Analyse Temporelle des Dynamiques Cognitives dans les Conversations Humain-IA
Un framework intégrant l'analyse de réseaux temporels, la théorie de la charge cognitive et la recherche métacognitive pour modéliser comment les humains apprennent et s'adaptent lors d'interactions avec l'IA.
Un framework pour comprendre comment on apprend avec l'IA
Ce travail introduit un framework méthodologique et computationnel qui intègre l'analyse de réseaux temporels, la théorie de la charge cognitive et la recherche métacognitive pour modéliser comment les humains apprennent et s'adaptent lors de conversations médiées par l'IA. L'approche propose une architecture unifiée capable d'estimer la charge cognitive et la conscience métacognitive directement à partir des transcriptions de conversations, sans capteurs spécialisés ni mesures intrusives. Le framework ouvre de nouvelles perspectives pour la conception de chatbots éducatifs adaptatifs et d'outils analytiques pour étudier l'apprentissage dans les interactions humain-IA.
Quatre lacunes scientifiques majeures
Malgré l'omniprésence des systèmes IA conversationnels, notre compréhension des dynamiques cognitives et métacognitives qui s'y déroulent reste limitée. Quatre lacunes structurelles motivent ce projet.
Lacune méthodologique
Aucun framework intégré n'applique actuellement l'analyse de réseaux temporels aux processus cognitifs et métacognitifs en conversation.
Défi de mesure
La mesure de la charge cognitive repose principalement sur des capteurs ou auto-rapports. Les indicateurs textuels restent sous-explorés et non scalables.
Dynamiques temporelles
Les modèles théoriques et computationnels capturent rarement comment la charge cognitive et la métacognition fluctuent dynamiquement au cours d'interactions complexes.
Applications éducatives
Les approches temporelles ont été utilisées dans l'apprentissage collaboratif, mais pas pour modéliser l'apprentissage individuel via les chatbots IA.
Trois apports fondateurs
Le framework TCN établit les fondations théoriques et techniques pour la recherche future sur l'adaptation cognitive et métacognitive dans les contextes d'apprentissage humain-IA.
Représentation formelle des interactions comme réseaux temporels évolutifs
Définition d'une approche rigoureuse pour encoder les conversations IA en réseaux multi-couches temporels capturant les relations temporelles, sémantiques, syntaxiques, émotionnelles et rhétoriques.
Proxies computationnels pour la charge cognitive et la métacognition
Proposition de méthodes textuelles pour estimer la charge cognitive (CL) et la conscience métacognitive (MC) directement depuis les échanges conversationnels, sans équipement spécialisé.
Plateforme fonctionnelle avec visualisation analytique en temps réel
Implémentation d'une plateforme publique supportant la visualisation interactive des trajectoires cognitives, matrices de transition, timelines d'états et diagrammes de réseau conversationnel.
Six phases de traitement séquentiel
Le système Temporal Cognitive Networks transforme des données conversationnelles brutes en analyses cognitives interprétables à travers un pipeline en six étapes.
Ingestion des données
Chargement de fichiers JSON structurés représentant des conversations humain-IA — séquences de messages avec horodatages, rôles locuteurs et contenu. Prétraitement et organisation pour les étapes suivantes.
Extraction de caractéristiques
Calcul de quatre indicateurs cognitifs par message : Charge Cognitive (CL), Conscience Métacognitive (MC), Influence du type de nœud (NT) et Centralité (C). Normalisation en vecteur 4D représentant le profil cognitif de chaque message.
Modélisation en réseau temporel multi-couche
Intégration des messages dans un réseau multi-couche capturant les relations temporelles, sémantiques, syntaxiques, émotionnelles et autres. Calcul des métriques de centralité révélant les patterns relationnels du dialogue.
Modélisation par Chaîne de Markov Cachée (HMM)
La séquence de vecteurs 4D est modélisée par un HMM estimant les comportements de transition et d'émission liés aux états cognitifs latents. Paramètres estimés par MLE, EM et recherche sur grille.
Inférence d'état
Le HMM entraîné infère la séquence la plus probable d'états cognitifs latents. Chaque message est assigné à l'un des 6 états prédéfinis (Expert, Novice, Adaptatif, Surconfiant, Anxieux, Stratégique).
Visualisation interactive
Dashboard interactif intégrant courbes temporelles, visualisations de réseaux, matrices de transition et tracés de distribution. Accessible publiquement à ccruz.pythonanywhere.com.
Six états cognitifs latents
Le modèle HMM inférence six états cognitifs distincts caractérisés par des plages de paramètres spécifiques sur les quatre dimensions CL, MC, NT et C.
Expert
Haute MC, CL maîtrisée, forte centralité. Raisonnement fluide et application experte des connaissances.
Novice
CL élevée, MC faible, faible centralité. Phase d'apprentissage avec effort cognitif important.
Adaptatif
Profil équilibré avec ajustements dynamiques. Transition entre stratégies selon le contexte conversationnel.
Surconfiant
MC sous-estimée, faible CL perçue. Risque de biais de confirmation et de validation insuffisante.
Anxieux
CL très élevée, MC instable. Surcharge cognitive inhibant le traitement efficace de l'information.
Stratégique
Haute MC, CL optimisée, NT cyclique. Planification délibérée et régulation métacognitive proactive.
Quatre dimensions mesurées en temps réel
Chaque message est analysé selon quatre métriques complémentaires, normalisées et combinées en un vecteur de profil cognitif.
Charge Cognitive
Mesure l'effort mental requis pour traiter le contenu du message dans le contexte conversationnel.
Métacognition
Conscience et régulation des propres processus cognitifs — monitoring, évaluation, ajustement.
Influence Nœud
Rôle structurel du message selon son type (question, concept, acquiescement) dans le réseau dialogique.
Centralité
Importance structurelle du message dans le réseau conversationnel — hub potentiel du dialogue.
Exemple d'analyse — Session « Expert Efficace » · Quantum Computing · 40 min · 10 échanges
La MC (vert) reste stable à 80–90%. La CL (rouge) est volatile, chutant à 30% à mi-parcours. L'influence NT (orange) forme des pics cycliques à 100% aux échanges 5 et 10. La centralité C (violet) suit une tendance déclinante avec un pic à l'échange 5. Les états HMM inférés : majoritairement Stratégique et Expert, avec une brève transition Adaptative à l'échange 7.
Un corpus de démonstration à grande échelle
Le Silver Dataset a été généré par le modèle Gemma3:12b pour synthétiser des dialogues humain-IA couvrant un large spectre de domaines et niveaux de complexité.
Conversations
Spanning 30 thématiques : histoire, cybersécurité, design de BDD, analyse métier, écriture créative, algorithmes…
Turns de dialogue
Conversations de 20 à 100 messages chacune, totalisant 227 055 échanges analysables.
Thématiques
Domaines variés pour éprouver la généralité du framework sur des contextes d'apprentissage diversifiés.
Prochaines directions de recherche
Le framework ouvre plusieurs pistes de développement visant à améliorer la précision, l'interprétabilité et les applications pratiques de la modélisation cognitive conversationnelle.
Chercheurs impliqués
Christophe Cruz
ICB · UBE Dijon
ORCID 0000-0002-5611-9479
Hussam Ghanem
ICB · UBE Dijon
Chercheur
Samir Jabbar
ICB · UBE Dijon
Chercheur
Maria Alice Bertolim
IMB UMR 5584
UBE Dijon
Hocine Cherifi
ICB · UBE Dijon
Chercheur
Publication associée
Temporal Network Analysis of Cognitive-Metacognitive Dynamics in Human-AI Conversations
Cruz C., Ghanem H., Jabbar S., Bertolim M. A., Cherifi H. · ICB UMR 6303 CNRS · ANR LAMAE ANR-24-LCV1-0008