Pour des cours intelligents

amphiCette semaine un peu de technique pédagogique. Je me propose de discuter de l’apparition de plateformes d’enseignement de nouvelle génération qui vont beaucoup plus loin dans la mise en place d’un enseignement personnalisé.

L’émergence des MOOC a permis de mettre en avant une fonctionnalité importante des plateformes d’enseignement, connue et employée par les enseignants les plus avancés dans l’emploi du numérique, mais ignorée de la plupart de leurs collègues : la possibilité de construire des parcours pédagogiques qui va au-delà d’une simple table des matières.

Expliquons nous.

Le plus souvent les plateformes servent essentiellement à stocker les documents de cours et à fournir des liens vers des documents disponibles sur le Web. Le plus souvent les professeurs ajoutent une table des matières avec des liens vers chaque document de façon que les étudiants s’y retrouvent et y accèdent plus commodément.

Il est cependant possible d’aller au-delà et de contrôler l’ordre dans lequel les étudiants parcourent ces documents, au lieu de les laisser picorer au hasard. Ceci est évidemment fondamental dans une pédagogie qui veut faire découvrir progressivement un sujet et qui nécessite la connaissance de fondamentaux avant de poursuivre la découverte et la compréhension d’un thème d’étude. On peut, dans une certaine mesure, contrôler cette progression en plaçant des conditions nécessaires avant de pouvoir accéder à un document. Parmi ces conditions on retrouve le fait d’avoir ouvert les documents antérieurs mais aussi, par exemple, la réussite avec une certaine note, à des quizzes, la participation active à des forums, l’écriture de billets de blogs… Cela complique évidemment la construction du cours car en lieu et place d’une progression linéaire il faut imaginer à l’avance tout un graphe de progression. Les ingénieurs pédagogiques sont souvent indispensables pour aider les enseignants qui découvrent cette approche. Cela demande aussi, ne nous le cachons pas, plus de travail et même l’écriture de documents supplémentaires lorsqu’on veut imaginer des éléments de parcours alternatifs parallèles. Bref, on retombe encore dans une discussion engagée à propos de l’enseignement numérique avec une plateforme de MOOC : le temps nécessaire la construction d’un cours. Ceci explique en partie la méconnaissance de ces possibilités dans les plateformes par la plupart des enseignants : ils n’ont pas le temps ni pour se former aux nouveaux usages ni pour construire des cours plus complexes.

Cette approche, plus intelligente, que la progression linéaire habituelle, possède elle-même ses limites : les parcours possibles doivent être imaginés à l’avance ce qui oblige à catégoriser de façon rigide la façon dont les étudiants pourraient progresser. Une réponse à ce défit est en train d ‘émerger.

L’un des grands sujets de l’année, à Educause 2015, a été « l’adaptive learning ». Il s’agit en fait d’une nouvelle génération de plateformes d’enseignement, censées permettre de créer dynamiquement des parcours pédagogiques individualisés pour chaque étudiant. Educpros en parle dans son édition du 4 décembre. Pour ouvrir une branche du parcours à un étudiant, on ajoute des critères nouveaux à ceux mentionnés antérieurement. Ils sont basés sur les connaissances acquises antérieurement et pendant le cours, sur des tests de connaissance plus larges que les quizzes du cours et prennent en compte tout un ensemble de paramètres basés sur la masse des données recueillies par la plateforme sur l’usage qu’en font les étudiants. Les chemins parcourus sont analysés et les moins employés sont rejetés. On évolue vers un modèle prédictif et adaptatif qui emploie des méthodes de l’Intelligence Artificielle. Les enseignants peuvent ajuster les parcours possibles, en chaque nœud du graphe, en manipulant ces paramètres au moyen de variables qui jouent sur la connaissance que la plateforme prétend avoir acquise sur les étudiants. Quelle est la pertinence des conclusions que la plateforme tire de la masse des données accumulées, que représentent réellement les variables qui permettent d’ajuster les parcours sont des questions qui restent obscures et les fournisseurs comme Knewton, Realize IT ou Desire2Learn, lorsqu’on les interroge, ne répondent que vaguement et se justifient plutôt par les résultats d’expérience en cours. De fait cette approche est un premier exemple d’usage de learning analytics réduites aux données de la plateforme d’enseignement uniquement.

Que disent les universités qui ont mis en place ces expériences ? Comme elles travaillent à petite échelle il est encore trop tôt pour en tirer des conclusions mais elles sont toutes d’accord sur l’intérêt qu’y trouvent les étudiants qui y sont très favorables et sur les alertes fournies aux enseignants en cas de décrochement.

UCF (University of Central Florida) n’a pas constaté d’amélioration systématique des résultats : cela dépend de la façon dont les étudiants on travaillé et varie d’un cours à l’autre. La construction des cours a cependant été plus complexe : les enseignants ont du être formés et accompagnés d’ingénieurs pédagogiques. Le travail de préparation a été aussi beaucoup plus lourd. Les étudiants ont apprécié mais, remarque intéressante, il a fallu justifier à certains pourquoi le système leur proposait un chemin différent et plus long.

Une étude sur les plateformes d’adaptive learning , financée par la fondation Bill & Melinda Gates, ALMAP (Adaptive Learning Market Acceleration) à échelle déjà assez large (700 enseignants, 21500 étudiants) confirme ces résultats. Elle ajoute que le gain d’efficacité n’est pas évident par rapport aux autres méthodes d’enseignement mixte (emploi d’une plateforme + présentiel).

Il y a encore énormément à faire pour savoir quelles données considérer et comment les analyser pour pouvoir proposer aux étudiants des parcours personnalisés. Cependant cette approche ouvre de grandes perspectives parce qu’elle ne cherche pas, à la différence de beaucoup de projets de learning analytics, à employer l’ensemble des données de tous les systèmes d’information de l’université, données souvent difficiles à récupérer dans un ensemble de systèmes souvent incohérents entre eux : la plateforme est autosuffisante. Il reste à déterminer les bons indicateurs et comment les employer. Cela rejoint la problématique générale dans l’usage des learning analytics et la construction d’indicateurs.

Chaque enseignant ne pourra pas se permettre de construire son propre cours. Ceci serait trop onéreux en temps. Dans ce domaine aussi, seule la mutualisation permettra l’introduction massive de cette approche nouvelle à une pédagogie individualisée.

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 *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.