24 Parlons IA : Comment les systèmes adaptatifs apprennent l’apprenant – Partie 1

Lorsque l’on regarde un système d’apprentissage adaptatif, il est très difficile de dire où il s’adapte¹. La technologie utilisée et ce à quoi elle sert changent également d’un système à l’autre.

Cependant, tous les systèmes d’apprentissage adaptatifs savent à qui ils enseignent (connaissances sur l’apprenant), ce qu’ils enseignent (connaissances sur le domaine) et comment enseigner (connaissances sur la pédagogie)².

Un ALS idéal s’adapte de plusieurs façons. Dans la boucle externe, la séquence des activités d’apprentissage est adaptée – similaire à Youtube qui adapte la liste des vidéos recommandées. La boucle externe pourrait également personnaliser les approches d’apprentissage et les niveaux de difficulté.

Dans la boucle interne, au sein de chaque activité, l’ALS surveille la performance étape par étape. Elle adapte le retour d’information et les indices pour corriger les idées fausses, le cas échéant. Elle peut également indiquer un contenu supplémentaire si l’élève a du mal à se souvenir d’un concept appris précédemment. Certains experts affirment qu’il est préférable de laisser la boucle interne à l’instructeur : non seulement il est coûteux et long de programmer toutes les règles pour le sujet et la tâche spécifiques, mais les connaissances et l’expérience de l’enseignant l’emporteront toujours sur celles de la machine³.

Comment les systèmes adaptatifs apprennent l’apprenant

Comme tous les problèmes de recommandation (voir Comment Youtube vous apprend Partie 1), ALS divise la tâche en une ou plusieurs questions de substitution auxquelles la machine peut répondre. Encore une fois, le choix de ce qu’il faut demander – et donc, de ce qu’il faut prédire – a un impact important sur la recommandation affichée.

Le matériel de marketing évoque souvent des objectifs multiples : amélioration des notes, employabilité, engagement… Compte tenu de la nature propriétaire des systèmes, on ne sait généralement pas quelles questions sont codées dans les systèmes, quels objectifs sont optimisés et comment les objectifs à court terme sont différenciés des objectifs à long terme (par exemple, la maîtrise d’un contenu donné pour passer au niveau scolaire suivant)⁴.

Lorsque l’apprentissage automatique est utilisé, quels que soient les objectifs choisis, la prédiction elle-même est basée sur d’autres apprenants ayant des niveaux de compétences et des préférences similaires. C’est-à-dire des apprenants dont les modèles sont similaires.

Le modèle de l’apprenant

Pour créer un modèle d’étudiant, les développeurs se demandent quelles caractéristiques de l’étudiant sont pertinentes pour le processus d’apprentissage. Contrairement aux enseignants qui peuvent observer directement leurs élèves et adapter leur approche, les machines sont limitées aux données qu’elles peuvent collecter et traiter.

Des caractéristiques typiques prises en compte dans un modèle d’étudiant :

• Que sait l’élève – son niveau de connaissances, ses compétences et ses idées fausses^5,2,6 ? Celles-ci sont généralement déduites par le biais d’évaluations, par exemple, la réponse qu’un élève soumet pour un problème de mathématiques.¹ Ces connaissances antérieures sont ensuite comparées à ce qu’il devra savoir à la fin de la période d’apprentissage.
• Comment l’élève préfère apprendre ? Le processus d’apprentissage et les préférences^5,6. Par exemple, le nombre de fois qu’un étudiant tente de répondre à une question avant de parvenir à la bonne réponse, les types de ressources consultées, les notes qu’il a données à une activité¹ ou le matériel qui l’a le plus engagé – images, audio ou texte². Les ALS peuvent également enregistrer quand et comment les compétences ont été acquises et quelles pédagogies ont le mieux fonctionné ⁶.
• L’élève se sent-il motivé ? Les sentiments et les émotions peuvent être enregistrés directement par l’élève ou extraits indirectement de la parole, des expressions faciales, du suivi des yeux, du langage corporel, des signaux physiologiques ou de combinaisons de ces éléments. Ces informations peuvent ensuite être utilisées pour sortir l’étudiant d’états négatifs tels que l’ennui ou la frustration qui inhibent l’apprentissage, et le faire passer à des états positifs tels que l’engagement ou le plaisir.⁷
• Qu’en est-il des aspects cognitifs tels que la mémoire, l’attention, la capacité à résoudre des problèmes, la capacité à prendre des décisions, l’analyse de situations et la pensée critique⁵ ?
• Comment communiquent-ils et collaborent-ils⁵ ? Par exemple, publient-ils des commentaires sur les flux d’autres élèves et comment discutent-ils avec d’autres pour résoudre des problèmes¹ ?
• Qu’en est-il des compétences métacognitives comme l’autorégulation, l’auto-explication, l’auto-évaluation et l’autogestion⁵, la sollicitation d’aide, la conscience et la capacité de contrôler leur propre pensée ? Par exemple, comment ils sélectionnent leurs objectifs d’apprentissage, utilisent leurs connaissances antérieures ou choisissent intentionnellement des stratégies de résolution de problèmes.⁵

Alors que ces données changent, doivent être enregistrées et mises à jour, les modèles contiennent également des caractéristiques statiques telles que l’âge, le sexe, la langue maternelle et le courriel².

La plupart des ALS créent des modèles d’apprenants en se basant sur les interactions avec les étudiants. Certaines glanent également des informations sur d’autres sites, notamment sur les réseaux sociaux. Une fois qu’un modèle est disponible pour chaque apprenant, la machine calcule quels étudiants sont similaires les uns aux autres et estime la probabilité qu’un étudiant donné bénéficie d’une activité, d’un exemple ou d’une question³.

Le modèle de domaine

Nous pouvons établir un parallèle approximatif entre les objets d’apprentissage dans une ALS et les vidéos sur Youtube. Un sujet peut être décomposé en concepts et compétences, appelés unités de connaissances (UC) : ce sont les connaissances que l’apprenant doit connaître³. Chaque UC possède un ensemble d’objets d’apprentissage grâce auxquels le contenu peut être appris et un ensemble d’activités pour évaluer l’apprentissage. Certains auteurs décomposent davantage les objets d’apprentissage en activités d’apprentissage, nous ne le faisons pas ici.

Les objets d’apprentissage  ; peuvent être un texte à lire, une vidéo, un ensemble de problèmes, des activités interactives (du simple remplissage des blancs aux activités d’apprentissage basées sur un scénario), une animation interactive, etc.¹Les objets d’apprentissage donnent ce que l’apprenant doit savoir et les activités d’évaluation indiquent si les connaissances ont été acquises³. Le modèle de domaine contient toutes les caractéristiques des objets d’apprentissage, y compris les UC et les évaluations associées.

Ce qu’un apprenant apprend ensuite dépendra également des interrelations entre les UC et celles-ci doivent donc également entrer dans le modèle : les objets d’apprentissage A et B pourraient tous deux être des prérequis pour l’objet d’apprentissage D. Ainsi, A et B doivent être maîtrisés avant D. Il existe un ordre parmi certaines UC qui nous indique comment on apprend³. À l’inverse, si l’étudiant résout correctement un problème correspondant à D, il y a fort à parier qu’il a également maîtrisé A et B.

Les experts en la matière peuvent fournir certaines de ces relations. Le reste des inférences peut être appris par la machine qui peut prédire la probabilité qu’une UC a été maîtrisé : à quel point un système est sûr que l’apprenant a maîtrisé A et B, étant donné qu’il a répondu aux questions sous D. Il peut ensuite utiliser cette information, ainsi que d’autres caractéristiques des modèles d’apprenants et de domaines pour recommander des parcours d’apprentissage et des objets d’apprentissage.

Les autres caractéristiques des objets d’apprentissage pourraient inclure le niveau de difficulté de l’activité, sa popularité et ses évaluations. L’objectif ici, comme dans le cas de la recommandation Youtube, est d’extraire le plus d’informations possible des données disponibles.

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

⁵ Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

⁶ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁷ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.