Apprentissage adaptatif

L'apprentissage adaptatif , également connu sous le nom d' enseignement adaptatif , est une méthode pédagogique qui utilise des algorithmes informatiques ainsi que l'intelligence artificielle pour orchestrer l'interaction avec l'apprenant et fournir des ressources et des activités d'apprentissage personnalisées pour répondre aux besoins uniques de chaque apprenant. Dans les contextes d'apprentissage professionnel, les individus peuvent « tester » certaines formations pour s'assurer qu'ils s'engagent dans un nouvel enseignement. Les ordinateurs adaptent la présentation du matériel pédagogique en fonction des besoins d'apprentissage des étudiants, comme l'indiquent leurs réponses aux questions, aux tâches et aux expériences. La technologie englobe des aspects dérivés de divers domaines d'études, notamment l'informatique, l'IA, la psychométrie , l'éducation, la psychologie et la neuroscience.

Les recherches menées, notamment dans des contextes éducatifs aux États-Unis, ont démontré l’efficacité des systèmes d’apprentissage adaptatif pour favoriser l’apprentissage des élèves. Parmi 37 études récentes qui ont examiné les effets de l’apprentissage adaptatif sur les résultats d’apprentissage, une écrasante majorité de 86 % (32 études) ont signalé des effets positifs.

L'apprentissage adaptatif a été en partie motivé par la prise de conscience que l'apprentissage sur mesure ne peut pas être réalisé à grande échelle en utilisant des approches traditionnelles non adaptatives. Les systèmes d'apprentissage adaptatif s'efforcent de transformer l'apprenant de récepteur passif d'informations en collaborateur dans le processus éducatif. Les systèmes d'apprentissage adaptatif sont principalement utilisés dans l'éducation, mais une autre application populaire est la formation commerciale. Ils ont été conçus comme des applications informatiques de bureau, des applications Web et sont désormais introduits dans les programmes d'études généraux.

L'apprentissage adaptatif ou le tutorat intelligent trouve ses origines dans le mouvement de l'intelligence artificielle et a commencé à gagner en popularité dans les années 1970. À cette époque, il était communément admis que les ordinateurs finiraient par atteindre la capacité d'adaptation humaine. Dans l'apprentissage adaptatif, le principe de base est que l'outil ou le système sera capable de s'adapter à la méthode d'apprentissage de l'étudiant/utilisateur, ce qui se traduit par une expérience d'apprentissage meilleure et plus efficace pour l'utilisateur. Dans les années 70, le principal obstacle était le coût et la taille des ordinateurs, ce qui rendait l'application généralisée impraticable. Un autre obstacle à l'adoption des premiers systèmes intelligents était que les interfaces utilisateur n'étaient pas propices au processus d'apprentissage. Le début des travaux sur les systèmes d'apprentissage adaptatif et intelligent remonte généralement au système SCHOLAR qui offrait un apprentissage adaptatif pour le sujet de la géographie de l'Amérique du Sud. Un certain nombre d'autres systèmes innovants sont apparus dans les cinq ans. Un bon compte rendu des premiers travaux sur l'apprentissage adaptatif et les systèmes de tutorat intelligent peut être trouvé dans le livre classique "Intelligent Tutoring Systems".

Les systèmes d'apprentissage adaptatif ont traditionnellement été divisés en composants distincts ou « modèles ». Bien que différents groupes de modèles aient été présentés, la plupart des systèmes incluent certains ou tous les modèles suivants (parfois sous des noms différents) :

• Modèle expert – Le modèle avec les informations à enseigner
• Modèle étudiant – Le modèle qui suit et apprend à propos de l’étudiant
• Modèle pédagogique – Le modèle qui transmet réellement l’information
• Environnement pédagogique – L’interface utilisateur pour interagir avec le système

Le modèle expert stocke des informations sur le contenu enseigné. Il peut s'agir simplement des solutions à un ensemble de questions, mais il peut également inclure des leçons et des tutoriels et, dans des systèmes plus sophistiqués, même des méthodologies expertes pour illustrer les approches des questions.

Les systèmes d’apprentissage adaptatif qui n’incluent pas de modèle expert incorporeront généralement ces fonctions dans le modèle pédagogique.

Le moyen le plus simple de déterminer le niveau de compétence d'un élève est la méthode employée dans le test adaptatif informatisé (CAT ). Dans le CAT, le sujet est confronté à des questions sélectionnées en fonction de leur niveau de difficulté par rapport au niveau de compétence présumé du sujet. Au fur et à mesure du déroulement du test, l'ordinateur ajuste le score du sujet en fonction de ses réponses, en affinant continuellement le score en sélectionnant des questions dans une gamme de difficulté plus étroite.

Un algorithme pour une évaluation de type CAT est simple à mettre en œuvre. Un grand nombre de questions sont rassemblées et classées en fonction de leur difficulté, par le biais d'une analyse d'expert, d'expérimentation ou d'une combinaison des deux. L'ordinateur effectue ensuite ce qui est essentiellement une recherche binaire, en posant toujours au sujet une question qui se situe à mi-chemin entre ce que l'ordinateur a déjà déterminé comme étant les niveaux de compétence maximum et minimum possibles du sujet. Ces niveaux sont ensuite ajustés au niveau de difficulté de la question, en réattribuant le minimum si le sujet a répondu correctement et le maximum si le sujet a répondu incorrectement. Évidemment, une certaine marge d'erreur doit être prévue pour permettre des scénarios où la réponse du sujet n'est pas indicative de son véritable niveau de compétence mais simplement une coïncidence. Poser plusieurs questions d'un même niveau de difficulté réduit considérablement la probabilité d'une réponse trompeuse, et permettre à la gamme de questions de s'étendre au-delà du niveau de compétence supposé peut compenser d'éventuelles erreurs d'évaluation.

Une autre extension de l'identification des faiblesses en termes de concepts consiste à programmer le modèle de l'étudiant pour analyser les réponses incorrectes. Cela s'applique particulièrement aux questions à choix multiples. Prenons l'exemple suivant :

Q. Simplifiez :

a) Ne peut pas être simplifié

b)

c) ...

d) ...

De toute évidence, l'élève qui répond (b) additionne les exposants et ne saisit pas le concept de termes semblables. Dans ce cas, la réponse incorrecte apporte un éclairage supplémentaire au-delà du simple fait qu'elle est incorrecte.

Le modèle pédagogique cherche généralement à intégrer les meilleurs outils pédagogiques que la technologie peut offrir (comme les présentations multimédias) avec les conseils d'un enseignant expert pour les méthodes de présentation. Le niveau de sophistication du modèle pédagogique dépend grandement du niveau de sophistication du modèle de l'élève. Dans un modèle de type CAT, le modèle pédagogique classera simplement les leçons en fonction des rangs du groupe de questions. Lorsque le niveau de l'élève a été déterminé de manière satisfaisante, le modèle pédagogique fournit la leçon appropriée. Les modèles d'élèves plus avancés qui évaluent en fonction des concepts nécessitent un modèle pédagogique qui organise également ses leçons par concept. Le modèle pédagogique peut être conçu pour analyser l'ensemble des faiblesses et adapter un plan de cours en conséquence.

Lorsque les réponses incorrectes sont évaluées par le modèle de l'élève, certains systèmes cherchent à fournir un retour d'information sur les questions réelles sous forme d'« indices ». Lorsque l'élève fait des erreurs, des suggestions utiles apparaissent, telles que « regardez attentivement le signe du nombre ». Cela peut également relever du domaine du modèle pédagogique, avec des indices génériques basés sur des concepts proposés en fonction des faiblesses des concepts, ou les indices peuvent être spécifiques à une question, auquel cas les modèles de l'élève, pédagogique et expert se chevauchent tous.

De nombreux systèmes de gestion de l'apprentissage ont intégré diverses fonctionnalités d'apprentissage adaptatif. Un système de gestion de l'apprentissage (LMS) est une application logicielle destinée à l'administration, à la documentation, au suivi, à la création de rapports et à la diffusion de cours éducatifs, de programmes de formation ou de programmes d'apprentissage et de développement. Les systèmes d'apprentissage adaptatif ont déjà été utilisés, par exemple, pour aider les étudiants à développer leurs performances en rédaction argumentative ( Argument Mining).

Les systèmes d’apprentissage adaptatif peuvent être mis en œuvre sur Internet pour être utilisés dans l’apprentissage à distance et la collaboration de groupe.

Le domaine de l'enseignement à distance intègre désormais des aspects d'apprentissage adaptatif. Les premiers systèmes sans apprentissage adaptatif étaient capables de fournir un retour d'information automatique aux étudiants qui se voyaient poser des questions à partir d'une banque de questions présélectionnées. Cette approche ne bénéficie cependant pas des conseils que les enseignants peuvent fournir en classe. Les tendances actuelles de l'enseignement à distance appellent à l'utilisation de l'apprentissage adaptatif pour mettre en œuvre un comportement dynamique intelligent dans l'environnement d'apprentissage.

Pendant qu'un élève apprend un nouveau concept, ses capacités sont testées et des bases de données suivent ses progrès à l'aide d'un des modèles. La dernière génération de systèmes d'apprentissage à distance prend en compte les réponses des élèves et s'adapte aux capacités cognitives de l'élève à l'aide d'un concept appelé « échafaudage cognitif ». L'échafaudage cognitif est la capacité d'un système d'apprentissage automatisé à créer un chemin cognitif d'évaluation du plus bas au plus élevé en fonction des capacités cognitives démontrées.

Une mise en œuvre réussie actuelle de l'apprentissage adaptatif dans l'enseignement à distance basé sur le Web est le moteur Maple de WebLearn de l'université RMIT. WebLearn est suffisamment avancé pour pouvoir fournir une évaluation des questions posées aux étudiants même si ces questions n'ont pas de réponse unique comme celles du domaine des mathématiques.

L'apprentissage adaptatif peut être intégré pour faciliter la collaboration de groupe dans des environnements d'apprentissage à distance tels que des forums ou des services de partage de ressources. Parmi les exemples de la manière dont l'apprentissage adaptatif peut faciliter la collaboration, on peut citer le regroupement automatisé d'utilisateurs ayant les mêmes intérêts et la personnalisation des liens vers des sources d'information en fonction des intérêts déclarés de l'utilisateur ou de ses habitudes de navigation.

En 2014, un chercheur en éducation a conclu une étude pluriannuelle sur l'apprentissage adaptatif pour la conception de jeux éducatifs. La recherche a développé et validé le modèle ALGAE (Adaptive Learning GAme dEsign), un modèle d'apprentissage adaptatif complet basé sur les théories et pratiques de conception de jeux, les stratégies pédagogiques et les modèles adaptatifs. La recherche a prolongé les recherches antérieures sur la conception de jeux, les stratégies pédagogiques et l'apprentissage adaptatif, en combinant ces trois composants en un seul modèle complexe.

L'étude a abouti au développement d'un modèle de conception de jeux éducatifs adaptatif destiné à servir de guide aux concepteurs de jeux, aux concepteurs pédagogiques et aux éducateurs dans le but d'améliorer les résultats d'apprentissage. Les participants à l'enquête ont validé la valeur du modèle ALGAE et ont fourni des informations spécifiques sur la construction, l'utilisation, les avantages et les défis du modèle. Le modèle ALGAE actuel est basé sur ces informations. Le modèle sert désormais de ligne directrice pour la conception et le développement de jeux informatiques éducatifs.

L'applicabilité du modèle est évaluée comme étant intersectorielle, y compris les agences/unités gouvernementales et militaires, l'industrie du jeu et le monde universitaire. La valeur réelle du modèle et l'approche de mise en œuvre appropriée (ciblée ou non) seront pleinement réalisées à mesure que l'adoption du modèle ALGAE se généralisera.

Bien que les fonctionnalités d’apprentissage adaptatif soient souvent mentionnées dans les supports marketing des outils, la portée de l’adaptabilité peut être radicalement différente.

Les outils d'entrée de gamme ont tendance à se concentrer sur la détermination du parcours de l'apprenant en fonction de critères simplistes tels que la réponse de l'apprenant à une question à choix multiples. Une réponse correcte peut conduire l'apprenant au chemin A, tandis qu'une réponse incorrecte peut le conduire au chemin B. Bien que ces outils fournissent une méthode adéquate pour la ramification de base, ils sont souvent basés sur un modèle linéaire sous-jacent dans lequel l'apprenant est simplement redirigé vers un point situé quelque part le long d'une ligne prédéfinie. De ce fait, leurs capacités ne sont pas à la hauteur d'une véritable adaptabilité.

À l’autre extrémité du spectre, il existe des outils avancés qui permettent de créer des adaptations très complexes basées sur un certain nombre de conditions complexes. Ces conditions peuvent concerner ce que l’apprenant est en train de faire, des décisions antérieures, un suivi comportemental, des activités interactives et externes, pour n’en citer que quelques-unes. Ces outils haut de gamme n’ont généralement pas de navigation sous-jacente car ils ont tendance à utiliser des méthodes d’IA telles qu’un moteur d’inférence . En raison de la différence fondamentale de conception, les outils avancés sont capables de fournir de riches capacités d’évaluation. Plutôt que de répondre à une simple question à choix multiples, l’apprenant peut se voir présenter une simulation complexe dans laquelle un certain nombre de facteurs sont pris en compte pour déterminer comment l’apprenant doit s’adapter.

• Qualtrics