25 Parlons IA : Comment les systèmes adaptatifs apprennent l’apprenant Partie 2

Le processus

Ces dernières années, l’apprentissage automatique est de plus en plus utilisé dans les systèmes d’apprentissage adaptatif, soit comme technologie unique, soit en conjonction avec d’autres approches². Lorsqu’il est utilisé, le rôle principal de l’apprentissage automatique (Machine learning, ML) est de créer et de mettre à jour des modèles d’élèves à partir d’un ensemble de traits, y compris les résultats des évaluations et les nouvelles données qui sont générées tout au long du processus¹.

Pour la boucle externe, les modèles sont créés à l’aide de données d’entraînement, en attribuant des poids appropriés caractéristiques qui aident à recommander un contenu d’apprentissage efficace². (Voir aussi comment fonctionne l’apprentissage automatique.) Ces modèles sont utilisés pour recommander régulièrement de nouveaux parcours d’apprentissage qui reflètent les progrès des élèves et l’évolution de leurs intérêts – comme les nouvelles recommandations de Youtube. Dans un système d’apprentissage adaptatif basé sur le ML, les chemins d’apprentissage peuvent atteindre des milliards³.

Dans la boucle intérieure, l’apprentissage automatique est utilisé pour donner des retours adaptés, repérer les erreurs, déduire les lacunes dans les connaissances et évaluer la maîtrise des unités de connaissances : en travaillant sur une activité, un élève peut faire des erreurs. L’apprentissage automatique peut être utilisé pour prédire quelles erreurs découlent de quel manque de connaissances. Si une étape de la solution est correcte, l’apprentissage automatique peut être utilisé pour prédire quelles unités de connaissances ont été maîtrisées avec succès².

D’autres techniques utilisées dans les systèmes adaptatifs impliquent moins d’automatisation et des règles écrites plus explicites pour faire des déductions². Elles demandent beaucoup de temps de programmation et des efforts supplémentaires pour capturer avec précision tous les critères qui entrent dans la prise de décision. De plus, les résultats ne peuvent souvent pas être généralisés d’un domaine à l’autre ou d’un problème à l’autre.

Les outils qui utilisent le ML utilisent de grands ensembles de données sur les performances réelles des élèves ; et sont capables de créer les parcours d’apprentissage les plus dynamiques pour les élèves au fil du temps¹. Comme pour toutes les applications à base de ML, il y a un entraînement et des tests à faire avant de les mettre en œuvre dans les salles de classe.

Modèle pédagogique

Dans le cas de Youtube, de nombreux jugements de valeur ont été portés sur ce qui constitue une bonne recommandation – comme sur les intérêts de l’utilisateur à couvrir dans un ensemble de recommandations, sur le nombre de vidéos qui doivent être similaires à celles déjà regardées, sur la quantité de nouveau contenu à ajouter pour la diversité (voir Comment Youtube vous apprend partie 2). Un système d’apprentissage adaptatif implique des jugements similaires sur ce que signifie la maîtrise d’une unité de connaissance et sur la manière d’atteindre cette maîtrise : la pédagogie et l’expérience quotidienne de l’apprenant⁴.

Dans le cas d’un système d’apprentissage adaptatif, ces jugements et ces conseils sur la façon dont un apprenant doit progresser doivent être basés sur des théories pédagogiques éprouvées. Celles-ci entrent dans le modèle pédagogique et, avec les modèles du domaine et de l’apprenant, aident la machine à choisir un ensemble d’activités approprié.

Certaines des questions auxquelles répond ce modèle sont : faut-il présenter à l’élève un concept, une activité ou un test ensuite ? À quel niveau de difficulté ? Comment évaluer l’apprentissage et fournir des retours ? Où un scaffolding supplémentaire est-il nécessaire⁵?  (Les scaffoldings sont des mécanismes de soutien qui fournissent des orientations sur les concepts et la procédure, la stratégie utilisée et sur la manière de réfléchir, de planifier et de contrôler l’apprentissage). Le modèle pédagogique dicte l’ampleur et la profondeur des activités et même s’il faut poursuivre au sein du système d’apprentissage adaptatif ou demander l’aide de l’enseignant³.

Interface

Les recommandations sont présentées avec d’autres données comme les progrès, les performances et les objectifs des apprenants. Les questions clés ici sont :

• Comment diffuser le contenu ?
• Combien de contenu recommander en une seule fois ?
• Qu’est-ce qui est assigné directement et qu’est-ce qui est suggéré ?
• Quelles sont les ressources de soutien ?
• Est-il possible de proposer des activités de groupe ?
• Quel degré d’autonomie autoriser ?
• L’élève peut-il modifier ses préférences ?
• L’enseignant peut-il modifier les parcours d’apprentissage ?
• Quelles données sont montrées à l’enseignant ?
• L’enseignant est-il dans la boucle ?

Évaluation

Lorsqu’un système d’apprentissage adaptatif est mis en service, la plupart des systèmes surveillent leurs propres performances par rapport aux critères définis par le programmeur. Comme dans tout outil d’IA, les données peuvent être biaisées. Les déductions tirées par le système peuvent être imprécises. Les données passées de l’élève deviendront de moins en moins pertinentes avec le temps⁶. Par conséquent, l’enseignant doit également surveiller les performances du système et fournir des conseils à l’apprenant et des mesures correctives si nécessaire.

Ce sont aussi les enseignants et les camarades qui doivent fournir de l’inspiration et révéler des ressources alternatives : la recherche sur les systèmes de recommandation a été façonnée par les fournisseurs de contenu commercial et les entreprises de vente en ligne pendant plus d’une décennie. Ainsi, l’accent a été mis sur la fourniture fiable de recommandations qui produisent des résultats pouvant être promus. “Le bonheur d’un joyau inattendu”⁷ et les chemins moins fréquentés, ce qui peut fortement inspirer un apprentissage durable, n’est pas un point fort de l’apprentissage personnalisé basé sur la machine.

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

² Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

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

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁵ 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.

⁶ 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.

⁷ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.