CocoNote is a four-year inquiry into that question. It is a collaborative learning platform where AI support is embedded within students' shared knowledge work, alongside peer collaboration and teacher orchestration, rather than being limited to one-to-one tutoring.
Most AI in education is designed for one student talking to one model. But most learning is fundamentally social. CocoNote asks what changes when AI is embedded in group work.
This presentation introduces CocoNote as a research-grounded inquiry into what role AI should play when students learn together. It draws on a four-year programme of design-based research and three connected peer-reviewed studies in Greater Bay Area K-12 classrooms (CSCL 2024, CSCL 2025 Outstanding Short Paper, CSCL 2026).
Rather than positioning AI as a tutor for individual students, CocoNote treats AI as an embedded support layer within the group's shared knowledge work — alongside peers and teachers. The session combines a conceptual framing, system walkthrough, evidence from real classrooms, and an open discussion about the tensions this design space surfaces.
Situating CocoNote within a broader AI learning landscape. Current AI learning systems can take different roles; CocoNote is primarily positioned in the latter two: collaborative support and orchestration infrastructure.
CocoNote does not argue that one mode of AI is "better" than another. AI tool use, AI tutoring, AI assistance, and AI partnership are four complementary modes that can coexist within a single classroom. CocoNote's research focus is the under-explored fourth mode: AI as a partner in students' collaborative knowledge work.
AI supports isolated tasks: drafting, translating, summarizing. Useful for routine content work.
AI personalizes one-to-one instruction, practice, and feedback. The dominant current paradigm.
AI helps with classroom-level feedback, formative assessment, and teacher scaffolding.
AI participates in students' shared knowledge work, alongside peers and teachers, in collaborative spaces.
The presentation argues that Mode D is currently under-designed, under-researched, and under-deployed — not that it should replace Modes A–C. CocoNote is one ongoing attempt to design and study what Mode D looks like in real K-12 classrooms.
The four modes above show why AI tutoring is only one part of the design landscape. Most AI in education still centers on one learner interacting with one model. CocoNote explores a different question: what happens when AI support is embedded inside collaborative learning processes?
AI tutoring is a valuable development. It can support individual practice, explanation, and feedback. But it does not exhaust the design space for AI in education. Three tensions emerge as soon as we imagine AI inside a group's shared work — and these tensions are worth thinking through together, with the global community gathered at UNESCO DLW 2026.
Inspired by critiques of frictionless automation
If AI optimizes every step of group work, students lose the cognitive struggle that produces understanding. The design question is not how to remove friction, but which frictions to preserve as productive — disagreement, waiting, revising, negotiating.
Inspired by human-centred educational ethics
Personalization typically requires modelling the learner. But each student is more than what their data shows. The design question is how to use AI to support learning while refusing to totalize students into computable profiles.
Grounded in distributed cognition
When AI takes over too much, students risk an algorithm-dependent habitus — a learned passivity. The design question is how to keep epistemic agency with the learner while still benefiting from AI's capabilities.
CocoNote does not claim a final answer to these tensions. It offers a four-year research-grounded inquiry — a working hypothesis that AI can be designed as an embedded support layer for collaborative learning, not only as a tutor — and an invitation to the UNESCO community to think these questions through together.
CocoNote's design is grounded in learning sciences, not generic AI capability. Five traditions converge on the question of how AI can support students' collaborative work without undermining what makes that work valuable.
Following Papert, students make thinking visible through external artifacts they design and refine. AI is evaluated by whether it supports artifact creation, not just answer delivery.
Following Jonassen and Salomon, intelligent tools should engage learners with thinking, not replace it. AI is a partner that augments cognition, not a black-box answer machine.
Following Perkins, knowledge is not information to be received but a designed artifact to be built. Students engage with purpose, structure, model cases, and arguments.
Following Hadwin, Järvelä, & Miller (2017) and the Trigger Regulation Framework (Järvelä & Hadwin, 2024), groups co-regulate planning, monitoring, evaluation, and emotion.
Following Scardamalia & Bereiter, students hold collective cognitive responsibility for advancing community ideas. AI supports this work but does not own it.
These five traditions — spanning forty years of learning sciences — anchor CocoNote's design and provide the conceptual vocabulary for asking how AI can participate in collaborative knowledge work.
CocoNote combines an infinite hypermedia canvas, real-time group chat, AI-mediated scaffolding, and learning analytics. The design goal is not to place AI beside collaboration, but to embed it inside collective knowledge work.
CocoNote is not a one-off study. It is a sustained programme of design-based research that began in 2023, made its first peer-reviewed appearance in 2024, and has developed through three connected generations from 2024 to 2026. Each generation solved a problem the previous one left open.
The team begins design-based research on collaborative learning environments for K-12. CocoNote 0.x is piloted in classrooms across the Greater Bay Area. AI agents are not yet integrated; the focus is on collaborative knowledge construction itself.
The 2024 CSCL paper formalises CocoNote 1.0 as a PBL platform anchored in Activity Theory, Constructionism, and Knowledge as Design. A case study with 132 Hong Kong students designing for the elderly community shows the platform works without AI agents.
Three reactive agents (Planning / Monitoring / Reflection) and one proactive agent (Lightbulb) are added to support SSRL. A quasi-experimental study with 78 sixth-graders in a Shenzhen primary school shows significant SSRL gains. But students must choose which agent to invoke — cognitive load remains.
A Boss Agent (LangGraph) routes student intent to four specialists (Planning / Monitoring / Reflection / Knowledge); the Lightbulb proactive mechanism from CocoNote 2.0 continues as a parallel support system. A quasi-experimental study with 90 fifth-graders in a Shenzhen primary school shows large effects on artifact quality (r = .77) versus generic GPT on the same platform.
This section presents the first-generation CocoNote study before the later agent-aided and multi-agent versions. It establishes the pedagogical baseline: collaborative knowledge building through a shared hypermedia workspace before AI agents were introduced.
Before any AI agents were added to CocoNote, the platform's pedagogical foundation was tested in a real Hong Kong middle school. This case study — the basis of CocoNote's first peer-reviewed paper (CSCL 2024) — shows what the platform looks like when students use it for authentic, community-grounded design work. It grounds the abstract architecture above in the texture of real classroom practice.
A semester-long project-based learning module at a Hong Kong junior secondary school. The driving question was authentic and community-rooted: how can young students help elderly people in their own neighbourhood live better lives?
Three representative prototype concepts that students produced — none generated by AI; all designed by students for real elderly users they had interviewed in their community.
Detects gait instability and emits an alert; addressed elderly users' fall risk identified through interviews.
Conversation prompts and emotional check-ins; addressed loneliness identified in interview data.
Daily medication reminders + simple visual schedule; addressed memory concerns reported in family interviews.
These prototype concepts are reproduced as schematic representations based on student work described in the 2024 paper. They illustrate that CocoNote's pedagogical foundation produces tangible, community-grounded design output — even before AI agents were introduced. The 2025 and 2026 generations of agent-aided CocoNote build on this foundation, not in place of it.
After CocoNote 1.0 established a shared hypermedia workspace for project-based collaborative learning, CocoNote 2.0 introduced AI agents to support socially shared regulation. This generation explored whether AI could scaffold planning, monitoring, reflection, and socio-emotional regulation without replacing peer discussion or teacher orchestration.
This study examined how agent-aided support could strengthen collaborative learning processes among sixth-grade students. It introduced three reactive agents for planning, monitoring, and reflection, together with a proactive Lightbulb agent that monitored collaboration signals and nudged groups when participation or regulation appeared to stall.
CocoNote 2.0 marked the first transition from a pedagogy-first collaborative platform toward an AI-supported regulation environment. Rather than giving answers directly, agents were designed to help groups plan tasks, monitor progress, reflect on collaboration, and sustain participation.
The MIRACLE system (CSCL 2026) reduces the burden of agent selection by routing student requests to specialized agents via a hierarchical Boss Agent, built on the LangGraph framework and powered by GPT-5-Nano. This distinguishes embedded collaborative support from a generic assistant attached to a classroom activity.
Lightbulb is the system's productive friction design choice. It does not answer; it nudges. It does not interrupt; it flashes. It does not regulate for the group; it gives the group a moment to regulate itself.
Most AI tutors aim to minimize friction—the faster the answer, the better. CocoNote inverts this for collaborative work: when groups are stuck, the Lightbulb does not unblock them; it makes them notice that they are stuck. The group then chooses whether and how to act.
What the prompt does: Names the silence without judgment. Offers a metacognitive move (summarize). Returns control to the group. Does not generate the summary itself.
The proposal is grounded in three peer-reviewed studies conducted across three years. The 2024 study established the pedagogical foundation; the 2025 study tested first-generation AI agent support; the 2026 study tested orchestrated multi-agent regulation under matched conditions. The evidence is research-stage classroom evidence, not a large-scale implementation claim.
In a sixth-grade STEM robotics context, students using agent-aided CocoNote demonstrated stronger SSRL processes, more balanced interaction networks, and improved reflective collaboration. This is the first peer-reviewed evidence that the agent-aided design works.
A quasi-experimental study with 90 fifth-grade students in a Shenzhen primary school found that MIRACLE groups improved significantly in Planning, Monitoring, and Reflection, and produced higher-quality collaborative artifacts than groups using a general GPT assistant.
CocoNote 2.0 introduced a Planning Agent to help groups clarify goals, distribute tasks, and organize collaborative inquiry. MIRACLE extended this by using a Boss Agent to route student requests to the right specialist support.
Interpretation: AI support is useful when it helps groups organize their own work, not when it does the work for them.
CocoNote 2.0 used monitoring and Lightbulb support to make stalled collaboration, uneven participation, and weak group regulation more visible. This helped groups notice when collaboration was breaking down.
Interpretation: The value is not surveillance; it is timely awareness that helps students regulate collaboration together.
The Reflection Agent and proactive Lightbulb prompts supported groups in evaluating their process, revising strategies, and recovering momentum when participation or motivation weakened.
Interpretation: Reflection is treated as a shared group process, not only an individual metacognitive activity.
The 2026 MIRACLE study extended CocoNote from agent-aided regulation to multi-agent orchestration. Compared with a generic GPT assistant condition on the same platform, MIRACLE-supported groups produced higher-quality collaborative artifacts.
Interpretation: The key contribution is not simply “more AI,” but better alignment between AI support, group cognition, and the artifact students are building.
CocoNote does not remove the teacher from collaborative learning. Teachers remain responsible for task design, grouping, collaboration norms, interpretation of AI prompts, and decisions about when AI support should be enabled, delayed, reframed, or withheld. In this sense, AI-supported collaboration still depends on pedagogical orchestration: the teacher shapes the learning conditions under which students negotiate ideas, build shared artifacts, and regulate their group work.
Teachers define the learning problem, expected artifacts, collaboration rules, and moments where peer discussion should precede AI support.
AI nudges require teacher interpretation. Teachers help students understand prompts as invitations to discuss, revise, and reflect rather than as final answers.
Teachers decide when AI feedback should be delayed or constrained so that productive struggle, peer reasoning, and collective responsibility remain visible.
CocoNote provides classroom-based evidence that AI support can help structure planning, monitoring, reflection, participation awareness, and collaborative knowledge building in selected K-12 learning contexts.
We do not claim that AI should replace teachers, peer collaboration, or productive struggle. We also do not claim national-scale causal evidence; broader validation requires larger, longer, and cross-context studies.
For ministries, school leaders, and public digital learning platforms, CocoNote's evidence suggests that AI procurement and integration decisions should be guided by more than tutoring capability. The following implications follow from the two studies and their broader research-practice context.
Personalized AI can support individual learners, but systems also need infrastructure for peer dialogue, group regulation, and shared knowledge artifacts. Procurement decisions can include both.
AI should not always answer immediately. Delayed nudges, group prompts, and reflection-first designs preserve meaningful struggle and negotiation—the conditions for deeper learning.
Free-riding and discourse hegemony are not only classroom management issues. They are equity issues, especially when AI can make participation visible and regulatable.
Teachers should interpret AI-supported evidence, decide intervention timing, and govern whether AI should support, pause, or step back. AI extends teacher capacity; it does not replace pedagogical judgment.
Public digital learning systems need interpretable evidence about process quality (planning, monitoring, reflection), not only dashboards of performance outcomes.
Students should learn not only how to use AI individually, but how to collaborate with peers and AI systems responsibly—a literacy currently absent from most AI competency frameworks.
The proposal contributes to the DLW 2026 themes of Facts · Frictions · Frontiers by bringing peer-reviewed evidence, intentional design tensions, and a future-facing model of AI-supported collaborative learning.
Much of the current AI-in-education conversation is dominated by individualized tutoring, automation, and content generation. CocoNote contributes a different evidence base: classroom-based studies on collaborative learning, socially shared regulation, participation balance, and artifact quality in K-12 settings. Its distinctive value is that the evidence comes from a non-Western K-12 context—Hong Kong, Macau, and the Greater Bay Area—where collaborative learning, teacher guidance, and exam-oriented schooling coexist in complex ways. This widens the global evidence base for policy discussions beyond Western higher-education and individual-tutor models.
CocoNote treats friction as a design resource. In collaborative learning, disagreement, waiting, revising, and negotiating are not inefficiencies to eliminate; they are conditions for deeper learning. MIRACLE's agents are therefore not designed simply to give answers—they scaffold planning, monitoring, reflection, and participation awareness. The Lightbulb agent intervenes when groups show disengagement or imbalance, but it does not replace the group's need to discuss and decide. This directly addresses the DLW theme of AI-induced frictions by asking which frictions should be reduced and which should be preserved.
The frontier proposed here is not another chatbot layer. It is the idea of AI as part of a learning ecology: students, teachers, AI agents, shared canvases, artifacts, and learning analytics forming an interpretable system for collective knowledge creation. This moves beyond a one-to-one model of AI tutoring toward an ecology in which AI participates in regulation, but human dialogue and teacher orchestration remain central. For UNESCO, this offers a future-facing model of AI that supports public educational purposes: collaborative intelligence, learner agency, equitable participation, and accountable learning evidence.
CocoNote does not propose to close the question of what role AI should play in collaborative learning. It opens it. The following are some of the directions worth exploring next — for our team, and for the broader community gathered at DLW 2026.
Move beyond 90-120 minute interventions to study how students internalise collaborative regulation across multi-week inquiry projects. Emotion regulation, for example, may require longer exposure than a single session.
Integrate chat, canvas traces, artifacts, and (where feasible) audio/video evidence to capture knowledge depth and participation quality. Develop teacher-facing interpretable analytics, not only researcher-facing dashboards.
Outcomes are not uniform. Some students bloom in agent-supported environments; others struggle. Future work will examine these variations — including students for whom productive friction may need different calibration.
Study how teachers interpret AI-supported evidence, decide when to intervene, and configure classroom-level AI participation. The teacher does not disappear in an AI-rich classroom; their role becomes more demanding and more interesting.
Test how the design principles travel to different educational cultures, age groups, and resource contexts. East Asian collaborative learning traditions are one starting point — not the only valid one.
The team participates in ongoing dialogues with multiple research communities — CSCL, AIED, AERA, ISLS, and the Knowledge Building Summer Institute (KBSI 2026) — to keep these design questions in conversation with the field's broader thinking.
Ministries, school systems, UNESCO Chairs, NGOs, and university research teams working on human-centred AI and collaborative learning.
Three connected peer-reviewed studies developed through ongoing collaborations among CocoRobo Research, partner schools, and university research teams.
Authors: Haiyang Xin, Qiannan Niu, Linling Lan, Zhuoxin Xiao, Fan Wu.
Why it matters: Establishes the pedagogical foundation of CocoNote 1.0 — anchored in Activity Theory, Constructionism, and Knowledge as Design — and presents the 132-student Hong Kong case as evidence that the collaborative platform works without AI agents. First top-conference appearance of the team.
Authors: Haiyang Xin, Shuang Li, Lingyun Huang, Valerie W. Y. Yip, Qiannan Niu, Xiaolan Chen, Jingtao Liu.
Why it matters: Shows how reactive and proactive AI agents can support socially shared regulation, more balanced group participation, and reflective collaboration in a sixth-grade STEM robotics context. Identifies the cognitive-load problem that motivated MIRACLE.
Authors: Shuang Li, Haiyang Xin, Yimeng Sun, Qiannan Niu, Lingyun Huang, Gaowei Chen, Yibing Zhang, Ching Sing Chai.
Why it matters: Demonstrates that specialised, orchestrated AI architectures — not raw model capability — account for measurable gains in collaborative regulation, planning, monitoring, and artifact quality, compared to a generic GPT assistant on the same platform and base model.
Haiyang Xin
Founder & CEO, CocoRobo Ltd.
Email: tony@cocorobo.cc
Personal website: https://haiyang.xin
This page is prepared as supporting material for a UNESCO Digital Learning Week 2026 proposal submission. The project is presented as an evidence-generating research and design initiative on AI-supported collaborative learning, not as a commercial product demonstration. The research trajectory connects CocoRobo Research with university collaborators including HKU, EdUHK, CUHK, and Nanjing Normal University, alongside participating schools and teachers. CocoRobo Research is open to collaboration with ministries, NGOs, universities, and school systems interested in human-centred AI and collaborative learning futures.
CocoNote is presented as a research-grounded exploration of AI-supported collaborative learning, not as a finished universal solution. We welcome dialogue with ministries, universities, NGOs, schools, and public education partners interested in collaborative learning, responsible classroom AI, and evidence-building across diverse contexts.
We are open to cross-context research partnerships, classroom pilots, and policy-oriented dialogue.
CocoNote 是围绕这一问题持续开展的四年研究。它是一个协作学习平台：AI 支持被嵌入学生的共享知识工作之中，与同伴协作和教师编排共同发生，而不是局限于一对一辅导。
当前许多教育 AI 都被设计成“一个学生与一个模型对话”。但大多数学习在本质上是社会性的。CocoNote 关注的是：当 AI 被嵌入小组学习过程时，协作学习会发生什么变化。
本报告将 CocoNote 介绍为一项基于研究的问题探索：当学生共同学习时，AI 应该扮演什么角色？报告基于四年的设计研究，以及在大湾区 K–12 课堂中开展的三项相互衔接的同行评审研究（CSCL 2024、CSCL 2025 Outstanding Short Paper、CSCL 2026）。
CocoNote 并不把 AI 主要定位为面向单个学生的导师，而是将其视为嵌入小组共享知识工作中的支持层，与同伴和教师共同构成学习过程。本报告将结合概念框架、系统走查、真实课堂证据，以及对这一设计空间所呈现张力的开放讨论。
将 CocoNote 放入更广阔的 AI 学习图景中理解。当前 AI 学习系统可以扮演不同角色；CocoNote 主要位于后两类：协作支持与编排基础设施。
CocoNote 并不认为某一种 AI 模式天然“更好”。AI 作为工具、AI 作为导师、AI 作为助手、AI 作为协作伙伴，是可以在同一课堂中共存的四种互补模式。CocoNote 的研究重点，是目前仍被低估、研究不足的第四种模式：AI 作为协作伙伴参与学生的共同知识工作。
AI 支持相对独立的任务，如起草、翻译、总结，适合常规内容处理。
AI 提供一对一讲解、练习与反馈，这是当前最主流的范式。
AI 支持课堂层面的反馈、形成性评价与教师支架。
AI 在协作空间中嵌入学生的共同知识工作，与同伴和教师的协作共同发生。
本报告主张：模式 D 目前仍然设计不足、研究不足、部署不足——但这并不意味着它要取代模式 A–C。CocoNote 是一次持续进行的尝试：在真实 K–12 课堂中设计并研究模式 D 的可能样态。
上述四种模式说明，AI 辅导只是教育 AI 设计图景中的一部分。当前很多教育 AI 仍以“一个学习者与一个模型互动”为中心。CocoNote 探索的是另一个问题：当 AI 支持被嵌入协作学习过程之中，会发生什么？
AI 辅导是有价值的发展方向，它可以支持个体练习、讲解与反馈。但这并不等于教育 AI 的全部设计空间。一旦我们把 AI 放入小组的共享工作之中，就会出现三组张力；这些张力值得在 UNESCO 数字学习周 2026 的全球共同体中共同思考。
受“无摩擦自动化”批判的启发
如果 AI 优化了小组工作的每一个步骤，学生可能会失去促成理解的认知挣扎。设计问题不是如何消除摩擦，而是应当保留哪些具有生产力的摩擦——例如分歧、等待、修订与协商。
受以人为中心的教育伦理启发
个性化通常需要对学习者建模。但每个学生都不只是数据所呈现的样子。设计问题在于：如何使用 AI 支持学习，同时拒绝把学生整体化为可计算的画像。
基于分布式认知理论
当 AI 接管过多时，学生可能形成一种依赖算法的习性——一种被习得的被动性。设计问题在于：如何在利用 AI 能力的同时，把认识论能动性保留在学习者身上。
CocoNote 并不声称已经给出这些张力的最终答案。 它提供的是一项持续四年、基于研究的探索：AI 不只可以被设计为导师，也可以被设计为协作学习中的嵌入式支持层。这也是对 UNESCO 共同体的一次邀请：共同思考这些问题。
CocoNote 的设计扎根于学习科学，而不是泛泛地追求 AI 能力。五个理论传统共同指向同一个问题：AI 如何支持学生的协作工作，同时不削弱协作学习本身的价值。
承接 Papert 的建造主义思想，学生通过自己设计和改进的外部制品让思维变得可见。评价 AI 的关键，不是它是否直接给出答案，而是它是否支持学生创造制品。
承接 Jonassen 与 Salomon 关于认知工具的思想，智能工具应让学习者参与思考，而不是替代思考。AI 应增强认知，而不是成为黑箱式答案机器。
承接 Perkins“知识即设计”的观点，知识不是被动接收的信息，而是需要建构的设计制品。学生需要处理目的、结构、典型案例与论证。
承接 Hadwin、Järvelä 与 Miller（2017）以及触发式调节框架（Järvelä 与 Hadwin，2024），小组会共同调节计划、监控、评价与情绪。
承接 Scardamalia 与 Bereiter 的知识建构理论，学生对推进共同体观点承担集体认知责任。AI 支持这一过程，但不拥有这一过程。
这五个横跨四十余年学习科学发展的理论传统，构成了 CocoNote 的设计基础，也为我们讨论 AI 如何参与协作知识工作提供了概念语言。
CocoNote 结合无限超媒体画布、实时小组聊天、AI 支架与学习分析。它的设计目标不是把 AI 放在协作学习旁边，而是把 AI 嵌入集体知识工作内部。
CocoNote 不是一次性研究，而是一项始于 2023 年的持续性设计研究项目。它在 2024 年首次形成同行评审成果，并在 2024—2026 年发展出三代相互衔接的版本。每一代都回应了前一代留下的关键问题。
团队开始围绕 K–12 协作学习环境开展设计研究，并在大湾区课堂中试点 CocoNote 0.x。此时尚未引入 AI 智能体，重点是协作知识建构本身。
2024 年 CSCL 论文将 CocoNote 1.0 正式界定为一个以活动理论、建造主义和“知识即设计”为基础的 PBL 平台。132 名香港学生围绕长者社区进行设计的案例表明：即使没有 AI 智能体，该平台也能支撑协作学习。
引入三个响应式 智能体（计划 / 监控 / 反思）和一个主动式 智能体（Lightbulb）以支持 SSRL。一项在深圳一所小学开展、包含 78 名六年级学生的准实验研究显示，学生的 SSRL 有显著提升。但学生仍需自行选择调用哪个 智能体，因此认知负荷仍然存在。
Boss Agent（基于 LangGraph）将学生意图路由给四类专门 智能体（计划 / 监控 / 反思 / 知识）；CocoNote 2.0 中引入的 Lightbulb 主动机制继续作为并行支持系统运行。一项在深圳一所小学开展、包含 90 名五年级学生的准实验研究显示，相比同一平台上的通用 GPT 支持，MIRACLE 对协作制品质量具有较大效果（r = .77）。
本节呈现第一代 CocoNote 研究，位于后续 智能体 辅助版本和多智能体版本之前。它建立了教学法基线：在引入 AI 智能体 之前，通过共享超媒体工作空间支持协作知识建构。
在向 CocoNote 添加任何 AI 智能体 之前，平台的教学基础已在一所真实的香港中学中进行测试。这个案例研究构成了 CocoNote 第一篇同行评审论文（CSCL 2024）的基础，展示了学生如何在真实、社区导向的设计任务中使用平台，也让上文抽象的系统架构落入具体课堂实践。
这是香港一所初中开展的、为期一个学期的项目式学习单元。驱动问题真实且扎根社区：年轻学生如何帮助自己社区中的长者生活得更好？
以下展示的是学生完成的三个代表性原型概念——均非由 AI 自动生成，而是学生基于对社区长者的真实访谈后自主设计完成。
用于检测步态不稳定并发出提醒，对应学生在访谈中发现的长者跌倒风险问题。
通过对话提示与情绪陪伴，回应学生在访谈中发现的长者孤独感问题。
提供每日用药提醒与可视化时间安排，对应家庭访谈中反映出的记忆与用药管理问题。
这些原型概念依据 2024 年论文中的学生作品重新绘制为示意图。它们表明：即使在尚未引入 AI 智能体之前，CocoNote 的教学法基础已经能够支持学生产出扎根真实社区情境的设计成果。2025 与 2026 年加入智能体辅助后的 CocoNote，并不是取代这一基础，而是在其之上继续发展。
在 CocoNote 1.0 建立了面向项目式协作学习的共享超媒体工作空间之后，CocoNote 2.0 开始引入 AI 智能体，用于支持社会共享调节。本阶段重点探索：AI 是否能够支持计划、监控、反思与社会情绪调节，同时又不替代同伴讨论与教师编排。
该研究关注智能体辅助支持如何增强六年级学生的协作学习过程。系统引入了三个响应式智能体，分别支持计划、监控与反思；同时加入了一个主动式 Lightbulb 智能体，用于监测协作状态，并在小组参与或调节停滞时主动发出提醒。
CocoNote 2.0 标志着系统首次从“教学法优先的协作平台”迈向“AI 支持的调节环境”。智能体并不直接给出答案，而是帮助小组制定任务计划、监控进展、反思协作过程，并维持小组参与。
MIRACLE 系统（CSCL 2026）通过层级式 Boss Agent 将学生请求路由到不同的专门智能体，从而降低学生选择智能体的负担。该系统基于 LangGraph 框架构建，并由 GPT-5-Nano 驱动。它将嵌入式协作支持与附着在课堂活动外部的通用助手区分开来。
Lightbulb 体现的是系统的 生产性摩擦 设计选择。它不直接回答，而是提示；它不打断流程，而是闪烁；它不替小组调节， 而是给小组一个自我调节的时刻。
多数 AI 辅导系统追求尽量减少摩擦，仿佛答案越快越好。CocoNote 在协作学习中反转了这一逻辑：当小组卡住时，Lightbulb 并不是替他们解围，而是让他们意识到自己已经卡住。随后，小组自行决定是否行动以及如何行动。
这个提示做了什么： 它指出沉默状态，但不作价值判断；它提供一个元认知动作（总结）；它把控制权交还给小组；它并不替学生生成总结。
本申报建立在三项跨越三年的同行评审研究基础之上。2024 年研究确立了教学法基础；2025 年研究测试了第一代 AI 智能体支持；2026 年研究在匹配条件下测试了编排式多智能体调节。这里的证据属于研究阶段的课堂证据，而不是大规模实施效果主张。
在六年级 STEM 机器人学习情境中，使用智能体辅助 CocoNote 的学生表现出更强的 SSRL 过程、更均衡的互动网络，以及更好的反思性协作。这是关于该智能体辅助设计有效性的首个同行评审证据。
一项在深圳一所小学开展、包含 90 名五年级学生的准实验研究发现，MIRACLE 小组在计划、监控和反思方面显著提升，并且比使用通用 GPT 助手的小组产出更高质量的协作制品。
CocoNote 2.0 引入计划智能体，帮助小组明确目标、分配任务并组织协作探究。MIRACLE 则进一步利用 Boss Agent 将学生请求路由到合适的专门支持。
解释：当 AI 支持帮助小组组织自己的工作时，它才真正有价值；而不是替学生完成工作。
CocoNote 2.0 利用监控智能体与 Lightbulb 支持，使停滞的协作、不均衡的参与以及薄弱的小组调节更加可见。这帮助学生意识到协作何时开始失效。
解释： 其价值并不在于监视，而在于及时觉察，从而帮助学生共同调节协作。
反思智能体与主动式 Lightbulb 提示帮助小组评价自身过程、修正策略，并在参与度或动机下降时重新恢复推进动力。
解释： 反思被视为一种共享的小组过程，而不仅仅是个体元认知活动。
2026 年 MIRACLE 研究进一步将 CocoNote 从智能体辅助调节扩展到多智能体编排。与同平台上的通用 GPT 助手条件相比，MIRACLE 支持的小组产出了更高质量的协作制品。
解释： 核心贡献并不只是“更多 AI”，而是让 AI 支持、群体认知与学生正在建构的制品之间形成更好的对齐。
CocoNote 并没有把教师排除在协作学习之外。教师仍然负责任务设计、分组方式、协作规范、AI 提示的解释，以及决定何时启用、延迟、重构或暂停 AI 支持。换言之，AI 支持的协作学习仍然依赖教学编排：教师塑造学生协商观点、建构共享制品并调节小组工作的学习条件。
教师定义学习问题、预期制品、协作规则，以及哪些环节应当先进行同伴讨论，再引入 AI 支持。
AI 提示需要教师进行教学解释。教师帮助学生把提示理解为讨论、修订与反思的邀请，而不是最终答案。
教师决定何时应延迟或限制 AI 反馈，以保留有生产力的挣扎、同伴推理与集体责任。
CocoNote 提供了基于课堂的证据，说明 AI 支持能够在特定 K–12 学习情境中帮助组织计划、监控、反思、参与觉察与协作知识建构。
我们并不主张 AI 应取代教师、同伴协作或有生产力的挣扎。我们也不主张已经获得国家级因果证据；更广泛的验证仍需要更大规模、更长期、跨情境的研究。
对于教育部门、学校管理者与公共数字学习平台而言，CocoNote 的研究表明：AI 的采购与整合决策，不应只围绕辅导能力展开。以下政策启示来自这些实证研究及其更广泛的研究—实践情境。
个性化 AI 可以支持个体学习者，但教育系统同样需要支持同伴对话、小组调节与共享知识制品的基础设施。采购决策应同时考虑这两类需求。
AI 不应总是立刻给出答案。延迟提示、小组提醒与“反思优先”的设计，有助于保留有意义的挣扎与协商，而这些正是深度学习发生的条件。
搭便车与话语霸权不仅仅是课堂管理问题，它们也是公平性问题，尤其是在 AI 能够让参与变得可见和可调节的情况下。
教师应负责解释 AI 支持产生的证据、决定介入时机，并治理 AI 何时支持、暂停或后退。AI 延展的是教师能力，而不是取代教学判断。
公共数字学习系统需要关于过程质量（计划、监控、反思）的可解释证据，而不仅仅是结果表现仪表盘。
学生不仅应学习如何个体化使用 AI，也应学习如何与同伴以及 AI 系统负责任地协作——而这种素养目前仍缺失于多数 AI 能力框架之中。
本申报回应了 DLW 2026 的主题： 事实 · 摩擦 · 前沿 通过提供同行评审证据、具有意识的设计张力，以及面向未来的 AI 支持协作学习模型。
当前大量 AI 教育讨论仍主要围绕个性化辅导、自动化与内容生成展开。 CocoNote 提供了另一种证据基础：围绕 K–12 情境中的协作学习、社会共享调节、参与均衡与制品质量开展课堂研究。 其独特价值在于，这些证据来自非西方 K–12 情境——即香港、澳门与大湾区，在这里，协作学习、教师引导与应试教育以复杂方式共存。 这有助于扩大全球教育政策讨论中的证据基础，使其超越西方高等教育与个体辅导模型。
CocoNote 将“摩擦”视为一种设计资源。 在协作学习中，分歧、等待、修订与协商并不是需要被消除的低效率，而是深度学习发生的重要条件。 MIRACLE 的智能体并不是单纯为了给出答案，而是用于支撑计划、监控、反思与参与觉察。 当小组出现失去参与或失衡状态时，Lightbulb 智能体会进行介入，但它不会替代小组自身的讨论与决策。 这直接回应了 DLW 关于 AI 引发摩擦的主题，并进一步追问：哪些摩擦应被减少，哪些摩擦应被保留。
这里提出的前沿，并不是再增加一层聊天机器人。 而是一种理念：AI 作为学习生态的一部分——学生、教师、AI 智能体、共享画布、学习制品与学习分析共同形成一个面向集体知识创造的可解释系统。 这超越了一对一 AI 辅导模型，转向一种 AI 参与调节、但人类对话与教师编排仍保持核心地位的学习生态。 对于 UNESCO 而言，这提供了一种面向未来的 AI 模型：它服务于公共教育目标，包括协作智能、学习者能动性、公平参与以及可追责的学习证据。
CocoNote 并不试图终结“AI 应在协作学习中扮演何种角色”这一问题，而是进一步打开这一问题。 以下是一些值得继续探索的方向——不仅面向我们的团队，也面向汇聚于 DLW 2026 的更广泛研究共同体。
未来需要超越 90–120 分钟的短时干预，研究学生如何在多周探究项目中逐渐内化协作调节。 例如，情绪调节可能需要比单次课堂更长时间的持续暴露。
未来可整合聊天记录、画布轨迹、学习制品，以及（在可行条件下）音视频证据，以更全面捕捉知识深度与参与质量。 同时，应发展面向教师、具有可解释性的学习分析，而不仅仅是面向研究者的仪表盘。
学习结果并非单一一致。有些学生会在智能体支持环境中快速成长，也有些学生会面临困难。 未来研究将进一步分析这些差异，包括不同学生可能需要不同程度的“生产性摩擦”校准。
未来需要研究教师如何解释 AI 支持生成的证据、决定介入时机，以及如何配置课堂层面的 AI 参与。 在 AI 丰富的课堂中，教师并不会消失；相反，他们的角色会变得更加复杂，也更加重要。
未来还需要测试这些设计原则如何迁移到不同教育文化、年龄层与资源情境之中。 东亚协作学习传统只是一个起点，而不是唯一有效的路径。
团队持续与多个研究共同体展开对话，包括 CSCL、AIED、AERA、ISLS 以及 Knowledge Building Summer Institute（KBSI 2026），以让这些设计问题持续进入领域层面的更广泛讨论。
欢迎从事以人为中心 AI 与协作学习研究的教育部门、学校系统、UNESCO Chairs、NGO 以及大学研究团队开展合作。
三项相互衔接的同行评审研究，由 CocoRobo Research、合作学校与大学研究团队持续协作完成。
作者： Haiyang Xin, Qiannan Niu, Linling Lan, Zhuoxin Xiao, Fan Wu.
研究意义： 该研究确立了 CocoNote 1.0 的教学法基础，其理论锚点包括 Activity Theory、Constructionism 与“Knowledge as Design”。同时，它通过 132 名香港学生的案例证明：即使在没有 AI 智能体的情况下，该协作平台也能够有效支持学习。这也是团队首次进入顶级会议。
作者： Haiyang Xin, Shuang Li, Lingyun Huang, Valerie W. Y. Yip, Qiannan Niu, Xiaolan Chen, Jingtao Liu.
研究意义： 该研究展示了响应式与主动式 AI 智能体如何在六年级 STEM 机器人学习情境中支持社会共享调节、更均衡的小组参与以及反思性协作。 同时，它识别出了推动 MIRACLE 产生的认知负荷问题。
作者： Shuang Li, Haiyang Xin, Yimeng Sun, Qiannan Niu, Lingyun Huang, Gaowei Chen, Yibing Zhang, Ching Sing Chai.
研究意义： 研究表明：与同平台、同基础模型上的通用 GPT 助手相比，真正带来协作调节、计划、监控与制品质量提升的关键，并不是模型原始能力，而是专门化、编排式 AI 架构。
Haiyang Xin
Founder & CEO, CocoRobo Ltd.
邮箱： tony@cocorobo.cc
个人网站： https://haiyang.xin
本页面作为 UNESCO Digital Learning Week 2026 申报的支撑材料而准备。 该项目被呈现为一个围绕 AI 支持协作学习的研究与设计计划，而不是商业产品展示。 该研究路径连接了 CocoRobo Research 与包括 HKU、EdUHK、CUHK 和南京师范大学在内的大学合作伙伴，以及参与研究的学校与教师。 CocoRobo Research 欢迎与关注以人为中心 AI 与协作学习未来的教育部门、NGO、大学与学校系统开展合作。
CocoNote 被呈现为一种基于研究的 AI 支持协作学习探索，而不是已经完成的通用解决方案。 我们欢迎与关注协作学习、负责任课堂 AI 以及跨情境证据建设的教育部门、大学、NGO、学校与公共教育伙伴展开对话。
我们欢迎跨情境研究合作、课堂试点以及面向政策的持续对话。
CocoNote est une recherche conduite sur quatre ans autour de cette question. Il s’agit d’un environnement d’apprentissage collaboratif où l’appui de l’IA est intégré au travail partagé des élèves, aux côtés de la collaboration entre pairs et de l’orchestration enseignante, plutôt que limité au tutorat individuel.
La plupart des systèmes d’IA en éducation sont conçus pour un élève qui dialogue avec un modèle. Or, la plupart des apprentissages en classe sont profondément sociaux. CocoNote demande ce qui change lorsque l’IA soutient le travail d’un groupe.
Cette présentation introduit CocoNote comme une recherche fondée sur des données de terrain concernant le rôle que l’IA peut jouer lorsque les élèves apprennent ensemble. Elle s’appuie sur un programme de recherche-conception de quatre ans et trois études reliées dans des classes K–12 de la Grande Baie : CSCL 2024, CSCL 2025 Outstanding Short Paper et CSCL 2026.
Plutôt que de positionner l’IA comme un tuteur individuel, CocoNote l’intègre comme une couche de soutien dans le travail de connaissance partagé du groupe — avec les pairs et les enseignants. La session combinera cadrage conceptuel, démonstration du système, preuves issues de classes réelles et discussion ouverte sur les tensions que ce design révèle.
Situer CocoNote dans un paysage plus large de l’IA éducative. Les systèmes actuels peuvent prendre différents rôles ; CocoNote se situe principalement dans les deux derniers : soutien collaboratif et infrastructure d’orchestration.
Soutient la pratique, le feedback et l’explication personnalisée pour un apprenant.
Aide à produire, organiser, résumer ou compléter des tâches scolaires.
Rend visibles les idées, les contributions, les questions et les désaccords du groupe.
Soutient la planification, le suivi, la réflexion, l’équilibre de participation et la cognition collective.
Les quatre modes ci-dessus montrent que le tutorat par IA n’est qu’une partie du paysage. La plupart des systèmes actuels placent encore un apprenant face à un modèle. CocoNote explore une autre question : que se passe-t-il lorsque le soutien de l’IA est intégré aux processus d’apprentissage collaboratif ?
Le tutorat par IA est une direction importante : il peut soutenir l’explication, la pratique, la rétroaction et les parcours personnalisés. Mais il ne couvre pas toute la réalité de l’apprentissage en classe. Lorsque des élèves construisent ensemble un artefact, négocient des idées, se répartissent des rôles et régulent leur participation, l’IA ne peut plus être pensée seulement comme un interlocuteur individuel. Elle devient une couche de médiation dans un système social d’apprentissage.
Inspiré des critiques de l’automatisation sans friction
Si l’IA optimise chaque étape du travail de groupe, les élèves peuvent perdre la lutte cognitive qui produit la compréhension. La question de conception n’est donc pas de supprimer toute friction, mais d’identifier celles qui doivent être préservées comme productives : désaccord, attente, reformulation, négociation et responsabilité partagée.
Inspiré d’une éthique éducative centrée sur l’humain
La personnalisation nécessite souvent de modéliser l’apprenant. Mais chaque élève est plus que ce que ses données montrent. La question est donc de savoir comment utiliser l’IA pour soutenir l’apprentissage sans totaliser les élèves dans des profils entièrement calculables.
Fondé sur la cognition distribuée
Lorsque l’IA prend trop de place, les élèves risquent d’acquérir une passivité dépendante de l’algorithme. L’enjeu est de garder l’agentivité épistémique chez les élèves tout en utilisant les capacités de l’IA pour soutenir la collaboration.
CocoNote ne prétend pas résoudre définitivement ces tensions. Il propose une exploration de quatre ans : l’IA peut être conçue non seulement comme un tuteur, mais aussi comme une couche de soutien intégrée aux processus collaboratifs. C’est aussi une invitation adressée à la communauté UNESCO : penser ensemble les formes d’IA qui soutiennent l’apprentissage collectif sans l’appauvrir.
La conception de CocoNote est ancrée dans les sciences de l’apprentissage, et non dans une fascination générale pour les capacités de l’IA. Cinq traditions convergent vers une même question : comment l’IA peut-elle soutenir le travail collaboratif des élèves sans affaiblir ce qui rend ce travail précieux ?
Dans l’esprit de Papert, les élèves rendent leur pensée visible à travers des artefacts qu’ils conçoivent, discutent et améliorent. L’IA est évaluée non par sa capacité à livrer des réponses, mais par sa capacité à soutenir la création d’artefacts.
Dans la lignée de Jonassen et Salomon, les outils intelligents devraient engager les élèves dans la pensée au lieu de la remplacer. L’IA augmente la cognition lorsqu’elle pousse les élèves à raisonner, comparer, expliquer et réviser.
Selon Perkins, la connaissance n’est pas seulement une information reçue ; elle est un artefact conçu. Les élèves travaillent avec des objectifs, des structures, des cas modèles et des arguments.
Dans la lignée de Hadwin, Järvelä et Miller, les groupes planifient, surveillent, évaluent et régulent aussi les dimensions socio-émotionnelles de leur travail collectif.
Dans la tradition de Scardamalia et Bereiter, les élèves assument une responsabilité cognitive collective pour faire avancer les idées de la communauté. L’IA soutient ce travail, mais ne le possède pas.
Ces traditions, développées sur plusieurs décennies de recherche en sciences de l’apprentissage, donnent à CocoNote un vocabulaire conceptuel pour penser l’IA non comme une simple interface de réponse, mais comme une infrastructure qui peut soutenir la collaboration, la régulation et la construction de connaissances.
CocoNote combine un canevas hypermédia infini, un chat de groupe en temps réel, un étayage médié par l’IA et des analyses d’apprentissage. L’objectif de conception n’est pas de placer l’IA à côté de la collaboration, mais de l’intégrer à l’intérieur du travail collectif de connaissance.
CocoNote n’est pas une étude isolée. C’est un programme soutenu de recherche basée sur la conception qui a commencé en 2023, a fait sa première apparition évaluée par les pairs en 2024, et s’est développé à travers trois générations connectées de 2024 à 2026. Chaque génération a résolu un problème laissé ouvert par la précédente.
L’équipe commence une recherche basée sur la conception autour des environnements d’apprentissage collaboratif pour le K-12. CocoNote 0.x est piloté en classe dans la Grande Baie. Les agents d’IA ne sont pas encore intégrés ; l’accent est mis sur la construction collaborative de connaissances elle-même.
L’article CSCL 2024 formalise CocoNote 1.0 comme plateforme PBL ancrée dans la Théorie de l’Activité, le Constructionnisme et le « Knowledge as Design ». Une étude de cas avec 132 élèves de Hong Kong concevant pour la communauté des personnes âgées montre que la plateforme fonctionne sans agents d’IA.
Trois agents réactifs (Planification / Suivi / Réflexion) et un agent proactif (Lightbulb) sont ajoutés pour soutenir la SSRL. Une étude quasi-expérimentale avec 78 élèves de sixième année dans une école primaire de Shenzhen montre des gains significatifs en SSRL. Mais les élèves doivent choisir quel agent invoquer — la charge cognitive demeure.
Un Boss Agent (LangGraph) route l’intention de l’élève vers quatre spécialistes (Planification / Suivi / Réflexion / Connaissance) ; le mécanisme Lightbulb proactif de CocoNote 2.0 continue comme système de soutien parallèle. Une étude quasi-expérimentale avec 90 élèves de cinquième année dans une école primaire de Shenzhen montre des effets importants sur la qualité des artefacts (r = .77) par rapport à un GPT générique sur la même plateforme.
Cette section présente l’étude CocoNote de première génération, avant les versions ultérieures assistées par agents et multi-agents. Elle établit le socle pédagogique de CocoNote : démontrer que la plateforme soutient déjà le travail collaboratif authentique de conception avant tout ajout d’agents d’IA.
Avant que des agents d’IA soient ajoutés à CocoNote, le socle pédagogique de la plateforme a été testé dans une vraie classe d’un collège de Hong Kong. Cette étude — base du premier article CocoNote évalué par les pairs (CSCL 2024) — montre comment les élèves utilisent l’environnement pour un travail de conception authentique et enraciné dans leur communauté. Elle ancre l’architecture abstraite ci-dessus dans la texture d’une pratique de classe réelle.
Module d’apprentissage par projet (PBL) d’un semestre dans un collège de Hong Kong. La question motrice était authentique et enracinée dans la communauté : comment de jeunes élèves peuvent-ils aider les personnes âgées de leur propre quartier à mieux vivre ?
Trois concepts de prototypes représentatifs que les élèves ont produits — aucun généré par l’IA ; tous conçus par les élèves pour de vrais utilisateurs âgés qu’ils avaient interviewés dans leur communauté.
Détecte l’instabilité de la marche et émet une alerte ; répond au risque de chute des utilisateurs âgés identifié par les entretiens.
Sollicitations de conversation et vérifications émotionnelles ; répond à la solitude identifiée dans les données d’entretiens.
Rappels quotidiens de médicaments + emploi du temps visuel simple ; répond aux préoccupations de mémoire signalées dans les entretiens familiaux.
Cette génération montre que CocoNote n’est pas d’abord une démonstration d’IA. Sa première contribution est pédagogique : aider les élèves à externaliser des idées, organiser des preuves, construire des artefacts et assumer une responsabilité collective dans un projet réel.
Même avec une plateforme PBL bien conçue, certains défis sont restés visibles : planification inégale, monitoring inégal, réflexion superficielle. Ces motifs ont motivé CocoNote 2.0 (régulation socialement partagée assistée par agents) et CocoNote 3.0 / MIRACLE (orchestration multi-agents).
Après que CocoNote 1.0 a établi un espace de travail hypermédia partagé pour l’apprentissage collaboratif par projet, CocoNote 2.0 a introduit des agents d’IA pour soutenir la régulation socialement partagée. Cette génération a exploré si l’IA pouvait étayer la planification, le suivi, la réflexion et la régulation socio-émotionnelle sans remplacer la discussion entre pairs ni l’orchestration enseignante.
Cette étude a examiné comment l’aide par agents pourrait renforcer les processus d’apprentissage collaboratif chez des élèves de sixième année. Elle a introduit trois agents réactifs pour la planification, le suivi et la réflexion, ainsi qu’un agent Lightbulb proactif qui surveillait les signaux de collaboration et sollicitait les groupes lorsque la participation ou la régulation semblait s’éssouffler.
CocoNote 2.0 a marqué la première transition d’une plateforme collaborative axée sur la pédagogie vers un environnement de régulation soutenu par l’IA. Plutôt que de donner des réponses directement, les agents étaient conçus pour aider les groupes à planifier les tâches, suivre les progrès, réfléchir à la collaboration et soutenir la participation.
Le système MIRACLE (CSCL 2026) réduit la charge de sélection d’agent en routant les requêtes des élèves vers des agents spécialisés via un Boss Agent hiérarchique, construit sur le cadre LangGraph et propulsé par GPT-5-Nano. Cela distingue un soutien collaboratif intégré d’un assistant générique attaché à une activité de classe.
Le Lightbulb est le choix de conception de friction productive du système. Il ne répond pas ; il sollicite. Il n’interrompt pas ; il clignote. Il ne régule pas à la place du groupe ; il donne au groupe un moment pour se réguler lui-même.
La plupart des tuteurs IA visent à minimiser la friction — plus vite la réponse, mieux c’est. CocoNote inverse cela pour le travail collaboratif : quand les groupes sont bloqués, le Lightbulb ne les débloque pas ; il leur fait remarquer qu’ils sont bloqués. Le groupe choisit ensuite s’il faut agir et comment.
Ce que la sollicitation fait : nomme le silence sans jugement. Propose une opération métacognitive (résumer). Rend le contrôle au groupe. Ne génère pas le résumé elle-même.
La proposition repose sur trois études évaluées par les pairs et conduites sur trois ans. L’étude de 2024 a établi le socle pédagogique ; l’étude de 2025 a testé l’aide par agents de première génération et a remporté un Outstanding Short Paper ; l’étude MIRACLE de 2026 a testé l’orchestration multi-agents par rapport à un assistant GPT générique sur la même plateforme.
La première étude établit la base pédagogique : avant les agents d’IA, CocoNote soutient déjà la construction collaborative de connaissances dans un projet authentique de conception communautaire avec 132 élèves de Hong Kong.
La deuxième étude ajoute des agents réactifs et le Lightbulb proactif pour soutenir la planification, le suivi, la réflexion, la participation et la régulation socio-émotionnelle. Conduite dans une école primaire de Shenzhen, ce travail a reçu le prix CSCL 2025 Outstanding Short Paper.
MIRACLE étend le soutien par agents vers une orchestration multi-agents. Comparé à un assistant GPT générique dans le même environnement, conduit dans une école primaire de Shenzhen, MIRACLE soutient mieux la qualité des artefacts collaboratifs.
Les agents aident les groupes à clarifier leurs objectifs, répartir les rôles, organiser les étapes et coordonner l’enquête collective.
CocoNote rend visibles les moments où le groupe ralentit, où la participation devient inégale ou où la progression n’est plus claire.
Les sollicitations invitent les groupes à évaluer leur processus, réviser leurs stratégies et relancer leur collaboration.
MIRACLE aligne mieux le soutien de l’IA, la cognition de groupe et l’artefact que les élèves construisent ensemble.
CocoNote ne retire pas l’enseignant de l’apprentissage collaboratif. Les enseignants restent responsables de la conception des tâches, des normes de collaboration, du groupement, de l’interprétation des sollicitations de l’IA et des décisions sur les moments où le soutien de l’IA doit être activé, retardé, reformulé ou suspendu.
Les enseignants définissent le problème, les artefacts attendus et les moments où la discussion entre pairs doit précéder l’IA.
Les enseignants aident les élèves à comprendre les prompts comme des invitations à discuter, non comme des réponses finales.
Les enseignants préservent l’effort productif, le raisonnement entre pairs et la responsabilité collective.
CocoNote fournit des preuves de classe indiquant que le soutien par IA peut structurer planification, suivi, réflexion, participation et construction collaborative de connaissances dans des contextes K–12 sélectionnés.
Nous n’affirmons pas que l’IA doive remplacer les enseignants, les pairs ou la friction productive. Nous n’affirmons pas non plus disposer d’une preuve causale à l’échelle nationale.
CocoNote n’est pas seulement une étude de plateforme. Il soulève des questions systémiques sur la manière dont les écoles devraient déployer l’IA lorsqu’elles souhaitent préserver la collaboration, l’agentivité des élèves et le rôle professionnel des enseignants.
La littératie IA ne devrait pas se limiter à l’usage individuel d’outils. Elle devrait inclure la capacité à utiliser l’IA pour négocier, expliquer, construire et réguler des idées en groupe.
Les enseignants restent responsables de la conception des tâches, des normes de collaboration, du moment d’intervention de l’IA et de l’interprétation pédagogique des sollicitations.
Les environnements d’apprentissage avec IA devraient aider les enseignants et les élèves à voir quand certains élèves participent moins ou quand la collaboration se fragilise.
Les systèmes éducatifs ont besoin d’infrastructures qui soutiennent les pratiques pédagogiques collectives, et non seulement des interfaces de dialogue individuel.
L’IA ne devrait pas automatiquement accélérer toutes les tâches. Les systèmes doivent préserver certains moments de débat, d’attente, de responsabilité et de réflexion humaine.
Les preuves sur l’IA éducative doivent inclure des contextes non occidentaux, des classes ordinaires, des tâches collaboratives et des résultats au-delà des scores individuels.
CocoNote contribue au thème « Facts, Frictions, Frontiers » en apportant des preuves sur l’IA collaborative, en rendant visibles les tensions pédagogiques de l’automatisation, et en explorant une frontière où l’IA soutient la cognition collective, la participation et la régulation partagée.
Dans un débat dominé par les systèmes de tutorat individuel, CocoNote apporte des preuves rares sur l’IA au service de l’apprentissage collaboratif. Ces preuves proviennent de classes K–12 d’Asie de l’Est, d’études mises en œuvre, et d’une trajectoire de publications CSCL de 2024 à 2026.
CocoNote ne traite pas la friction comme un défaut à supprimer. Les moments d’attente, de discussion, de désaccord, de révision et de responsabilité collective sont des composantes importantes de l’apprentissage profond. L’enjeu est de concevoir une IA qui sache soutenir sans rendre invisible l’effort du groupe.
La frontière explorée ici est le passage d’une IA centrée sur un dialogue individuel à une infrastructure d’orchestration pour la collaboration. Cette perspective ouvre des questions nouvelles sur les enseignants, les preuves d’apprentissage, l’équité de participation et les formes publiques de l’IA éducative.
CocoNote ne propose pas une réponse définitive. Il ouvre un ensemble de questions que les chercheurs, enseignants, concepteurs et décideurs publics devront traiter si l’IA devient une partie ordinaire de la vie des classes.
Quels moments de lenteur, d’écoute, de conflit, de confiance et de responsabilité collective ne devraient pas être automatisés ? Comment préserver la relation humaine lorsque l’IA devient plus fluide et plus persuasive ?
Il ne suffit pas de demander quand l’IA doit aider. Il faut aussi décider quand elle doit retarder son aide, poser une question plutôt que donner une réponse, ou laisser le groupe résoudre lui-même la tension.
Les systèmes éducatifs ont besoin de preuves qui dépassent les scores individuels : qualité des artefacts, participation équilibrée, régulation du groupe, amélioration des idées et responsabilité cognitive collective.
Cette page s’appuie sur une trajectoire de recherche CSCL connectée autour de CocoNote, de la collaboration assistée par agents et de la régulation multi-agents. Elle ne présente pas un produit isolé, mais un programme de recherche-pratique qui évolue à travers plusieurs études, écoles et collaborations universitaires.
Auteurs : Haiyang Xin, Qiannan Niu, Linling Lan, Zhuoxin Xiao, Fan Wu.
Première étude publiée sur CocoNote 1.0. Elle montre comment un environnement hypermédia partagé peut soutenir le PBL, la collaboration et la conception d’artefacts dans un contexte communautaire réel.
Auteurs : Haiyang Xin, Shuang Li, Lingyun Huang, Valerie W. Y. Yip, Qiannan Niu, Xiaolan Chen, Jingtao Liu.
Étude sur les agents réactifs et le mécanisme proactif Lightbulb pour soutenir la planification, le suivi, la réflexion et la régulation socialement partagée.
Auteurs : Shuang Li, Haiyang Xin, Yimeng Sun, Qiannan Niu, Lingyun Huang, Gaowei Chen, Yibing Zhang, Ching Sing Chai.
Étude sur l’orchestration multi-agents, le routage par Boss Agent et l’amélioration de la qualité des artefacts collaboratifs par rapport à une assistance GPT générique.
Pour les échanges de recherche, les collaborations publiques ou les dialogues avec des écoles, universités, ONG et ministères.
Les liens vers les actes, prépublications ou documents de soutien peuvent être fournis dans le dossier de soumission ou la page complète du projet.
CocoNote est présenté comme une exploration fondée sur la recherche, non comme une solution universelle achevée. Nous sommes ouverts au dialogue avec ministères, universités, ONG, écoles et partenaires publics intéressés par l’apprentissage collaboratif soutenu par l’IA.
Nous sommes ouverts à des recherches comparatives, pilotes en classe et dialogues orientés politiques publiques.