Laboratoires virtuels pédagogiques et apprentissage adaptatif

Aujourd’hui, nous parlons simulation et apprentissage adaptatif en  sciences. Vous vous rappelez peut-être, au printemps nous avons évoqué l’existence des laboratoires virtuels pédagogiques, et brièvement discuté de leur intérêt pour l’enseignement des sciences expérimentales. Rappelons les grands principes : une salle d’expérimentation virtuelle où les étudiants sont libres d’apprendre une discipline par essais et erreurs, et, parfois, un « agent pédagogique » (sorte de petite intelligence artificielle) pour apprendre à s’en sortir. Ce ne sont pas des labos où on fait des découvertes on s’entend. Bien sûr, l’idée n’est pas tout à fait nouvelle, mais son application se heurte à un certain nombre d’obstacles. Retour sur ce concept, avec comme fil conducteur la discipline dans laquelle j’ai été formé, la biologie …

Tout d’abord, il faut savoir que l’utilisation de la simulation ou de mondes virtuels pour l’enseignement de disciplines académiques est bien antérieure aux MOOC. Beaucoup d’expérimentations ont été notamment menées dans le cadre des études médicales (allez regarder le labo de Paris 5, Ilumens, qui fait pas mal de pédagogie de simulation), mais pas que. En effet, l’apprentissage par essai/erreur sur des patients réels, ce n’est pas idéal quand on veut devenir chirurgien. Il s’agit de s’assurer que tous les étudiants ont parfaitement acquis l’ensemble des connaissances et des procédures à appliquer avant leur mise en œuvre en situation réelle avec les patients (Chen 2009). C’est un peu la même démarche avec les sciences expérimentales.

L’idée  est d’offrir à l’étudiant la possibilité de se tromper, afin de déterminer avec autant de précision que possible les compétences acquises et non-acquises grâce à un système d’évaluation automatisé. C’est le principal problème avec l’expérimentation. L’usage de laboratoires virtuels pédagogiques reste très limité dans l’enseignement des sciences expérimentales; en biologie, je ne connais qu’un seul projet vraiment sérieux, assez vieux, et développés par les allemands (Zumbach 2006).

L’idée est d’envisager toutes les situations possibles dans le cadre des séances virtuelles, et notamment aux artefacts et aux mauvaises pratiques d’expérimentation (note historique : c’est dans cette optique que l’armée américaine s’étaient penchée sur la question juste après la seconde guerre mondiale, pour former les techniciens à détecter des problèmes dans des circuits électroniques d’aviation militaire, problèmes certes rares, mais qui pouvaient vous coûter un avion de chasse).

L’idée est par exemple d’identifier les mauvaises pratiques en modélisant l’impact de choix erronés (Viswanathan 2005). En biologie cellulaire par exemple, les artefacts sont fréquents et de nature variée. Ils ne sont pas simples à détecter et à interpréter pour les étudiants. Leur repérage et un listage aussi complet que possible est donc particulièrement important afin que les jeunes chercheurs en aient une connaissance approfondie.  Cette approche a fait ses preuves : l’apprentissage des artefacts possibles grâce à une plateforme d’apprentissage virtuelle destinée à l’électronique (pour les avions dont je parlais) a montré qu’une formation d’une vingtaine d’heures équivalait à une expérience de près de quatre années (Psotka 1988), en tout cas du point de vue de la connaissance des artefacts.

L’évaluation automatisée des connaissances et des compétences doit être au coeur du développement de tels laboratoires virtuels (Graf 2008), ce qui implique d’ajouter les logiques « tuteurs intelligents » au sein des environnements de simulation. Comme le système donne à l’étudiant une grande liberté de choix, on pourrait mesurer sa capacité à mettre en place une démarche expérimentale correcte pour répondre à une question de recherche donnée. Le logiciel analyserait pas à pas les choix expérimentaux de l’étudiant et tenterait d’en déduire son cheminement intellectuel (Viswanathan 2005). Sur la base des décisions effectuées, le programme déterminerait alors les compétences acquises et non-acquises, et intégrerait ces informations dans une base de données individuelle nommée « modèle étudiant » (Feng 2010). Ce modèle a pour but d’une part d’informer l’utilisateur de ses progrès et d’autre part de servir de base à un entraînement sur mesure.

Face à un choix erroné, il s’agit alors de déterminer la compétence ou la connaissance non-acquise qui est à son origine. Pour ce faire, il est nécessaire de développer un « modèle de déviation » (Viswanathan 2005). Le  modèle de déviation  est le modèle qui met en relation erreurs et raisonnements intellectuels associés. Il est la compilation d’un ensemble d’interprétations d’erreurs. La construction de ce modèle implique en principe de bien connaître les modes de pensées des étudiants novices, même si des approches statistiques se passant d’experts sont utilisées de plus en plus fréquemment.

La fonction précise de l’aide pédagogique des laboratoires virtuels/tuteurs intelligents est d’identifier les matériaux pédagogiques adaptés aux difficultés de l’étudiant, supports statiques (cours, vidéos), ou exercices automatisés. Si une compétence n’est pas acquise, le laboratoire virtuel peut proposer des problèmes guidés qui permettent à l’étudiant de l’acquérir pas à pas (Martin 2002).

Les laboratoires virtuels pédagogiques représentent une voie prometteuse de recherche en didactique des sciences. Au vu du nombre croissant de connaissances et de compétences à acquérir, ils sont voués à un avenir certain. Le développent d’outils de réalité virtuelle (comme les Oculus Rifts) et de réalité augmentée ouvre un univers de possibilités sur le plans pédagogique. Il est probable qu’à terme ces différentes approches se rencontrent (pédagogie par simulation, tuteurs intelligents, et réalité virtuelle ou augmentée). Ce n’est plus qu’une question de temps.

PS : Et voilà quel était le sujet initial de ma thèse (tel que vous le trouverez en ligne sur le site theses.fr), avant que je ne dévie brutalement sur les MOOC pour des raisons diverses et variées. Je n’étais pas assez informaticien pour cette thèse, et le terrain était trop hasardeux.

Au fait, une fois n’est pas coutume, je vous balance de la bibliographie

Chen et al. Applications of a Time Sequence Mechanism In the simulation Cases of a web-based Medical Problem-Based Learning System. Educational Technology & Society 12, 149-161 (2009)

Feng et al. Student Modeling in an intelligent tutoring system Intelligent Tutoring Systems in ELearning Environments Design Implementation and Evaluation p.208 (2010)

Graf et al.: Learner Modelling Through Analyzing Cognitive Skills and Learning Styles. Handbook on Information Technologies for Education and Training, 2nd edn., 179–194. Springer Publishing Company  (2008)

Psotka, Massey. Intelligent tutoring systems: lessons learned (1988)

Shute et al. Intelligent tutoring systems: Past, present and future. Handbook of Research on Educational Communications and Technology. Scholastic Publications. (1995)

Suebnukarn et al. Bayesian approach to generating tutorial hints in a collaborative medical problem-based learning system Artificial Intelligence in Medicine 38, 5-2 (2006)

VanLehn  et al. Fading and Deepening: The Next Steps for Andes and Other Model-Tracing Tutors Intelligent tutoring systems. Lecture Notes in Computer Science, 1839, 474-483 (2000)

Viswanathan A Comparison of Model-Tracing and Constraint-Based Intelligent Tutoring Paradigms The International Journal of Artificial Intelligence in Education 15, 1 (2005)

 Zumbach et al. Learning Life Sciences: Design and Development of a Virtual Molecular Biology Learning Lab. Journal of Computers in Mathematics and Science Teaching, 25, 281-300 (2006)

Be Sociable, Share!

1 Comment

Filed under Non classé

One Response to Laboratoires virtuels pédagogiques et apprentissage adaptatif

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.