dans Language Learning, John Truscott soutenait que la correction grammaticale des productions écrites était inefficace, voire nuisible ; Dana Ferris lui a répondu, et le débat a duré quinze ans. Rod Ellis a proposé en 2009, dans l’ELT Journal, la typologie qui sert encore de langage commun : un feedback correctif écrit est direct (vous donnez la forme correcte) ou indirect (vous signalez seulement l’erreur), focalisé (une ou deux catégories d’erreurs) ou non focalisé (tout).

Le bilan le plus utile pour un prof vient de la méta-analyse de Lim et Renandya, publiée en 2020 dans TESL-EJ : sur 35 études, un effet modéré du feedback correctif écrit sur la précision grammaticale. Deux résultats à retenir. Le feedback direct obtient un effet supérieur à l’indirect, mais la différence n’est pas statistiquement significative : le choix entre les deux compte moins que les débats ne le laissaient croire. Et le modérateur le plus puissant n’est ni la méthode ni la durée, mais le niveau des apprenants.

Une synthèse publiée en 2024 dans le LEARN Journal recense cinq méta-analyses sur le sujet : une seule, celle de Truscott en 2007, conclut à un effet négatif. L’état de la recherche est donc clair — corriger par écrit sert, à condition de cibler, et le même dispositif ne produit pas le même effet sur un A2 et sur un B2.

La méta-analyse du feedback par IA : un effet modeste, surtout émotionnel

En 2026, System a publié la première méta-analyse à trois niveaux consacrée au feedback assisté par IA en écriture en langue seconde : Chenying Liu et Maocheng Liang y agrègent 19 études parues entre 2016 et 2025, soit 66 tailles d’effet et 11 875 participants.

Le résultat global est un d de Cohen de 0,271, intervalle de confiance à 95 % [0,185 ; 0,358], p < 0,001 : un effet réel, mais petit. Le détail est plus instructif que ce chiffre. L’effet le plus fort porte sur les émotions des apprenants (d = 0,628), alors que les gains cognitifs sont qualifiés de limités par les auteurs. Et le seul modérateur statistiquement significatif est le protocole de recherche lui-même — ni le type de système d’IA, ni le contenu du feedback.

La conclusion des auteurs est explicite : le feedback par IA se place au mieux comme un outil complémentaire de l’enseignement de l’écrit — pas comme un substitut à la correction du prof.

Le moment du feedback compte moins qu’on l’imagine

Un argument revient dans toutes les démonstrations d’outils : l’IA corrige instantanément. Une expérience publiée en 2026 dans Frontiers in Education l’a testée. Alireza M. Kamelabad et ses collègues ont fait travailler 66 apprenants d’anglais avec un agent conversationnel, la moitié recevant la correction pendant la conversation, l’autre après.

Résultat : aucune différence significative sur les gains d’apprentissage entre les deux groupes. En revanche, le feedback immédiat améliore l’expérience vécue et la perception de l’outil. L’instantanéité est un argument de motivation — ce qui n’est pas rien, au vu de l’effet émotionnel mesuré ailleurs — mais pas un argument d’apprentissage.

Les trois précautions que la recherche impose

Un commentaire publié en 2026 dans Feedback Research in Second Language par Konstantinos M. Pitychoutis et Filomachi Spathopoulou formule l’avertissement le plus net : les affirmations selon lesquelles le feedback d’un grand modèle de langue améliore la précision doivent être traitées avec prudence. L’argument est méthodologique — les gains observés en complexité et en fluidité peuvent venir de la réécriture assistée plutôt que d’un progrès réel. De là, trois précautions.

Mesurer sur une production non assistée. Pour savoir si vos apprenants progressent, faites écrire en classe, sans outil, à intervalles réguliers. Le reste mesure la qualité de l’outil.

Cibler. C’est là que l’ancienne et la nouvelle recherche convergent : deux catégories d’erreurs choisies produisent plus qu’une liste exhaustive. Les auteurs recommandent des consignes précises, des explications métalinguistiques et une reformulation faite par l’apprenant lui-même.

Garder la décision. L’IA repère et propose ; vous décidez ce qui est une erreur, ce qui est une maladresse acceptable à ce niveau, et ce que l’apprenant verra. C’est la variable que les études ne mesurent presque jamais.

Ce que ces études ne disent pas

Un point d’honnêteté, qui limite tout ce qui précède : ces travaux portent sur l’anglais langue seconde, pas sur le français. Rien ne garantit que les effets se transposent au FLE, où la morphologie verbale, les accords et les déterminants ne posent pas les mêmes problèmes.

Seconde limite : la méta-analyse de System relève une hétérogénéité élevée, attribuée par ses auteurs à des variables non mesurées. Que le seul modérateur significatif soit le protocole de recherche doit rendre modeste quiconque cite un chiffre isolé — y compris le 0,271.

Tableau de synthèse

Étude Ce qu’elle mesure Résultat principal Ce qu’on en retient
Lim & Renandya, TESL-EJ, 2020 (35 études) Le feedback correctif écrit classique Effet modéré sur la précision ; direct ≈ indirect ; le niveau, modérateur le plus fort Corriger sert ; le niveau compte plus que la méthode
Liu & Liang, System, 2026 (19 études, 11 875 participants) Le feedback assisté par IA d = 0,271 [0,185 ; 0,358] ; émotions d = 0,628 ; gains cognitifs limités Outil complémentaire, surtout sur l’engagement
Kamelabad et al., 2026 (66 apprenants) Correction immédiate ou différée Pas de différence sur les gains ; meilleure expérience en immédiat L’instantanéité motive, elle n’enseigne pas
Pitychoutis & Spathopoulou, 2026 (commentaire) La validité des mesures Prudence sur les gains de précision attribués aux modèles de langue Mesurer sans outil

Ce que ça change pour vous

La première : continuez à corriger, mais arrêtez de tout corriger. L’effet modéré du feedback correctif écrit a été mesuré sur des dispositifs ciblés, pas sur des copies rouges de bord à bord. Deux catégories par devoir, annoncées à l’avance, tenues plusieurs semaines.

La deuxième : faites réécrire. La reformulation par l’apprenant est la seule étape qui transforme une correction en apprentissage — et celle que l’automatisation fait disparaître le plus vite.

La troisième : gardez une production écrite sans outil, une fois par mois, en classe. C’est votre seul instrument de mesure fiable, dans les deux sens : il montrera les progrès, et il montrera aussi si l’outil travaille à leur place.

Avec Too French Profs. La pré-correction repère les erreurs d’une production écrite et les classe par catégorie ; vous gardez, vous modifiez ou vous écartez chacune, puis vous confirmez la note. Vous choisissez aussi ce que l’apprenant voit : la liste complète, ou les deux catégories que vous avez décidé de cibler cette semaine. C’est cette dernière étape qui correspond à ce que la recherche mesure — un feedback ciblé, validé par le prof, sur un texte que l’apprenant a écrit lui-même.

File de correction dans Too French Profs, avec les erreurs repérées et classées en attente de validation par le prof
La file de correction, expliquée pas à pas dans le guide de l’Académie.

Voir le guide : Corriger en FLE avec l’IA →

Pour aller plus loin

Questions fréquentes

L’IA peut-elle corriger seule une production écrite ?

La recherche ne le soutient pas : la méta-analyse de System conclut à un outil complémentaire, avec des gains cognitifs limités. Une production écrite se juge aussi sur la pertinence, la cohérence et l’adéquation à la consigne — des décisions, pas des détections.

Faut-il montrer à l’apprenant le feedback brut de l’IA ?

Rien ne l’encourage : ce qui a été mesuré, ce sont des dispositifs ciblés, et le feedback exhaustif n’a jamais démontré de supériorité. Filtrez avant de transmettre, gardez la liste complète pour vous.

Ces résultats valent-ils pour le français ?

Nous n’en savons rien avec certitude : les études disponibles portent sur l’anglais langue seconde. Le ciblage et l’effet du niveau sont assez robustes pour être transposés avec prudence ; les tailles d’effet, non.

Sources

Mettez ces idées en pratique avec vos apprenants

Réunissez vos apprenants, donnez-leur du travail et corrigez plus vite, avec l'IA en assistante. Vous gardez la décision.

Commencer gratuitement

Gratuit jusqu'à 3 apprenants · Votre espace prêt en 2 minutes