How can teachers remain pedagogical decision-makers when AI begins to act, assess, guide, and generate inside classrooms?
This project teaches teachers to create and govern pedagogical AI agents—not merely use AI tools. We call this emerging capacity Boundary Learning: teachers’ ability to decide when AI should act, be constrained, be reclaimed, or remain absent.
The broader training programme reached more than 1,000 teachers across Pingshan, Futian, Bao'an, and Guangming districts in Shenzhen — plus partner schools. Within this wider reach, the systematic research evidence reported here is drawn from three cohorts in Pingshan District, a comparatively less-resourced district inside one of China's most technologically advanced cities.
CocoRobo-led collaboration: This programme was led by CocoRobo and developed in collaboration with research teams from The Chinese University of Hong Kong (CUHK), The University of Hong Kong (HKU), and The Education University of Hong Kong (EdUHK) across experimental design, academic research, technical implementation, and teacher professional learning.
This supporting page accompanies a proposed UNESCO Digital Learning Week presentation. It foregrounds a concrete question for policy and practice: how Shenzhen teachers — through a broader training programme reaching 1,000+ teachers across Pingshan, Futian, Bao'an, and Guangming districts plus partner schools — learned to design, govern, and critically constrain AI participation in classrooms. The systematic research evidence reported here is drawn from three cohorts located in Pingshan District, a comparatively less-resourced district inside one of China's most technologically advanced cities.
FormatParallel session presentation, 8–12 minutes
CategoryCompetencies, capacities and cultures
Sub-categoryTeacher AI competencies
AudienceTeacher educators, ministries, researchers, school leaders
Key contributionMoving teachers from AI tool use to agent creation and Boundary Learning
A Sustained Programme · April 2025 to April 2026
This programme is not a one-off pilot. It has accumulated three iterative cohorts within twelve months — April 2025, September 2025, and April 2026 — each generating evidence that informed the next round of platform design, teacher training, and research analysis.
April 2025
Cohort 1 · Foundation
Tool use, prompts, first agents
The first Pingshan training cohort focused on AI tool literacy: prompt design, single-agent use, and early classroom experiments — the foundation on which subsequent cohorts built.
Pingshan district workshops
September 2025
Cohort 2 · Expansion
Multi-subject seminars, seed teachers
The second cohort expanded into subject communities (English speaking assessment, biology inquiry, IT) and began school-based seed teacher programmes, focusing on multi-agent workflows and classroom cases.
Subject communities · school-based PD
April 2026
Cohort 3 · Systematic
Boundary Learning research
The third cohort moved from training delivery into systematic research. Four peer-reviewed papers at AERA and ISLS analysed teacher behaviour, AI-TPACK enactment, and sustained engagement. Boundary Learning emerged as the synthesising framework in an ongoing journal manuscript.
AERA 2026 · ISLS 2026 · ongoing journal
A Bridge Context: Why Pingshan Matters Globally
For international readers, Shenzhen is one of China’s most economically advanced and technologically ambitious cities. Yet the three systematically studied cohorts in this project were conducted in Pingshan District, one of Shenzhen’s comparatively least-resourced districts. This is neither a typical Western high-resource metropolitan case nor a conventional Global South low-resource case. It is a bridge context: a site where strong city-level AI momentum meets uneven district-level implementation capacity—and where teacher agency, governance capacity, and school-level support must be actively built rather than assumed.
Advanced city-level AI momentum
Shenzhen provides strong policy attention, technology infrastructure, and early adoption pressure around AI education.
Less-resourced district conditions
Pingshan represents a comparatively resource-constrained district inside a highly developed city, making implementation tensions visible.
A bridge for global learning
The project generates evidence for cities facing uneven capacity across districts, especially in emerging AI education transitions.
Western high-resource casesoften assume mature infrastructure and specialist support
→
Shenzhen Pingshan as a bridge siteadvanced city momentum + district-level capacity gap + teacher-created AI agents
→
Global South and emerging-city relevanceevidence for uneven, fast-moving AI education transitions
Beyond Global North / South binaries
Pingshan sits within an advanced innovation city, but its district-level resource conditions make teacher capacity-building and equitable implementation the central question.
Human-centred digital inclusion
The project foregrounds ordinary teachers learning to create, constrain, and govern AI agents through low-code tools. The contribution is not technological spectacle, but the quiet expansion of teacher agency and local pedagogical authorship.
A different story of Chinese basic education
International narratives often focus on test performance and large-scale infrastructure. This project offers a complementary story: teacher agency, pedagogical control, and responsible AI governance in everyday classrooms.
The Global Challenge: AI Use Without Pedagogical Boundaries
Schools worldwide are rapidly introducing AI into teaching and learning. Yet much teacher AI training remains focused on tool operation, prompt writing, and efficiency gains. In Shenzhen — across Pingshan, Futian, Bao'an, and Guangming districts plus partner schools — we trained over 1,000 teachers in a different pathway, with three Pingshan cohorts systematically studied: teachers learned to create pedagogical AI agents and decide how these agents should participate in learning. This shift matters because AI may otherwise quietly outsource students' thinking, weaken teachers' professional judgment, and produce automated answers instead of critical inquiry.
Our project responds by shifting the focus from AI operation to AI governance. We help teachers learn when AI should act, when it should be constrained, when human control should be reclaimed, and when AI should remain absent from student learning.
Friction
Cognitive Outsourcing
AI gives too much, too early, reducing students’ need to reason, question, or construct meaning.
Friction
Metacognitive Laziness
AI handles planning, monitoring, or evaluation in ways that reduce learners’ opportunities to regulate their own thinking.
Friction
Loss of Pedagogical Control
Teachers use ready-made AI outputs without knowing how to constrain, redirect, or reclaim AI participation.
The Hardness of Facts: Implementation Reach and Research Evidence
The broader programme reached more than 1,000 teachers across Pingshan, Futian, Bao'an, and Guangming districts in Shenzhen (plus several partner schools) through district-level workshops, school-based seed teacher programmes, and subject-specific seminars. Within this wider reach, the systematic research claims reported here are grounded in three large-scale cohorts in Pingshan District selected for systematic analysis, which have generated four accepted peer-reviewed conference papers.
We distinguish implementation reach from research evidence. Broad implementation demonstrates scalability; research cohorts provide analyzable evidence through platform logs, surveys, agent artifacts, defense presentations, and interviews.
Concrete Classroom Stories: Boundary Learning in Practice
Boundary Learning is not an abstract theory imposed from outside. It emerged from real classrooms, teacher workshops, and subject-specific professional learning activities.
Biology inquiry classroom
AI as a scaffold for exploration and design refinement—not an answer machine.
Biology Inquiry
AI as Design Scaffold, Not Answer Machine
In a Futian biology teaching seminar, a teacher presented a lesson on designing and making ecological bottles. Students used AI-supported interactive pages to explore materials and methods, while agents provided formative diagnosis and personalized suggestions. The learning value did not come from AI producing final answers, but from AI supporting inquiry, design refinement, and teacher-guided judgment.
Multi-agent workflows can expand assessment capacity while preserving teacher judgment.
English Speaking Assessment
Expanding Capacity While Preserving Judgment
In a Pingshan human–AI co-education seminar, more than 300 English teachers and AI education leaders explored how multi-agent workflows could support speaking assessment across item generation, practice, standard-setting, and feedback. The case shows that AI can expand assessment capacity, but teachers still need to decide what should be automated and what should remain pedagogically judged.
Evidence source: Pingshan English training activity / human–AI co-education seminar report.
Teachers explored agent creation while discussing how to avoid cognitive outsourcing.
Information Technology
Preventing Cognitive Outsourcing
In a Bao’an information technology training, teachers were explicitly cautioned against cognitive outsourcing and metacognitive laziness. The training emphasized that AI should provide learning scaffolds rather than replace students’ cognitive participation. Teachers explored AI agents, workflow design, AI programming, and H5 construction while discussing how AI could support—not replace—student thinking.
Evidence source: Bao’an information technology teacher training report.
Seed teachers moved through theory, practice, creation, presentation, and redesign.
Seed Teachers
From Tool Use to Design Leadership
At Changzhen School, seed teachers moved through a full cycle of theory, practice, creation, and presentation. They created subject-specific AI tutors, configured knowledge bases, used sequence, branching, and loop structures, and designed interactive works aligned with ICAP to move students from passive reception toward constructive learning.
Evidence source: Guangming Changzhen School seed teacher training report.
These teacher reflections show how the programme moved beyond tool operation. Teachers began to notice when AI should support, when it should be delayed, when it should be constrained, and when pedagogical control should return to humans.
Human-centred teaching
AI can make classrooms smarter, but it can never replace a teacher’s warmth.
Theme: Teacher agency / human-centred AI
Source: Translated from teacher reflection in AI-empowered pioneer teacher training; lightly edited for clarity.
Pedagogical control
I realized AI scoring was not rigorous enough for this math task, so I removed that step and returned evaluation to peer review and teacher judgment.
Theme: Boundary Learning / control reclamation
Source: Paraphrased from teacher case evidence; not a verbatim quote.
Cognitive outsourcing
Students must first form their own ideas before using the agent; otherwise, they may ask AI for answers from the beginning and skip the essential thinking process.
Theme: AI as scaffold, not answer machine
Source: Translated from teacher defense reflection; lightly edited for clarity.
Productive friction
I designed the agent not as a perfect tutor, but as a deliberately “clumsy” role that gives flawed examples, so students can identify and correct its mistakes.
Theme: Productive friction / agent role design
Source: Translated from teacher presentation; lightly edited for clarity.
Multi-level Implementation: District, School, and Subject Communities
The programme was implemented through multiple nested levels of teacher professional learning: district-level training cohorts at the top, school-based seed teacher programmes and subject communities in the middle, and concrete classroom practice at the bottom. This multi-level structure moved the work beyond one-off workshops into a sustained learning infrastructure.
Six concrete implementation cases
District-level
AI Agent Creation
Nearly 100 teachers joined a two-day Pingshan workshop focused on “creation,” including subject-specific agent development, workflow design, and AI programming. Teachers independently designed discipline-specific AI agents and presented outcomes.
More than 70 teachers were organized into 13 subject groups and presented AI-integrated cases across Chinese, mathematics, English, science, history, ethics, and arts.
More than 300 English teachers and AI education leaders joined a subject-specific seminar on primary English speaking assessment, multi-agent workflows, and human–AI co-education.
Teachers explored AI agents, workflow design, AI programming, and H5 construction, with explicit attention to avoiding cognitive outsourcing and metacognitive laziness.
An RPP-informed Model: Practice, Research, and Iterative Design
This programme was not a one-way technology deployment. It was organized as a CocoRobo-led research–practice partnership among district education partners, schools, teachers, and university research teams from CUHK, HKU, and EdUHK. CocoRobo led the overall initiative while collaborating across research design, academic analysis, technical implementation, and teacher professional learning.
Teachers did not simply attend AI workshops; they repeatedly moved through cycles of designing, testing, debugging, presenting, receiving feedback, and redesigning pedagogical agents. The research agenda evolved with the practice: from artifact quality and participation behavior to AI-TPACK enactment, sustained engagement, and Boundary Learning.
A Sustained Research–Practice Programme, Not a One-off Pilot
Unlike one-off product pilots or isolated academic studies, this programme evolved through repeated cycles of teacher training, platform-supported agent creation, classroom implementation, evidence collection, scholarly analysis, and professional development redesign. Each round of practice generated new research questions; each research finding informed the next round of platform and training design.
Not just deployment
Beyond a product pilot
This work did not begin with a finished tool and end with a showcase. Teachers created pedagogical agents, tested them in subject teaching, encountered friction, and fed those lessons back into platform and PD redesign.
Not just a study
Beyond an isolated academic project
The programme was embedded in authentic district workshops, school-based seed teacher work, and subject communities. It connected real classrooms, sustained implementation, and systematic evidence rather than short-term experimental exposure alone.
Core identity
An evidence-generating learning infrastructure
Teacher learning, platform design, classroom practice, and scholarly inquiry continuously shaped one another. This is what makes the work transferable: it is a sustained model for building teacher agency, not a one-time intervention.
Five Connected Studies: From Creating Agents to Governing AI Participation
The research programme is not a set of disconnected papers. It forms a progressive evidence chain: from whether teachers can create high-quality pedagogical agents, to how they participate, how AI-TPACK is enacted, why sustained engagement is difficult, and finally what mature teacher agency means in AI-mediated classrooms.
Each study, with concrete method and key finding
Paper 1 · AERA 2026 Poster
PA Creation as Teacher Learning
Question: Can teachers create pedagogically meaningful agents through constructionist learning-by-making?
Sample: Pingshan cohort teachers; analysis of pedagogical agent artifacts they produced.
Method: Theoretical synthesis integrating Constructionism, ICAP, and TPACK to analyse teacher agent designs.
Key finding: PA creation functions as a form of constructionist teacher learning — teachers externalise tacit pedagogy into runnable artifacts and revise them through testing.
Paper 2 · AERA 2026 Roundtable
Participation Ecology
Question: How do teachers actually participate after entering an AI agent platform?
Sample: Pingshan teachers; platform interaction logs across the agent creation period.
Method: Hierarchical clustering + thematic analysis of platform usage patterns.
Key finding: Teacher participation clustered into distinct patterns — active creators, browsers, and low-engagement participants — showing that training does not automatically produce active agent creation.
Paper 3 · ISLS 2026 Short Paper
AI-TPACK Enactment
Question: How does AI-TPACK become visible in teachers' design actions, not just self-reports?
Sample: Pingshan teachers designing multi-agent workflows for their subjects.
Method: Mixed methods — platform logs, design artifacts, and reflection interviews — to model AI-TPACK in practice.
Key finding: AI-TPACK is observable in workflow configuration, agent architecture, testing patterns, and design revisions — providing artifact-based evidence beyond questionnaires.
Question: Why does AI agent creation not sustain itself after training?
Sample: Pingshan teachers across post-training period; activity-system data on contradictions encountered.
Method: Activity Theory (CHAT) framework combined with Self-Determination Theory (SDT) to analyse motivational and structural barriers.
Key finding: Activity-system contradictions can frustrate teachers' autonomy, competence, and relatedness — leading to disengagement even after capacity building. Sustainability requires need-supportive, school-embedded PD.
Question: What do mature teachers learn that allows them to govern AI participation rather than just use AI?
Sample: Cross-cohort synthesis across the three-year programme.
Method: Theoretical synthesis with path-dependence analysis of how early task–model fit decisions shape teachers' later boundary judgments.
Key finding (working): Mature teacher AI capacity is path-dependent Boundary Learning — the developed ability to decide when AI should act, be constrained, be reclaimed, or remain absent. Listed separately to avoid overstating publication status.
The series moves from "can teachers create?" to "how do they participate?", from "how do they design?" to "why do they sustain or stop?", and finally to "how do they learn to govern AI participation?"
What the Research Found: Practical Findings with Transferable Value
The four accepted conference papers are not only academic outputs. Together, they form the empirical foundation for the ongoing Boundary Learning journal manuscript on Boundary Learning. Their full venue and author information is provided in the Research Outputs section immediately below. Ongoing work is presented separately and conservatively.
Finding 1 · AERA 2026 Poster
Teachers learn by creating AI agents, not only by listening to AI lectures.
The ICAP–TPACK / Constructionism study showed that pedagogical agent creation can become a form of learning-by-making. When teachers build agents, they externalize tacit teaching ideas, test them, revise them, and turn abstract pedagogy into runnable artifacts.
Practical implication: teacher AI PD should include artifact creation, testing, and reflection—not only prompt demonstrations. Why this matters for education systems: teacher AI capacity building should be organized around design practice, not one-off tool exposure.
Finding 2 · AERA 2026 Roundtable
Training does not automatically turn teachers into active AI creators.
The behavioral clustering study found that teachers participated in agent-building in different ways: some actively created and revised agents, some mainly browsed examples, and some remained low-engagement. This shows that implementation support matters.
Practical implication: schools need follow-up support, examples, community sharing, and time for practice, not one-off workshops. Why this matters for education systems: AI implementation requires school-level conditions, not only individual teacher enthusiasm.
Finding 3 · ISLS 2026 Short Paper
AI-TPACK is visible in teachers’ design actions, not only in self-reports.
The AI-TPACK study used platform logs, artifacts, and interviews to show how teachers enact AI knowledge through workflow configuration, testing, agent architecture, and design reflection. Some teachers systematically optimized workflows; others created many prototypes; others mainly observed.
Practical implication: AI teacher competency assessment should include real artifacts and design traces, not only questionnaires. Why this matters for education systems: teacher AI competency frameworks may need to move beyond self-report surveys toward artifact- and workflow-based evidence.
Sustained AI agent creation requires motivation, autonomy, and system support.
The CHAT–SDT study explained why capacity building alone does not sustain teacher agent creation. Activity-system contradictions can frustrate teachers’ needs for autonomy, competence, and relatedness, leading to disengagement even after training.
Practical implication: effective AI PD must be need-supportive, school-embedded, and iterative. Why this matters for education systems: sustainable teacher AI development depends on autonomy, competence, relatedness, and organizational support.
Mature teacher AI capacity may be path-dependent Boundary Learning.
The ongoing Boundary Learning journal manuscript synthesizes the programme around pedagogical control, task–model–teacher alignment, early task–model fit, diagnostic failure, and teachers’ capacity to decide when AI should be authorized, constrained, reclaimed, or kept absent.
Practical implication: future teacher AI competencies should include boundary judgment and pedagogical control. Why this matters for education systems: advanced teacher AI capacity should include the ability to decide when AI should step back.
Cross-study Lesson
From “more AI use” to “better configured AI participation.”
Across the studies, a consistent lesson emerged: teacher AI professional learning should not be measured only by how often teachers use AI or how many agents they create. The deeper question is whether teachers can design AI participation in ways that protect student thinking and strengthen teacher agency.
Practical implication: AI-supported learning systems need teacher agency, productive friction, and responsible governance. Why this matters for education systems: successful AI adoption should be judged by the quality of human–AI configuration, not by the amount of AI use.
Research Outputs: Peer-reviewed Evidence Behind the Findings
The findings above are grounded in accepted peer-reviewed conference papers and ongoing synthesis work. This section gives the complete citation-style information for the papers most directly connected to teacher-created pedagogical AI agents and Boundary Learning.
Placement logic: These outputs are shown after the plain-language findings so that readers first understand the practical value, then see the scholarly evidence and publication status.
AERA 2026RoundtableApril 2026
Teachers’ Behavior in Building Agents Based on Hierarchical Clustering and Thematic Analysis
Why it matters: Provides behavioral evidence on how teachers actually participate in AI agent-building rather than assuming training automatically leads to active creation.
AERA 2026PosterApril 2026
Empowering Teachers as Creators of Pedagogical Agents: An Integrated Perspective of Constructionism, ICAP, and TPACK
Venue: Proceedings of the 2026 ISLS Annual Meeting, Irvine, CA.
Why it matters: Explains why sustained AI agent creation requires more than technical training: teachers also need autonomy, competence, relatedness, and school-embedded support.
Venue: Proceedings of the 2026 ISLS Annual Meeting, Irvine, CA.
Why it matters: Shows that teacher AI competence can be observed in design traces such as workflow configuration, agent architecture, testing, and revision.
This ongoing Boundary Learning manuscript synthesizes the programme around pedagogical control, task–model–teacher alignment, path shaping through early task–model fit, diagnostic failure, and reflective boundary configuration. It is listed separately to avoid overstating publication status.
Boundary Learning: A Framework for Teacher Agency in AI Classrooms
Boundary Learning is the capacity teachers develop when they learn to configure the boundaries of AI participation in student learning. It is not only a technical skill. It is a form of teacher agency and pedagogical leadership.
Mature teacher AI competency is not the ability to use AI more often. It is the ability to decide when AI should act, when it should be constrained, when pedagogical control should be reclaimed, and when AI should step back.
The four capacities in detail
Task Boundary Recognition
Which learning tasks can AI support, and which tasks require student struggle, peer dialogue, or teacher judgment?
Model Boundary Diagnosis
When AI fails, is the problem caused by prompting, workflow design, model limitations, task mismatch, or unsuitable delegation?
Pedagogical Responsibility Demarcation
Which decisions should remain with teachers, students, or peers, even when AI can generate plausible outputs?
Structured Configuration
How can teachers translate boundary judgments into prompts, workflows, constraints, role settings, and non-intervention zones?
Boundary Decisions in Practice
Boundary Learning becomes visible when teachers translate judgment into design action. These examples show how teachers can configure AI participation rather than simply accept AI outputs.
Situation
Teacher boundary action
AI gives complete answers too early.
Teacher delays AI feedback and requires students to attempt reasoning first.
Students rely on AI-generated speaking scripts.
Teacher requires peer critique or oral rehearsal before AI-supported revision.
AI-generated assessment rubric is too rigid.
Teacher manually revises criteria and keeps final pedagogical judgment human-led.
Students stop discussing after AI intervention.
Teacher disables or constrains AI temporarily to restore peer dialogue.
Instead of pursuing a frictionless classroom, Boundary Learning helps teachers configure structured boundaries that preserve productive cognitive challenge and protect human agency.
Productive Friction, Not Frictionless Automation
We do not pursue a fully automated or frictionless classroom. Learning requires uncertainty, effort, disagreement, reflection, and cognitive challenge. The role of AI-supported learning infrastructure is not to remove all friction, but to help teachers decide which friction is productive and which friction should be reduced. (This design ethic is shared with our companion proposal on AI in students' collaborative learning.)
Ethics and Data Governance
The research components of this programme were conducted under institutional ethics approval. Data collection followed consent-based procedures and focused primarily on teacher professional learning, including platform logs, teacher surveys, agent artifacts, presentations, and interviews.
Data were used for research and professional development improvement purposes. Personally identifiable information was minimized in analysis and reporting. Where classroom cases were discussed, the focus was on pedagogical design and teacher learning rather than individual student surveillance.
Privacy Protection
Data are handled through consent-based research procedures and reported in aggregate or anonymized form where appropriate.
Pedagogical Purpose
Data are used to improve teacher professional learning and responsible AI-supported pedagogy, not to rank or monitor teachers or students.
Human Responsibility
AI-supported analysis and feedback remain subject to human interpretation, teacher judgment, and ethical review.
IRB / Ethics Approval: This research programme received institutional ethics approval from the Faculty Research Ethics Committee (FREC), Faculty of Education, The University of Hong Kong, under reference EAE26002.The approved study title was “Developing Teachers’ TPACK through Pedagogical AI Agent Design.” Participant-facing research materials can display this ethics reference where needed.
Equity: Giving Ordinary Teachers the Power to Create AI
Advanced AI learning systems should not be available only to elite schools, large technology companies, or highly technical experts. A central goal of this project is to enable ordinary public-school teachers, including those in comparatively less-developed districts such as Pingshan, Shenzhen, to create and govern AI agents for their own students.
Low-code AI agent creation is therefore not only a technical affordance. It is an equity strategy. It gives teachers local authorship, curriculum responsiveness, and the ability to adapt AI to real classroom needs. AI systems should not centralize epistemic authority only in large technology providers; teachers need the capacity to shape AI according to local pedagogical and cultural contexts.
Access
Teachers without programming backgrounds
Teachers can create AI-supported learning designs without needing to become software engineers.
Local relevance
Agents adapted to real classrooms
Agents can be adapted to local curricula, disciplines, student needs, and school contexts.
Protection
Agency and student thinking
AI-supported learning infrastructure should protect teacher agency and student thinking, not simply automate or monitor learning.
What We Do Not Claim
The project is deliberately framed around responsible teacher agency, not technological maximalism.
Boundaries of the claim
We do not claim that all teachers should become AI engineers.
We do not claim that AI should replace pedagogical judgment.
We do not claim that more AI automatically produces better learning.
Alignment with UNESCO Frameworks
This project is designed as a practical and evidence-generating response to UNESCO’s recent work on AI, teacher competencies, digital learning, and ethical governance. Rather than positioning AI as a generic efficiency tool, the project operationalizes UNESCO’s human-centred AI agenda through teacher-created pedagogical agents and boundary-governed AI participation.
UNESCO AI CFT 2024
AI Competency Framework for Teachers
UNESCO’s teacher AI competency framework emphasizes human-centred mindsets, AI ethics, AI foundations and applications, AI pedagogy, and AI for professional learning, with progression from acquisition to deeper integration and creation. This project responds to the “Create” level by supporting teachers to design, test, and govern pedagogical AI agents rather than merely use AI tools.
UNESCO GenAI Guidance 2023
Guidance for Generative AI in Education and Research
UNESCO’s GenAI guidance calls for human-centred, safe, ethical, equitable, and meaningful use of generative AI in education. Our Boundary Learning framework treats teacher-created AI agents as systems requiring pedagogical design, privacy protection, model-boundary diagnosis, and human responsibility.
UNESCO AI Ethics 2021
Recommendation on the Ethics of Artificial Intelligence
UNESCO’s global AI ethics recommendation emphasizes human rights, human dignity, fairness, transparency, data governance, and human oversight. The project aligns with these principles through IRB-reviewed research, consent-based data procedures, privacy protection, and teacher-led pedagogical control.
DLW 2026 Theme
Facts. Frictions. Frontiers.
The project contributes facts through multi-source evidence and accepted research outputs; examines frictions such as cognitive outsourcing, metacognitive laziness, and task–model mismatch; and advances a frontier model of teacher-created AI agents, Boundary Learning, and teacher professional learning for AI-mediated classrooms.
UNESCO Alignment Map
UNESCO Frameworks
AI Competency Framework for Teachers
Guidance for Generative AI in Education and Research
Recommendation on the Ethics of Artificial Intelligence
Digital Learning Week 2026: Facts, Frictions, Frontiers
Project Response
From AI tool use to responsible AI agent creation
Boundary Learning as teacher agency and pedagogical leadership
IRB-reviewed research, privacy protection, and human oversight
Evidence-generating RPP across district, school, and subject contexts
Human-Centred Design Ethic: Powerful but Humble Systems
We understand AI-supported education as learning systems in which AI is embedded in the structure of teaching and learning, where learning processes are co-shaped by human and artificial agents. But AI-supported education is not the pursuit of full automation.
Our design ethic is to build systems that are powerful but humble: systems that expand teacher and student agency, preserve productive friction, respect learner difference, and keep pedagogical responsibility visible. AI should not make pedagogical responsibility invisible. We see this as patient social progress: helping teachers and schools build capacity without creating unnecessary opposition or division.
Agency, not automationProductive friction, not smoothnessResponsibility, not opacity
This page is prepared as supporting material for UNESCO Digital Learning Week proposal submission. The project is presented as a research–practice partnership and evidence-generating teacher professional learning programme, not as a commercial product demonstration.
Collaboration note: The programme is led by CocoRobo and developed together with research teams from CUHK, HKU, and EdUHK, alongside district and school partners.
UNESCO 数字学习周辅助页面
从 AI 工具使用者到 AI 智能体创设者
当 AI 开始在课堂中行动、评价、引导和生成时，教师如何继续保持教学决策者的角色？
本项目帮助教师创设并治理教学 AI 智能体——而不只是使用 AI 工具。我们将这种新兴能力称为边界学习：教师判断 AI 何时应该介入、何时应被约束、何时应被收回控制权，以及何时应保持缺席的能力。
本辅助页面用于配合 UNESCO 数字学习周申报汇报。它聚焦一个面向政策与实践的具体问题：深圳教师——通过覆盖 坪山、福田、宝安、光明等区 及若干合作学校的、累计触达 1,000 余名教师的更广泛培训项目——如何学习设计、治理并批判性地约束 AI 在课堂中的参与。本页所报告的系统研究证据来自坪山区的三个研究群体，那是中国最具技术创新能力城市之一内部、相对资源较弱的城区。
对国际读者而言，深圳是中国经济最发达、技术雄心最强的城市之一。然而，本项目三个经过系统研究的培训群体均位于坪山区——深圳相对资源最薄弱的城区之一。该场域既不是典型的西方高资源大城市案例，也不是传统意义上的全球南方低资源案例。它是一个桥接型场域：强劲的城市级 AI 动能与不均衡的区级实施能力在此相遇——教师能动性、治理能力和学校支持必须被主动建设，而不能被预设。
城市层面的 AI 推进动能
深圳在 AI 教育方面具有较强的政策关注、技术基础设施和较早的应用推动力。
相对资源较弱的城区条件
坪山位于高度发达城市内部，却面临相对有限的区域资源条件，因此能更清楚地呈现实施中的张力。
面向全球学习的桥接
本项目为处于不同 AI 教育发展阶段、城市内部能力不均衡的城市，提供早期证据。
西方高资源案例往往预设成熟基础设施和专业支持
→
深圳坪山作为桥接场域先进城市动能 + 区级能力差距 + 教师创设 AI 智能体
→
对全球南方与新兴城市的启发为快速但不均衡的 AI 教育转型提供证据
超越全球北方/南方二分
坪山位于高度创新城市之中，但其区级资源条件使教师能力建设与公平实施成为核心问题。
以人为本的数字包容
本项目关注普通教师如何通过低代码工具学习创设、约束和治理 AI 智能体。它的贡献不是技术奇观，而是温和地扩展教师能动性与本地教学创作权。
关于中国基础教育的另一种叙事
国际叙事常聚焦于测试表现与大规模基础设施。本项目提供一种补充性的故事：日常课堂中的教师能动性、教学控制权与负责任的 AI 治理。
坪山区培训现场
全球挑战：缺乏教学边界的 AI 使用
世界各地学校正在快速将 AI 引入教与学。然而，许多教师 AI 培训仍聚焦于工具操作、提示词书写和效率提升。在深圳——覆盖坪山、福田、宝安、光明等区及若干合作学校——我们对 1,000 余名教师开展了不同路径的培训，并系统研究了坪山区的三个群体：教师学习创设教学 AI 智能体，并判断这些智能体应如何参与学习。这一转变很重要，因为否则 AI 可能悄然外包学生思考、削弱教师专业判断，并用自动化答案替代批判性探究。
本项目通过将关注点从 AI 操作 转向 AI 治理 来回应这一问题。我们帮助教师学习：AI 何时应介入、何时应被约束、何时应收回人的控制权，以及 AI 何时应在学生学习中保持缺席。
Page d’appui pour la Semaine de l’apprentissage numérique de l’UNESCO
Des utilisateurs d’outils d’IA aux créateurs d’agents IA
Comment les enseignants peuvent-ils rester des décideurs pédagogiques lorsque l’IA commence à agir, évaluer, guider et générer dans les salles de classe ?
Ce projet aide les enseignants à créer et gouverner des agents pédagogiques d’IA — et non simplement à utiliser des outils d’IA. Nous appelons cette capacité émergente l’apprentissage des frontières : la capacité des enseignants à décider quand l’IA doit agir, être contrainte, être reprise en main, ou rester absente.
Le programme de formation plus large a touché plus de 1 000 enseignants à travers les districts de Pingshan, Futian, Bao'an et Guangming à Shenzhen — plus plusieurs écoles partenaires. Dans cette portée plus large, les preuves de recherche systématique présentées ici proviennent de trois cohortes situées dans le district de Pingshan, un district relativement moins doté en ressources au sein de l'une des villes les plus avancées de Chine sur le plan technologique.
Collaboration dirigée par CocoRobo : ce programme a été dirigé par CocoRobo et développé en collaboration avec des équipes de recherche de The Chinese University of Hong Kong (CUHK), The University of Hong Kong (HKU) et The Education University of Hong Kong (EdUHK), couvrant la conception expérimentale, la recherche académique, la mise en œuvre technique et la formation professionnelle des enseignants.
Cette page accompagne une proposition de présentation pour la Semaine de l’apprentissage numérique de l’UNESCO. Elle met au premier plan une question concrète de politique et de pratique : comment les enseignants de Shenzhen — à travers un programme de formation plus large touchant plus de 1 000 enseignants dans les districts de Pingshan, Futian, Bao’an et Guangming, plus plusieurs écoles partenaires — ont appris à concevoir, gouverner et contraindre de manière critique la participation de l’IA en classe. Les preuves de recherche systématique présentées ici proviennent de trois cohortes situées dans le district de Pingshan, un district relativement moins doté au sein de l’une des villes les plus avancées de Chine sur le plan technologique.
FormatPrésentation en session parallèle, 8–12 minutes
CatégorieCompétences, capacités et cultures
Sous-catégorieCompétences enseignantes en IA
Public viséFormateurs d’enseignants, ministères, chercheurs, chefs d’établissement
Contribution cléPasser de l’usage d’outils d’IA à la création d’agents et au Boundary Learning
Un programme soutenu · Avril 2025 à Avril 2026
Ce programme n'est pas un projet pilote ponctuel. Il a accumulé trois cohortes itératives en douze mois — avril 2025, septembre 2025 et avril 2026 — chacune produisant des preuves qui ont nourri le cycle suivant de conception de plateforme, de formation enseignante et d'analyse de recherche.
Avril 2025
Cohorte 1 · Fondation
Utilisation d'outils, prompts, premiers agents
La première cohorte de Pingshan s'est concentrée sur la littératie des outils IA : conception de prompts, utilisation d'agent unique, premières expériences en classe — la fondation sur laquelle les cohortes suivantes ont été construites.
Ateliers de district Pingshan
Septembre 2025
Cohorte 2 · Expansion
Séminaires multi-disciplines, enseignants-graines
La deuxième cohorte s'est étendue aux communautés disciplinaires (évaluation orale d'anglais, enquête biologique, TIC) et a lancé les programmes d'enseignants-graines en école, en se concentrant sur les workflows multi-agents et les cas de classe.
Communautés disciplinaires · formation en école
Avril 2026
Cohorte 3 · Systématique
Recherche Boundary Learning
La troisième cohorte est passée de la formation à la recherche systématique. Quatre articles évalués par les pairs à AERA et ISLS analysent le comportement enseignant, la mise en pratique de l'AI-TPACK et l'engagement durable. Boundary Learning émerge comme cadre intégrateur dans un manuscrit de revue en cours.
AERA 2026 · ISLS 2026 · manuscrit en cours
Un contexte-pont : pourquoi Pingshan importe à l'échelle mondiale
Pour les lecteurs internationaux, Shenzhen est l'une des villes les plus avancées économiquement et technologiquement en Chine. Pourtant, les trois cohortes étudiées dans ce projet ont eu lieu dans le district de Pingshan, l'un des districts comparativement les moins dotés en ressources de Shenzhen. Ce site n'est ni un cas occidental à hautes ressources, ni un cas typique du Sud global à faibles ressources. C'est un contexte-pont : un lieu où la dynamique d'IA à l'échelle de la ville rencontre une capacité d'implémentation inégale au niveau du district — où l'agentivité des enseignants, les capacités de gouvernance et le soutien scolaire doivent être activement construits plutôt que présupposés.
Dynamique d'IA au niveau de la ville
Shenzhen offre une forte attention politique, une infrastructure technologique et une pression d'adoption précoce autour de l'éducation à l'IA.
Conditions de district moins dotées
Pingshan représente un district aux ressources comparativement contraintes dans une ville hautement développée, rendant visibles les tensions de mise en œuvre.
Un pont pour l'apprentissage global
Le projet génère des preuves pour les villes confrontées à des capacités inégales entre districts, en particulier dans les transitions émergentes d'éducation à l'IA.
Cas occidentaux à hautes ressourcesprésupposent souvent une infrastructure mature et un soutien spécialisé
→
Shenzhen Pingshan comme site-pontdynamique de ville avancée + écart de capacité de district + agents IA créés par les enseignants
→
Pertinence pour le Sud global et les villes émergentespreuves pour des transitions d'IA éducative inégales et rapides
Au-delà des binaires Nord/Sud
Pingshan se trouve dans une ville d'innovation avancée, mais ses conditions de ressources au niveau du district font du renforcement des capacités enseignantes et de l'implémentation équitable la question centrale.
Inclusion numérique centrée sur l'humain
Le projet met en avant des enseignants ordinaires apprenant à créer, contraindre et gouverner des agents IA via des outils low-code. La contribution n'est pas un spectacle technologique, mais l'extension discrète de l'agentivité enseignante et de l'autorité pédagogique locale.
Une autre histoire de l'éducation chinoise
Les récits internationaux se concentrent souvent sur les performances aux tests et les grandes infrastructures. Ce projet offre une histoire complémentaire : agentivité enseignante, contrôle pédagogique et gouvernance responsable de l'IA dans les classes ordinaires.
Scène de formation à Pingshan
Le défi mondial : utiliser l’IA sans frontières pédagogiques
Les écoles du monde entier introduisent rapidement l’IA dans l’enseignement et l’apprentissage. Pourtant, de nombreuses formations enseignantes à l’IA restent centrées sur l’usage des outils, l’écriture de prompts et les gains d’efficacité. À Shenzhen — à travers les districts de Pingshan, Futian, Bao’an et Guangming plus plusieurs écoles partenaires — nous avons formé plus de 1 000 enseignants à une autre voie, avec trois cohortes de Pingshan étudiées systématiquement : les enseignants ont appris à créer des agents pédagogiques d’IA et à décider comment ces agents devaient participer à l’apprentissage. Ce déplacement est important, car l’IA peut autrement externaliser silencieusement la pensée des élèves, affaiblir le jugement professionnel des enseignants et produire des réponses automatisées au lieu d’un questionnement critique.
Notre projet répond en déplaçant le centre de gravité de l’opération de l’IA vers la gouvernance de l’IA. Nous aidons les enseignants à apprendre quand l’IA doit agir, quand elle doit être contrainte, quand le contrôle humain doit être repris et quand l’IA doit rester absente de l’apprentissage des élèves.
Friction
Externalisation cognitive
L’IA donne trop, trop tôt, réduisant le besoin des élèves de raisonner, questionner ou construire du sens.
Friction
Paresse métacognitive
L’IA prend en charge la planification, le suivi ou l’évaluation, ce qui réduit les occasions pour les apprenants de réguler leur propre pensée.
Friction
Perte de contrôle pédagogique
Les enseignants utilisent des sorties IA prêtes à l’emploi sans savoir comment contraindre, rediriger ou reprendre la participation de l’IA.
La solidité des faits : portée de mise en œuvre et preuves de recherche
Le programme plus large a touché plus de 1 000 enseignants à travers les districts de Pingshan, Futian, Bao’an et Guangming à Shenzhen (plus plusieurs écoles partenaires) par des ateliers de district, des programmes d’enseignants relais au niveau des écoles et des séminaires disciplinaires. Dans cette portée plus large, les affirmations de recherche systématique présentées ici reposent sur trois cohortes à grande échelle dans le district de Pingshan sélectionnées pour une analyse approfondie, qui ont donné lieu à quatre articles de conférences évalués par les pairs et acceptés.
Nous distinguons la portée de mise en œuvre des preuves de recherche. La mise en œuvre large démontre la capacité de passage à l’échelle ; les cohortes de recherche fournissent des preuves analysables à partir des journaux de plateforme, enquêtes, artefacts d’agents, présentations de soutenance et entretiens.
Ateliers de district à travers les quatre districts
Programmes d’enseignants relais au niveau des écoles
Séminaires disciplinaires
Cas d’enseignement IA ancrés dans la classe
Couche de preuves de recherche
3 cohortes à grande échelle dans le district de Pingshan systématiquement étudiées (le sous-ensemble sélectionné pour l’analyse approfondie)
Journaux de plateforme et enquêtes enseignantes
Artefacts d’agents et présentations de soutenance
Entretiens et analyse thématique
4 articles de conférences acceptés + 1 manuscrit de revue en cours
Histoires de classes concrètes : le Boundary Learning en pratique
Le Boundary Learning n’est pas une théorie abstraite imposée de l’extérieur. Il a émergé de classes réelles, d’ateliers enseignants et d’activités de formation professionnelle disciplinaires.
Classe d’enquête en biologie
L’IA comme échafaudage pour l’exploration et l’amélioration de la conception — pas comme machine à réponses.
Enquête en biologie
L’IA comme échafaudage de conception, non comme machine à réponses
Lors d’un séminaire d’enseignement de la biologie à Futian, une enseignante a présenté une leçon sur la conception et la fabrication de bouteilles écologiques. Les élèves ont utilisé des pages interactives soutenues par l’IA pour explorer les matériaux et méthodes, tandis que des agents fournissaient un diagnostic formatif et des suggestions personnalisées. La valeur d’apprentissage ne venait pas de réponses finales produites par l’IA, mais du soutien apporté à l’enquête, à l’amélioration de la conception et au jugement guidé par l’enseignante.
Source de preuve : rapport sur le séminaire de biologie assistée par l’IA à l’école primaire Futian Liyuan.
Séminaire d’évaluation de l’expression orale en anglais
Les workflows multi-agents peuvent étendre la capacité d’évaluation tout en préservant le jugement enseignant.
Évaluation orale en anglais
Étendre la capacité tout en préservant le jugement
Dans un séminaire de co-éducation humain–IA à Pingshan, plus de 300 enseignants d’anglais et responsables de l’éducation à l’IA ont exploré comment des workflows multi-agents pouvaient soutenir l’évaluation de l’expression orale : génération d’items, entraînement, définition des standards et feedback. Le cas montre que l’IA peut étendre la capacité d’évaluation, mais que les enseignants doivent encore décider ce qui peut être automatisé et ce qui doit rester jugé pédagogiquement.
Source de preuve : activité de formation en anglais à Pingshan / rapport de séminaire sur la co-éducation humain–IA.
Formation d’enseignants en technologies de l’information
Les enseignants ont exploré la création d’agents tout en discutant des moyens d’éviter l’externalisation cognitive.
Technologies de l’information
Prévenir l’externalisation cognitive
Dans une formation en technologies de l’information à Bao’an, les enseignants ont été explicitement mis en garde contre l’externalisation cognitive et la paresse métacognitive. La formation a souligné que l’IA devait fournir des échafaudages d’apprentissage plutôt que remplacer la participation cognitive des élèves. Les enseignants ont exploré des agents IA, la conception de workflows, la programmation IA et la construction H5 tout en discutant de la manière dont l’IA peut soutenir — et non remplacer — la pensée des élèves.
Source de preuve : rapport de formation des enseignants en technologies de l’information à Bao’an.
Les enseignants relais ont traversé un cycle complet de théorie, pratique, création, présentation et reconception.
Enseignants relais
De l’usage des outils au leadership de conception
À l’école Changzhen, les enseignants relais ont suivi un cycle complet de théorie, pratique, création et présentation. Ils ont créé des tuteurs IA disciplinaires, configuré des bases de connaissances, utilisé des structures de séquence, branchement et boucle, et conçu des œuvres interactives alignées avec ICAP pour faire passer les élèves d’une réception passive vers un apprentissage constructif.
Source de preuve : rapport de formation des enseignants relais de l’école Changzhen à Guangming.
Voix d’enseignants : ce qu’ils ont commencé à remarquer
Ces réflexions enseignantes montrent que le programme a dépassé l’opération d’outils. Les enseignants ont commencé à remarquer quand l’IA devait soutenir, quand elle devait être différée, quand elle devait être contrainte, et quand le contrôle pédagogique devait revenir aux humains.
Enseignement centré sur l’humain
L’IA peut rendre les classes plus intelligentes, mais elle ne remplacera jamais la chaleur d’un enseignant.
Thème : agency enseignante / IA centrée sur l’humain
Source : traduit d’une réflexion enseignante dans la formation des enseignants pionniers IA ; légèrement édité pour plus de clarté.
Contrôle pédagogique
J’ai compris que la notation par IA n’était pas assez rigoureuse pour cette tâche de mathématiques ; j’ai donc retiré cette étape et rendu l’évaluation aux pairs et au jugement enseignant.
Thème : Boundary Learning / reprise de contrôle
Source : reformulé à partir de preuves de cas enseignant ; ce n’est pas une citation verbatim.
Externalisation cognitive
Les élèves doivent d’abord formuler leurs propres idées avant d’utiliser l’agent ; sinon, ils risquent de demander des réponses à l’IA dès le début et de sauter le processus essentiel de réflexion.
Thème : l’IA comme échafaudage, non comme machine à réponses
Source : traduit d’une réflexion de soutenance enseignante ; légèrement édité pour plus de clarté.
Friction productive
Je n’ai pas conçu l’agent comme un tuteur parfait, mais comme un rôle volontairement « maladroit » donnant des exemples imparfaits, afin que les élèves identifient et corrigent eux-mêmes ses erreurs.
Thème : friction productive / conception du rôle de l’agent
Source : traduit d’une présentation enseignante ; légèrement édité pour plus de clarté.
Mise en œuvre multi-niveaux : district, école et communautés disciplinaires
Le programme a été mis en œuvre à plusieurs niveaux imbriqués de formation professionnelle enseignante : au sommet, des cohortes de district transversales ; au milieu, des programmes d’enseignants relais au niveau des écoles et des communautés disciplinaires ; à la base, la pratique concrète en classe. Cette structure multi-niveaux a fait passer le projet d’ateliers ponctuels à une infrastructure d’apprentissage soutenue.
Intention de la figure : le programme est organisé comme une structure imbriquée — les ateliers de district nourrissent les programmes d’enseignants relais et les communautés disciplinaires, qui à leur tour façonnent la pratique concrète en classe. Le Boundary Learning émerge là où ces couches se rencontrent.
Six cas concrets de mise en œuvre
District
Création d’agents IA
Près de 100 enseignants ont participé à un atelier de deux jours à Pingshan centré sur la « création », incluant le développement d’agents disciplinaires, la conception de workflows et la programmation IA. Les enseignants ont conçu de manière autonome des agents IA disciplinaires et présenté leurs productions.
Plus de 70 enseignants ont été organisés en 13 groupes disciplinaires et ont présenté des cas d’intégration de l’IA en chinois, mathématiques, anglais, sciences, histoire, éthique et arts.
Plus de 300 enseignants d’anglais et responsables de l’éducation à l’IA ont participé à un séminaire disciplinaire sur l’évaluation orale en anglais au primaire, les workflows multi-agents et la co-éducation humain–IA.
Les enseignants de l’école Changzhen ont traversé un cycle complet théorie–pratique–création–présentation, créant des agents, workflows et produits H5 d’apprentissage.
Un séminaire de biologie à Futian a présenté des cas de classe utilisant des agents, pages interactives, diagnostics formatifs, suggestions personnalisées et amélioration de conceptions d’élèves.
Les enseignants ont exploré agents IA, conception de workflows, programmation IA et construction H5, avec une attention explicite à l’externalisation cognitive et à la paresse métacognitive.
Un modèle inspiré des RPP : pratique, recherche et conception itérative
Ce programme n’était pas un déploiement technologique à sens unique. Il a été organisé comme un partenariat recherche–pratique dirigé par CocoRobo entre partenaires éducatifs de district, écoles, enseignants et équipes universitaires de CUHK, HKU et EdUHK. CocoRobo a dirigé l’initiative globale tout en collaborant à la conception de recherche, l’analyse académique, la mise en œuvre technique et la formation professionnelle des enseignants.
Partenaires et rôles
Partenaire
Contribution
Partenaires éducatifs de district
Organisation, alignement avec les politiques, mise en œuvre régionale
Écoles
Contextes de classe, participation enseignante, développement professionnel au niveau de l’école
Enseignants
Problèmes de pratique, artefacts, feedback, décisions de conception
Collaborateurs universitaires (CUHK, HKU, EdUHK)
Conception de recherche, construction théorique, conception expérimentale, analyse de données et validation académique
CocoRobo (chef de programme)
Leadership du programme, infrastructure d’apprentissage soutenue par l’IA, mise en œuvre technique, itération de plateforme, formation des enseignants et reconception du développement professionnel
Des ateliers aux boucles de conception itérative
Les enseignants n’ont pas simplement assisté à des ateliers d’IA ; ils ont traversé à plusieurs reprises des cycles de conception, test, débogage, présentation, feedback et reconception d’agents pédagogiques. L’agenda de recherche a évolué avec la pratique : de la qualité des artefacts et des comportements de participation à l’AI-TPACK en action, l’engagement durable et le Boundary Learning.
Un programme recherche–pratique durable, pas un pilote ponctuel
Contrairement à des pilotes produits ponctuels ou à des études académiques isolées, ce programme a évolué par cycles répétés de formation enseignante, création d’agents soutenue par la plateforme, mise en œuvre en classe, collecte de preuves, analyse scientifique et reconception du développement professionnel. Chaque cycle de pratique a généré de nouvelles questions de recherche ; chaque résultat de recherche a informé le cycle suivant de conception de plateforme et de formation.
Pas seulement un déploiement
Au-delà d’un pilote produit
Ce travail n’a pas commencé par un outil fini pour se terminer par une vitrine. Les enseignants ont créé des agents pédagogiques, les ont testés dans l’enseignement disciplinaire, ont rencontré des frictions et ont réinjecté ces leçons dans la reconception de la plateforme et de la formation.
Pas seulement une étude
Au-delà d’un projet académique isolé
Le programme était intégré à de véritables ateliers de district, à un travail d’enseignants relais au niveau des écoles et à des communautés disciplinaires. Il a relié classes réelles, mise en œuvre durable et preuves systématiques, au-delà d’une exposition expérimentale de court terme.
Identité centrale
Une infrastructure d’apprentissage génératrice de preuves
L’apprentissage des enseignants, la conception de plateforme, la pratique de classe et l’enquête scientifique se sont continuellement façonnés les uns les autres. C’est ce qui rend le travail transférable : un modèle durable de construction de l’agency enseignante, et non une intervention ponctuelle.
Cinq études connectées : de la création d’agents à la gouvernance de la participation de l’IA
Le programme de recherche n’est pas un ensemble d’articles déconnectés. Il forme une chaîne progressive de preuves : les enseignants peuvent-ils créer des agents pédagogiques de qualité ? Comment participent-ils ? Comment l’AI-TPACK se manifeste-t-il ? Pourquoi l’engagement durable est-il difficile ? Et enfin, que signifie une agency enseignante mature dans des classes médiées par l’IA ?
Intention de la figure : Chaque étude répond à une question ouverte par la précédente. La chaîne passe du descriptif (peuvent-ils / comment) à l’explicatif (pourquoi) puis à la synthèse (Boundary Learning comme construit intégrateur).
Article 1
Création de PA comme apprentissage enseignant
Les enseignants peuvent-ils créer des agents pédagogiquement significatifs ? Cette étude cadre la création de PA comme apprentissage constructionniste par le faire.
Article 2
Écologie de participation
Comment les enseignants participent-ils réellement après leur entrée sur la plateforme ? Cette étude examine les patterns de consultation, création et faible engagement.
Article 3
AI-TPACK en action
Comment l’AI-TPACK est-il pratiqué dans la conception de workflows multi-agents ? Cette étude examine traces de conception, artefacts et réflexion.
Article 4
Engagement durable
Pourquoi les enseignants ne continuent-ils pas automatiquement à créer des agents après la formation ? Cette étude explique le paradoxe du faible engagement.
Article 5 · Travail en cours
Boundary Learning
Qu’apprennent les enseignants matures ? Ce manuscrit de revue en cours examine le jugement de frontière dépendant du parcours dans la conception de PA créés par des enseignants.
La série passe de « les enseignants peuvent-ils créer ? » à « comment participent-ils ? », de « comment conçoivent-ils ? » à « pourquoi persistent-ils ou s’arrêtent-ils ? », et enfin à « comment apprennent-ils à gouverner la participation de l’IA ? ».
Ce que la recherche a montré : des résultats pratiques et transférables
Les quatre articles de conférences acceptés ne sont pas seulement des productions académiques. Ensemble, ils constituent le socle empirique du manuscrit en cours sur le Boundary Learning sur le Boundary Learning. Les informations complètes sur les lieux de publication et les auteurs sont fournies dans la section suivante.
Résultat 1 · AERA 2026 Poster
Les enseignants apprennent en créant des agents IA, pas seulement en écoutant des conférences sur l’IA.
L’étude ICAP–TPACK / constructionnisme montre que la création d’agents pédagogiques peut devenir une forme d’apprentissage par la création. En construisant des agents, les enseignants externalisent des idées pédagogiques tacites, les testent, les révisent et transforment une pédagogie abstraite en artefacts exécutables.
Implication pratique : la formation IA des enseignants devrait inclure création d’artefacts, tests et réflexion — pas seulement des démonstrations de prompts. Pourquoi cela compte pour les systèmes éducatifs : le renforcement des capacités enseignantes en IA devrait être organisé autour de pratiques de conception, et non d’expositions ponctuelles aux outils.
Résultat 2 · AERA 2026 Roundtable
La formation ne transforme pas automatiquement les enseignants en créateurs actifs d’IA.
L’étude par clustering comportemental montre que les enseignants participent à la construction d’agents de différentes manières : certains créent et révisent activement, certains consultent principalement des exemples, et d’autres restent peu engagés. Cela montre l’importance du soutien à la mise en œuvre.
Implication pratique : les écoles ont besoin de soutien de suivi, d’exemples, de partage communautaire et de temps de pratique, pas seulement d’ateliers ponctuels. Pourquoi cela compte : la mise en œuvre de l’IA exige des conditions au niveau de l’école, pas seulement l’enthousiasme individuel des enseignants.
Résultat 3 · ISLS 2026 Short Paper
L’AI-TPACK est visible dans les actions de conception des enseignants, pas seulement dans les auto-déclarations.
L’étude AI-TPACK utilise journaux de plateforme, artefacts et entretiens pour montrer comment les enseignants mettent en œuvre leurs connaissances IA par la configuration de workflows, les tests, l’architecture d’agents et la réflexion de conception.
Implication pratique : l’évaluation des compétences IA enseignantes devrait inclure des artefacts réels et des traces de conception, pas seulement des questionnaires. Pourquoi cela compte : les cadres de compétences IA enseignantes doivent évoluer vers des preuves fondées sur artefacts et workflows.
La création durable d’agents IA exige motivation, autonomie et soutien systémique.
L’étude CHAT–SDT explique pourquoi le renforcement des capacités seul ne soutient pas durablement la création d’agents par les enseignants. Les contradictions du système d’activité peuvent frustrer les besoins d’autonomie, de compétence et de relation, conduisant au désengagement même après formation.
Implication pratique : une formation IA efficace doit soutenir les besoins des enseignants, être intégrée dans l’école et rester itérative. Pourquoi cela compte : le développement durable des compétences IA enseignantes dépend de l’autonomie, de la compétence, de l’appartenance et du soutien organisationnel.
Une capacité enseignante mature en IA pourrait être un Boundary Learning dépendant du parcours.
Le manuscrit en cours sur le Boundary Learning synthétise le programme autour du contrôle pédagogique, de l’alignement tâche–modèle–enseignant, de l’adéquation initiale tâche–modèle, de l’échec diagnostique et de la capacité des enseignants à décider quand l’IA doit être autorisée, contrainte, reprise ou maintenue absente.
Implication pratique : les futures compétences enseignantes en IA devraient inclure jugement de frontière et contrôle pédagogique. Pourquoi cela compte : une compétence avancée en IA inclut la capacité de décider quand l’IA doit se retirer.
Leçon transversale
De « plus d’usage de l’IA » à « une participation de l’IA mieux configurée ».
À travers les études, une leçon constante émerge : la formation professionnelle des enseignants à l’IA ne devrait pas être mesurée seulement par la fréquence d’usage de l’IA ou le nombre d’agents créés. La question plus profonde est de savoir si les enseignants peuvent concevoir la participation de l’IA de manière à protéger la pensée des élèves et renforcer l’agency enseignante.
Implication pratique : les systèmes d’apprentissage soutenus par l’IA ont besoin d’agency enseignante, de friction productive et de gouvernance responsable. Pourquoi cela compte : le succès de l’adoption de l’IA doit être jugé par la qualité de la configuration humain–IA, et non par la quantité d’usage de l’IA.
Productions scientifiques : preuves évaluées par les pairs derrière les résultats
Les résultats ci-dessus s’appuient sur des articles de conférences acceptés et des travaux de synthèse en cours. Cette section donne les informations de type citation pour les travaux les plus directement liés aux agents pédagogiques d’IA créés par les enseignants et au Boundary Learning.
AERA 2026RoundtableAvril 2026
Teachers’ Behavior in Building Agents Based on Hierarchical Clustering and Thematic Analysis
Pourquoi c’est important : fournit des preuves comportementales sur la manière dont les enseignants participent réellement à la construction d’agents IA.
AERA 2026PosterAvril 2026
Empowering Teachers as Creators of Pedagogical Agents: An Integrated Perspective of Constructionism, ICAP, and TPACK
Ce manuscrit en cours sur le Boundary Learning synthétise le programme autour du contrôle pédagogique, de l’alignement tâche–modèle–enseignant, de la manière dont l’adéquation initiale tâche–modèle façonne le parcours, de l’échec diagnostique et de la configuration réflexive des frontières. Il est présenté séparément afin de ne pas surestimer son statut de publication.
Boundary Learning : un cadre pour l’agency enseignante dans les classes avec IA
Le Boundary Learning est la capacité que les enseignants développent lorsqu’ils apprennent à configurer les frontières de la participation de l’IA dans l’apprentissage des élèves. Ce n’est pas seulement une compétence technique : c’est une forme d’agency enseignante et de leadership pédagogique.
Une compétence enseignante mature en IA n’est pas la capacité à utiliser l’IA plus souvent. C’est la capacité à décider quand l’IA doit agir, quand elle doit être contrainte, quand le contrôle pédagogique doit être repris et quand l’IA doit se retirer.
Les quatre capacités en détail
Reconnaissance des frontières de tâche
Quelles tâches d’apprentissage l’IA peut-elle soutenir, et quelles tâches exigent effort de l’élève, dialogue entre pairs ou jugement enseignant ?
Diagnostic des frontières du modèle
Quand l’IA échoue, le problème vient-il du prompt, du workflow, des limites du modèle, d’un mauvais appariement de tâche ou d’une délégation inadéquate ?
Délimitation de la responsabilité pédagogique
Quelles décisions doivent rester entre les mains des enseignants, des élèves ou des pairs, même lorsque l’IA peut générer des sorties plausibles ?
Configuration structurée
Comment les enseignants peuvent-ils traduire leurs jugements de frontière en prompts, workflows, contraintes, rôles et zones de non-intervention ?
Décisions de frontière en pratique
Le Boundary Learning devient visible lorsque les enseignants traduisent leur jugement en action de conception. Ces exemples montrent comment les enseignants peuvent configurer la participation de l’IA plutôt que simplement accepter ses sorties.
Situation
Action de frontière de l’enseignant
L’IA donne des réponses complètes trop tôt.
L’enseignant retarde le feedback IA et exige que les élèves tentent d’abord un raisonnement.
Les élèves s’appuient sur des scripts oraux générés par l’IA.
L’enseignant exige une critique par les pairs ou une répétition orale avant la révision soutenue par l’IA.
La grille d’évaluation générée par l’IA est trop rigide.
L’enseignant révise manuellement les critères et garde le jugement pédagogique final sous conduite humaine.
Les élèves cessent de discuter après l’intervention de l’IA.
L’enseignant désactive ou contraint temporairement l’IA pour restaurer le dialogue entre pairs.
Au lieu de poursuivre une classe sans friction, le Boundary Learning aide les enseignants à configurer des frontières structurées qui préservent un défi cognitif productif et protègent l’agency humaine.
Friction productive, pas automatisation sans friction
Nous ne poursuivons pas une classe entièrement automatisée ou sans friction. Apprendre exige incertitude, effort, désaccord, réflexion et défi cognitif. Le rôle de l’infrastructure d’apprentissage soutenue par l’IA n’est pas d’éliminer toute friction, mais d’aider les enseignants à déterminer quelles frictions sont productives et lesquelles doivent être réduites.
Intention de la figure : Cinq paires contrastées rendent le choix de conception concret. La colonne de gauche décrit ce que nous évitons délibérément ; la colonne de droite décrit ce que le Boundary Learning permet aux enseignants de concevoir à la place.
Éthique et gouvernance des données
Les composantes de recherche de ce programme ont reçu une approbation éthique institutionnelle. La collecte de données a suivi des procédures fondées sur le consentement et s’est concentrée principalement sur la formation professionnelle enseignante, notamment les journaux de plateforme, enquêtes, artefacts d’agents, présentations et entretiens.
Les données ont été utilisées à des fins de recherche et d’amélioration de la formation professionnelle. Les informations personnellement identifiables ont été minimisées dans l’analyse et les rapports. Lorsque des cas de classe ont été discutés, l’accent a porté sur la conception pédagogique et l’apprentissage enseignant plutôt que sur la surveillance individuelle des élèves.
Protection de la vie privée
Les données sont traitées selon des procédures fondées sur le consentement et rapportées de manière agrégée ou anonymisée lorsque cela est approprié.
Finalité pédagogique
Les données servent à améliorer la formation professionnelle enseignante et une pédagogie responsable soutenue par l’IA, non à classer ou surveiller enseignants et élèves.
Responsabilité humaine
L’analyse et le feedback soutenus par l’IA restent soumis à l’interprétation humaine, au jugement enseignant et à l’examen éthique.
IRB / approbation éthique : ce programme de recherche a reçu l’approbation institutionnelle du Faculty Research Ethics Committee (FREC), Faculty of Education, The University of Hong Kong, sous la référence EAE26002. Le titre approuvé de l’étude était « Developing Teachers’ TPACK through Pedagogical AI Agent Design ».
Équité : donner aux enseignants ordinaires le pouvoir de créer l’IA
Les systèmes d’apprentissage IA avancés ne devraient pas être réservés aux écoles d’élite, aux grandes entreprises technologiques ou aux experts hautement techniques. Un objectif central de ce projet est de permettre à des enseignants d’écoles publiques ordinaires, y compris dans des districts relativement moins dotés comme Pingshan, Shenzhen, de créer et gouverner des agents IA pour leurs propres élèves.
La création low-code d’agents IA n’est pas seulement une affordance technique. C’est une stratégie d’équité. Elle donne aux enseignants un auteurat local, une réactivité curriculaire et la capacité d’adapter l’IA à de vrais besoins de classe.
Accès
Enseignants sans formation en programmation
Les enseignants peuvent créer des designs d’apprentissage soutenus par l’IA sans devoir devenir ingénieurs logiciels.
Pertinence locale
Agents adaptés aux classes réelles
Les agents peuvent être adaptés aux curricula locaux, disciplines, besoins des élèves et contextes scolaires.
Protection
Agency et pensée des élèves
L’infrastructure d’apprentissage soutenue par l’IA doit protéger l’agency enseignante et la pensée des élèves, et non simplement automatiser ou surveiller l’apprentissage.
Ce que nous ne prétendons pas
Le projet est volontairement cadré autour d’une agency enseignante responsable, et non d’un maximalisme technologique.
Frontières de la revendication
Nous ne prétendons pas que tous les enseignants devraient devenir ingénieurs IA.
Nous ne prétendons pas que l’IA devrait remplacer le jugement pédagogique.
Nous ne prétendons pas que plus d’IA produit automatiquement un meilleur apprentissage.
Alignement avec les cadres de l’UNESCO
Ce projet est conçu comme une réponse pratique et génératrice de preuves aux travaux récents de l’UNESCO sur l’IA, les compétences enseignantes, l’apprentissage numérique et la gouvernance éthique. Plutôt que de positionner l’IA comme un simple outil d’efficacité, il opérationnalise l’agenda d’une IA centrée sur l’humain par des agents pédagogiques créés par les enseignants et une participation de l’IA gouvernée par des frontières.
UNESCO AI CFT 2024
Cadre de compétences en IA pour les enseignants
Le projet répond au niveau « création » en aidant les enseignants à concevoir, tester et gouverner des agents pédagogiques d’IA, et non seulement à utiliser des outils.
Guide GenAI UNESCO 2023
Guidance for Generative AI in Education and Research
Notre cadre de Boundary Learning traite les agents IA créés par les enseignants comme des systèmes exigeant conception pédagogique, protection de la vie privée, diagnostic des frontières du modèle et responsabilité humaine.
Éthique de l’IA UNESCO 2021
Recommendation on the Ethics of Artificial Intelligence
Le projet s’aligne avec ces principes par la recherche approuvée par IRB, les procédures de consentement, la protection de la vie privée et le contrôle pédagogique conduit par les enseignants.
Thème DLW 2026
Facts. Frictions. Frontiers.
Le projet apporte des faits par des preuves multi-sources, examine des frictions comme l’externalisation cognitive et propose une frontière nouvelle du développement professionnel enseignant.
Éthique de conception centrée sur l’humain : des systèmes puissants mais humbles
Nous comprenons l’éducation soutenue par l’IA comme un ensemble de systèmes d’apprentissage dans lesquels l’IA est intégrée à la structure de l’enseignement et de l’apprentissage, où les processus d’apprentissage sont co-façonnés par des agents humains et artificiels. Mais l’éducation soutenue par l’IA n’est pas la poursuite de l’automatisation totale.
Notre éthique de conception vise des systèmes puissants mais humbles : des systèmes qui étendent l’agency des enseignants et des élèves, préservent la friction productive, respectent les différences entre apprenants et rendent visible la responsabilité pédagogique. L’IA ne doit pas rendre invisible la responsabilité pédagogique.
Agency, pas automatisationFriction productive, pas simple fluiditéResponsabilité, pas opacité
Cette page est préparée comme matériel d’appui pour une soumission à la Semaine de l’apprentissage numérique de l’UNESCO. Le projet est présenté comme un partenariat recherche–pratique et un programme de formation professionnelle enseignante générateur de preuves, et non comme une démonstration commerciale de produit.
Note de collaboration : le programme est dirigé par CocoRobo et développé avec des équipes de recherche de CUHK, HKU et EdUHK, ainsi qu’avec des partenaires de district et d’école.