Rétroaction mixte en didactique du FLE : Etude longitudinale de l’impact d’une collaboration entre l’intelligence artificielle et l’enseignant.e sur la production écrite.

Mixed Feedback in FLE Didactics: A Longitudinal Study on the Impact of Collaboration Between Artificial Intelligence and Teachers on Written Production.

• Axe : CA2LI (Corpus, Acquisition, Apprentissage, Langues en Interaction)
• Directrice de thèse: Christine Blanchard
• 1^ère année d’inscription : Octobre 2025
• Spécialité : Sciences du langage / Didactique du Français Langue Étrangère

Ce projet doctoral vise à évaluer l'impact à long terme (longitudinal) d'un dispositif de rétroaction mixte combinant l'expertise de l'enseignant.e et les capacités d'une Intelligence Artificielle (IA) générative (Martinez, 2025) sur le développement des compétences en production écrite des apprenant.e.s de Français Langue Étrangère (FLE) de niveau A2-B1 (CECRL, 2001). La recherche, appuyée sur des travaux préliminaires (BENSALEM, 2025), s'inscrit dans un contexte didactique où de nombreuses études récentes (El Bahlouli, 2024 ; Kohnke et al., 2023 ; Carlson et al., 2023 ; Wang et al., 2024 ; Bechiri, 2024 ; El Karfa, 2024 ; Bara & Khadraoui, 2024 ; Holmes & Hamel, 2025) ont prouvé l'efficacité de l'IA à court terme pour la correction tant microstructurale (Dijk, 1980) que macrostructurale (Dijk & Kintsch, 1983).

Toutefois, les effets durables de cette collaboration humain-machine sur l'acquisition linguistique et le transfert des apprentissages restent peu documentés, malgré la nécessité reconnue d'une rétroaction détaillée et immédiate (Ellis, 2008). Grâce à un protocole quasi-expérimental de 9 mois, articulant des analyses quantitatives (évolution des erreurs, complexité du texte) et qualitatives (journaux de bord, entretiens semi-directifs), cette étude mesurera l'amélioration durable des productions écrites des apprenant.e.s.

Elle examinera également la perception et l'acceptabilité de ce dispositif par les participant.e.s, afin de formuler des propositions didactiques concrètes pour une intégration réfléchie et éthique de l'IA dans l'enseignement-apprentissage des langues.

English below

This doctoral project aims to assess the long-term (longitudinal) impact of a mixed feedback system combining the expertise of the teacher and the capabilities of a generative Artificial Intelligence (AI) model (Martinez, 2025) on the development of written production skills among learners of French as a Foreign Language (FFL) at levels A2–B1 (CEFR, 2001). The research, grounded in preliminary studies (Bensalem, 2025), takes place within a didactic framework where numerous recent studies (El Bahlouli, 2024; Kohnke et al., 2023; Carlson et al., 2023; Wang et al., 2024; Bechiri, 2024; El Karfa, 2024; Bara & Khadraoui, 2024; Holmes & Hamel, 2025) have demonstrated the short-term effectiveness of AI for both microstructural (Dijk, 1980) and macrostructural (Dijk & Kintsch, 1983) text correction.

However, the long-lasting effects of this human–machine collaboration on language acquisition and knowledge transfer remain underexplored, despite the recognized need for detailed and immediate feedback (Ellis, 2008). Through a nine-month quasi-experimental protocol combining quantitative analyses (error evolution, text complexity) and qualitative methods (learning journals, semi-structured interviews), this study will measure the sustained improvement of learners’ written productions.

It will also examine participants’ perceptions and acceptance of this system in order to propose concrete pedagogical recommendations for the thoughtful and ethical integration of AI into language teaching and learning.

Mots-clefs : Rétroaction, Rétroaction mixte, Didactique, FLE, Production écrite, Intelligence Artificielle, Étude longitudinale, A2-B1

Key words : Feedback, Mixed feedback, Didactics, FLE, Written production, Artificial Intelligence, Longitudinal study, A2-B1

A. van Dijk, T., & Kintsch, W. (1983). Strategies of Discourse Comprehension.

Bara, A. & Khadraoui, E. (2024). Analyse des pratiques d’évaluation en FLE : Enseignant et IA face aux productions écrites. Akofena 14, Vol.4

Bechiri, C. (2024). Intégration de l’intelligence artificielle dans la classe de FLE : approches et pratiques pour l’amélioration de l’écrit à l’université de Skikda. Revue des Arts,Linguistique, Littérature & Civilisations, 3, 139-148.

BENSALEM, I. I. (2025). ChatGPT et mistral ai : Vers un feedback personnalise pour les difficultés en production écrite au niveau A2. Akofena 16, Vol.4

Carlson, M., Pack, A., & Escalante, J. (2023). Utilizing OpenAI ’s GPT‐4 for written feedback. TESOL Journal, 15(2), e759.

Conseil de l'Europe (2001). Cadre européen commun de référence pour les langues – Apprendre, enseigner, évaluer.

Dijk, T. A. van. (1980). Macrostructures : An interdisciplinary study of global structures in discourse, interaction, and cognition. L. Erlbaum Associates.

El Bahlouli, Y. (2024). L’impact pédagogique des agents conversationnels en éducation : Revue de littérature scientifique. Le français aujourd’hui, 3, 27‑38.

El Karfa, I. (2024). ChatGPT : Un outil pour améliorer les compétences rédactionnelles et argumentatives des élèves. Le français aujourd’hui, 3, 51‑68.

Ellis, R. (2008). A typology of written corrective feedback types. ELT Journal, 63(2), 97‑107.

Germain, C., Netten, J., & Séguin, S. (2004). L’Évaluation de la production écrite en français intensif : Critères et résultats. The Canadian Modern Language Review, 60(3), 333‑353.

Holmes, T., & Hamel, M.-J. (2025). Analyse des interactions d’apprenants de FLS avec ChatGPT pour la rétroaction corrective écrite. Alsic, 1(28). https://doi.org/10.4000/13f6h

Kohnke, L., Moorhouse, B. L., & Zou, D. (2023). ChatGPT for Language Teaching and Learning. RELC Journal, 54(2), 537‑550.

Martinez, P. (2025). L’IA au cœur de la remise en question des méthodologies actuelles d’enseignement-apprentissage des langues et des cultures – Vers une didactique réticulaire. Alsic, 1(28).

Pouzergues, P. (2025). L’intelligence artificielle générative en classe de FLE : retour sur un atelier et ses effets en formation continue d’enseignants en République tchèque. Didactique du FLES.

Wang, L., Chen, X., Wang, C., Xu, L., Shadiev, R., & Li, Y. (2024). ChatGPT’s capabilities in providing feedback on undergraduate students’ argumentation : A case study. Thinking Skills and Creativity, 51, 101440.

(2020-2021) Licence en lettres françaises, université Constantine 1, Algérie.
(2022-2023) Licence Sciences du langage options FLE, Université Clermont-Auvergne, France
. Mention bien.
(2024-2025) Master, Sciences du langage parcours linguistique, didactique des langues et des cultures, Français Langue Etrangère et seconde. Mention très bien.
(2025-2026) Première année doctorale, Sciences du langage.