« L’intelligence artificielle », un buzzword trop souvent fallacieux dans le champ éducatif

Aujourd’hui, j’aimerais revenir sur l’apprentissage adaptatif, et plus précisément l’enseignement programmé. On fait souvent l’amalgame entre adaptation et intelligence artificielle. Quelques rappels historiques de bon aloi s’imposent. En espérant que ce billet vous sera utile lorsque l’on cherchera à vous faire prendre des vessies pour des lanternes, et que l’on vous vendra de « l’intelligence artificielle » pour vos formations, sous couvert de personnalisation et de différenciation pédagogique.

La répétition espacée (Pham et al., 2016) constitue l’une des formes les plus simples de différenciation pédagogique. De facto, ces fonctionnalités correspondent à la transposition de principes mis en œuvre dès les années 1930 par Pressey, puis par Skinner dans les années 1950-60, avec leurs machines à apprendre et le concept d’enseignement programmé. La focale reste ici la mémorisation d’unités élémentaires de savoir, comme un mot d’une liste de vocabulaire ; les travaux dans le domaine de l’apprentissage des langues ont montré les bénéfices de ce type d’approche dans la mémorisation à long terme.

Des exercices corrigés de manière automatisée, comme des questions à choix multiples ou des textes à trous sont répétés, en général à intervalles croissants, jusqu’à ce que la réponse vienne sans réfléchir, l’information ayant été “ancrée” dans la mémoire à long terme (d’où le terme « ancrage mémoriel » que l’entreprise française Woonoz, derrière le projet Voltaire, a cherché à monopoliser). On se situe généralement dans une logique d’évaluation formative, c’est à dire que l’évaluation sert d’entraînement et constitue la base de l’apprentissage, par contraste avec l’évaluation sommative, où l’objectif est de fournir une note à l’issue d’un cours. Les systèmes basés sur la Répétition Espacée, ou Spaced Repetition Systems (SRS) en anglais se sont développés rapidement au cours des dernières années. Les recherches sur les courbes d’oubli sont généralement mobilisées par les concepteurs de SRS pour légitimer la pertinence de ces fonctionnalités. Au fil des répétitions, les performances de recollection de l’information s’améliorent, et restent plus stables dans le temps (Figure 1).

Figure 1. Une modélisation schématique de l’impact de répétitions espacées sur la rétention de l’information (source : Adrien Moyaux – CC-BY SA)

L’un des premiers est Anki, un outil basé sur des flashcards, mais des logiciels plus récents comme MemriseLamachineareviser de Domoscio, Brainscape ou Cerego ont fait leur apparition. Un SRS ne constitue pas un système de recommandation à proprement parler, dans la mesure où l’utilisateur est incité à passer en revue l’ensemble des items d’une liste, sans adaptation en fonction des résultats aux questions ; seule la fréquence de révision pour un item donné varie d’un utilisateur à l’autre. Nous présentons dans la Figure 2 le tableau de bord de Cerego, qui permet de suivre une série d’items selon l’intensité estimée de leur ancrage dans la mémoire de l’apprenant.

Ce type de technologie est particulièrement adapté si l’on souhaite que les apprenants maîtrisent un vocabulaire précis, ou qu’ils connaissent un grand nombre de protocoles.

Figure 2. Représentation d’une banque d’item dans le processus de mémorisation de l’apprenant (Source : Cerego)

En termes de conception, l’avantage de cette technologie pour le formateur est la rapidité de mise en place. Une banque d’exercices peut être facilement intégrée à la plupart des technologies de cette nature.

Les systèmes à embranchement correspondent à l’équivalent numérique des « livres dont vous êtes le héros ». En fonction de l’interaction avec un item donné, l’apprenant se voit proposer de suivre un parcours spécifique à la réponse, qui aura été prédéterminé par l’instructeur, le plus souvent pour servir de remédiation si la réponse correspond à une erreur fréquemment réalisée. Dans l’industrie, Smartsparrow représentait jusqu’à son rachat récent par Pearson l’une des principales entreprises proposant ce type de service (Figure 3) (en même temps, ils étaient pour leur outil-auteur toujours fondés sur la technologie Flash fin des années 2010, ça sentait le roussi). La littérature scientifique abonde en travaux sur l’approche par embranchement, au cœur de l’enseignement programmé tel que proposé dans les années 1960 par Skinner.

Bien avant la démocratisation du numérique, ce type de système avait ainsi été conçu de manière mécanique, et avait connu un certain succès aux Etats-Unis, tout en générant en parallèle une levée de boucliers contre une approche jugée par trop behavioriste. L’une des principales difficultés que ce type d’approche engendre est le temps nécessaire aux formateurs pour envisager une série de parcours pertinents pour les apprenants.

Figure 3. Représentation d’un programme à embranchement par l’entreprise Smartsparrow

Si je résume, la répétition espacée est largement utilisée pour vérifier que des connaissances ponctuelles potentiellement nombreuses sont bien maîtrisées par un groupe d’apprenants. Le principe de la répétition espacée est indissociable de celui de la courbe d’oubli. Dans les technologies d’obédience behavioriste qui s’en réclament, des items (tests autocorrectifs comme les QCM) sont proposés à intervalles croissants aux apprenants, et ce pour optimiser l’ancrage de connaissances dans la mémoire à long terme. Les exerciseurs de cette nature permettent d’estimer le niveau de maîtrise d’un item donné, mais non un niveau global de l’apprenant, comme le font les tests adaptatifs.

La logique d’embranchement correspond à la transposition informatique du concept du livre dont vous êtes le héros. L’apprenant peut évoluer au sein de parcours diversifiés mais préconstruits. Des tests autocorrectifs permettent à chaque embranchement de déterminer quelle est la nouvelle ressource / activité présentée à l’apprenant; ces ressources peuvent avoir une visée de remédiation si l’on constate qu’une réponse particulière correspond à une réponse erronée.

L’important, c’est de mémoriser que tout ceci est l’exact opposé du Machine Learning (ML), et de l’intelligence artificielle (ce terme est ambigu, je ne l’aime pas). Ce n’est pas du ML car le fonctionnement de l’algorithme ne changera jamais, peu importe le nombre d’apprenants qui se verront proposer ces « parcours personnalisés ». Exactement comme pour le livre dont vous êtes le héros. Il pourra être lu par un million de personnes, les pages ne bougeront pas d’un iota. Et s’il est assez volumineux, on peut même imaginer que chaque apprenant aura un parcours différent au sein du livre. Ce livre ne sera pas une IA pour autant. Vous voulez de l’intelligence artificielle ? Allez voir du côté de la théorie de la réponse aux items ou de celui du Bayesian Knowledge Tracing. Quant à ce que cela recouvre, plus de place dans ce billet, je vous renvoie à Google et Wikipedia. En attendant, j’espère que ces quelques lignes auront été éclairantes pour celles et ceux qui s’intéressent à l’apprentissage adaptatif.

Pham, X. L., Chen, G. D., Nguyen, T. H., et Hwang, W. Y. (2016). Card-based design combined with spaced repetition: A new interface for displaying learning elements and improving active recall. Computers & Education98, 142-156.

Be Sociable, Share!

Leave a Comment

Filed under Non classé

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *