Cette communication s’intéresse au potentiel des modèles de langage (LLM) pour soutenir et renforcer l’engagement étudiant grâce à la production de rétroactions formatives rapides et personnalisés, particulièrement dans le cas de réponses courtes. La littérature montre clairement que la rétroaction constitue l’un des facteurs les plus influents pour favoriser la motivation, l’autorégulation et la persévérance des apprenants (Wisniewski et al., 2020). Toutefois, offrir un feedback fréquent et ciblé demeure difficile dans les contextes d’enseignement à forte charge évaluative. Les avancées récentes en intelligence artificielle générative permettent désormais de fournir des commentaires précis, cohérents et quasi instantanés, ce qui contribue à maintenir l’attention et l’engagement des étudiants (Guo et al., 2024; Tremblay et al., 2025). De plus, les systèmes de rétroaction automatisée favorisent une interaction continue entre l’étudiant et la tâche, créant un environnement d’apprentissage plus dynamique. Certaines études démontrent également que ces outils soutiennent les enseignants en améliorant la qualité et la constance de la rétroaction (Xavier et al., 2025). Cette communication présente la base d’une recension des écrits sur ce thème.