26 L’envers des systèmes d’apprentissage adaptatif : quelques paradigmes à prendre en compte

Malgré le potentiel promis par les systèmes d’apprentissage adaptatifs, de nombreuses questions restent sans réponse. Il n’y a pas encore assez de recherches ou de documentation sur les pratiques en classe qui permettent d’aborder ces questions :

• Les systèmes de recommandation sont utilisés pour suggérer des films aux utilisateurs de Netflix. Les systèmes de recommandation sont utilisés pour suggérer des films aux utilisateurs de Netflix. Ils aident les consommateurs à faire le bon choix, par exemple de haut-parleurs audio sur Amazon. Mais peuvent-ils réellement améliorer les résultats d’apprentissage de chaque élève dans la classe¹ ?
• Le fait de se concentrer en permanence sur les performances et l’individualisation affecte-t-il le bien-être psychologique de l’élève² ?
• L’individualisation exige beaucoup de discipline et d’autorégulation de la part de l’élève. Il doit commencer à travailler seul et continuer jusqu’à ce qu’il ait terminé toutes les activités qui lui sont assignées. Tous les élèves sont-ils capables de le faire sans aide² ?
• Comment équilibrer l’individualisation et les opportunités d’apprentissage social³ ?
• Comment passer de l’utilisation d’un système d’apprentissage adaptatif comme support pour un seul sujet à l’utilisation systématique de ces systèmes, à travers les sujets et les matières² ? Qu’en est-il de la modification du programme scolaire qui sera nécessaire pour une telle intégration de l’adaptabilité³ ?
• Qu’en est-il de l’infrastructure requise ? Que faut-il faire en ce qui concerne les données et la vie privée, les préjugés et les stéréotypes renforcés³ ?

Lors de l’élaboration d’un système d’apprentissage adaptatif, certains principes sont utilisés soit directement, soit implicitement. Ces principes ne sont pas toujours sans conséquences.

Un paradigme des systèmes d’apprentissage adaptatif : L’ancien c’est de l’or

Que font les systèmes d’apprentissage automatique lorsqu’ils prédisent ou recommandent quelque chose ? Ils utilisent les expériences passées, les préférences et les performances de l’étudiant pour choisir ce qu’ils vont lui recommander : Ils se basent sur le passé pour prédire l’avenir. Par conséquent, ces systèmes sont toujours biaisés par rapport au passé⁴. L’apprentissage automatique fonctionne mieux dans un monde statique et stable où le passé ressemble à l’avenir⁵. Les système d’apprentissage adaptatif basés sur des modèles d’apprentissage automatique font plus ou moins la même chose, mais en y ajoutant des considérations pédagogiques.

Par conséquent, ces systèmes ne sont pas en mesure de tenir compte des fluctuations de la normalité, telles que la pandémie de COVID, les problèmes de santé et autres. Ils sont encore moins capables de tenir compte de l’âge, de la croissance, de la maîtrise de nouvelles compétences et de l’évolution personnelle des jeunes.

Le comportement des élèves est-il même prévisible ? Combien de fois pouvons-nous répéter une formule qui a bien fonctionné dans le passé avant qu’elle ne devienne ennuyeuse et répétitive et n’entrave le progrès⁶ ? Même si une telle prédiction était possible, est-il prudent de n’exposer les élèves qu’à des choses qu’ils aiment et avec lesquelles ils sont à l’aise ? D’un autre côté, quelle quantité de nouveauté est accablante et contre-productive⁶ ?

En résumé, il est difficile de déterminer le degré de similitude entre les activités recommandées, le nombre de nouveaux types d’activités à introduire au cours d’une session et le moment où il serait productif de pousser un élève à relever des défis et à explorer de nouveaux centres d’intérêt. Et les réponses ne se trouvent pas uniquement dans le passé des élèves.

Un paradigme de l’apprentissage adaptatif : l’explicite reflète l’implicite

Même lorsque le passé peut être utilisé de manière fiable pour prédire l’avenir, le passé lui-même peut être difficile à saisir avec précision. Comment Youtube peut-il savoir qu’un utilisateur a aimé une vidéo ? C’est plus facile lorsqu’il a cliqué sur le bouton « J’aime » ou s’est abonné à la chaîne mère après l’avoir regardée. Mais ce type de comportement explicite est souvent rare. Les systèmes de recommandation doivent régulièrement recourir à des signaux implicites qui peuvent ou non refléter totalement la vérité⁴. Par exemple, Youtube utilise le temps qu’un utilisateur a passé à regarder la vidéo comme un signal implicite qu’il a aimé la vidéo et qu’il aimerait regarder des contenus similaires. Cependant, le fait qu’une vidéo ait été visionnée sur l’ordinateur d’une personne jusqu’à la fin ne signifie pas que cette personne l’a aimée, ni même qu’elle l’a regardée⁷.

Qu’en est-il de la manière dont le retour d’information est enregistré dans un système d’apprentissage adaptatif ? Pour déterminer, par exemple, si un élève a été attentif pendant une activité, le système peut enregistrer le nombre de ressources numériques sur lesquelles il a cliqué, ainsi que le moment et la durée de l’accès à ces ressources. Mais ces données ne peuvent pas refléter avec précision le niveau d’attention de l’élève¹.

Par exemple, si l’élève sait clairement ce qu’il doit faire pour une activité, il peut consulter quelques ressources et se concentrer rapidement sur les points essentiels. Quelqu’un qui n’est pas aussi clair peut ouvrir et passer du temps sur toutes les ressources listées sans apprendre grand-chose¹. Il est possible que le premier élève soit injustement signalé pour son manque de motivation et qu’on lui demande de faire un travail supplémentaire.

Il faut également garder à l’esprit que les modèles d’apprentissage automatique ne peuvent que constater que deux choses – un élève qui clique sur une ressource et un élève qui obtient une note élevée dans l’exercice associé – se sont produites. Ils ne peuvent pas déduire que l’élève a obtenu une bonne note parce qu’il a consulté la ressource – ils peuvent déduire une corrélation mais pas une causalité⁵.

Dans certains systèmes d’apprentissage adaptatif, on s’attend injustement à ce que l’enseignant se plonge dans ces erreurs et les corrige. Dans d’autres systèmes, l’enseignant n’a même pas la possibilité de le faire.

Le paradigme des systèmes d’apprentissage adaptatif : tout peut être remplacé par cette seule question

Les systèmes de recommandation ne peuvent pas gérer des objectifs multiples. L’objectif d’un système d’apprentissage adaptatif est souvent présenté sous la forme d’une seule question : la question de substitution. Quelle note l’utilisateur a-t-il donné à un film, combien de temps a-t-il regardé une vidéo, quel est le score de l’étudiant dans un quiz, dans quelle mesure a-t-il satisfait aux critères utilisés par la machine pour mesurer l’attention… Les systèmes sont ensuite entraînés à atteindre cet objectif et testés en fonction de sa réalisation. Leur performance est constamment ajustée pour maximiser leur score par rapport à cet objectif.

Si l’objectif est d’obtenir un bon score à l’examen, certains contenus sont recommandés d’une certaine manière. La performance à l’examen est alors le problème de substitution qui est résolu. Si l’objectif est simplement de les inciter à cliquer sur de nombreuses ressources, les recommandations seront adaptées pour les pousser à le faire. Rendre les ressources attrayantes est donc le problème – la question à laquelle on répond.

Le choix de la question a une importance considérable sur le fonctionnement d’un système d’apprentissage adaptatif⁴. De plus, le choix du problème de substitution pour les recommandations relève plus de l’art que de la science⁴.

Tout ce qui est technique n’est pas de la haute technologie

Comme nous l’avons vu jusqu’à présent, de nombreuses décisions entrent dans la fabrication des système d’apprentissage adaptatif: quelles données sont mesurées, comment ces données sont utilisées pour évaluer le retour d’information et d’autres informations, quels objectifs sont optimisés, quels algorithmes sont utilisés pour optimiser ces objectifs… Le plus souvent, ce sont des programmeurs, des scientifiques des données, des experts en finance et en marketing qui sont impliqués dans la prise de ces décisions. La participation des enseignants et des experts pédagogiques au processus de développement est rare et intervient souvent après le processus de conception². Les produits ne sont pas testés sur le terrain avant d’être adoptés dans les écoles et leur efficacité proclamée repose souvent sur des témoignages et des anecdotes, plutôt que sur des recherches scientifiques².

Par conséquent, les besoins et la familiarité d’une école n’ont que peu d’impact sur ce que les entreprises construisent. Enfin, le coût, la disponibilité et l’infrastructure ont une influence majeure sur ce que les écoles peuvent acheter. Il est important de garder cela à l’esprit lorsque l’on décide d’utiliser ou non un produit particulier : il est peut-être préférable de ne pas les considérer tous comme des systèmes d’apprentissage adaptatifs ou IA, mais comme des systèmes individuels ayant des objectifs, des conceptions et des capacités très différents.

Les système d’apprentissage adaptatif dans leur ensemble peuvent être utilisés pour personnaliser le retour d’information, l’échafaudage et la pratique. Ils peuvent détecter des lacunes dans l’apprentissage et y remédier dans les limites de la programmation et de la conception. Ils ne peuvent pas détecter les « moments propices à l’enseignement » ou le moment opportun pour tirer parti de l’ambiance de la classe afin d’introduire une nouvelle idée ou un nouvel exemple. Ces capacités qui rendent l’apprentissage magique et qui permettent à la leçon de perdurer dans l’esprit de l’élève sont uniquement du ressort de l’enseignant.

¹ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

² Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

³ Holmes, W., Anastopoulou S., Schaumburg, H & Mavrikis, M.,Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

⁴ Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

⁵ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁶ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

⁷ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.