Learning analytics et intelligence artificielle dans l’éducation

Les données éducatives se sont, comme toutes les autres données, massifiées ces dernières années. Comment sont-elles utilisées par le monde de la recherche ? Que nous apprennent-elles ?

Transcription

Avec le développement du numérique éducatif, les traces laissées par les élèves génèrent une masse de données considérable. Les Learning analytics - ou analyses des traces d’apprentissage - permettent de collecter, d’analyser et de communiquer ces données.

On associe par ailleurs aux Learning analytics l’intelligence artificielle, que l’on peut définir comme un système autonome et adaptatif capable de comprendre, prévoir et prescrire les actions de l’élève grâce à l’analyse de grandes quantités de données.

Mais comment ces traces d’apprentissage sont-elles traitées ?

Quelles sont les principales finalités des Learning analytics ?

Quel est le rôle de l’intelligence artificielle dans l’analyse des données ?

C’est ce que nous allons voir dans cette vidéo.

Les traces collectées peuvent concerner l’ensemble des interactions d’un élève avec son environnement numérique d’apprentissage : réponses données, temps de réaction, navigation au sein du logiciel, etc.

Après le recueil vient le traitement : nettoyage puis analyse. Nettoyer les traces collectées permet de ne garder que les données pertinentes, en fonction des informations que l’on cherche à obtenir.

Des algorithmes permettent ensuite d’explorer et d’analyser ces données pour générer des indicateurs : pour l’ensemble des utilisateurs ou pour un individu précis.

Ces indicateurs sont ensuite utilisés dans une double perspective.

D’une part, il s’agit de faire avancer notre connaissance des mécanismes de l’apprentissage, par une meilleure compréhension des usages et pratiques dans des contextes d’apprentissage, en tirant des modèles théoriques.

D’autre part, il s’agit d’améliorer l’efficacité des dispositifs d’apprentissage : en détectant le décrochage pour mieux le prévenir, en proposant des modèles comportementaux qui cherchent à prédire des tendances, en adaptant les conditions d’apprentissage.

Il existe quatre niveaux d’analyse de données : les niveaux descriptif, diagnostique, prédictif et prescriptif.

La plupart des logiciels proposent le niveau le plus basique, l’analyse descriptive, sous la forme d’un tableau de bord permettant de suivre l’avancée des élèves et de générer des rapports.

L’analyse diagnostiquepermet de dépasser les seules observations initiales pour s’intéresser à l’origine du phénomène. Elle interroge les données pour comprendre comment l’élève est parvenu aux résultats recueillis.

L’analyse prédictivepermet, quant à elle, de définir des tendances sur la manière dont l’utilisateur va agir, en fonction de ses actions précédentes. L’intelligence artificielle entre alors en scène. Un algorithme d’apprentissage, cherchant à répondre à un problème donné, est créé. C’est ce que l’on appelle un modèle d’intelligence artificielle, qu’il faut ensuite entraîner à l’aide des données : les prédictions sont comparées avec la situation réelle, ce qui permet d’affiner l’algorithme, de faire d’autres prédictions, qui vont elles-mêmes être à nouveau testées, et ainsi de suite.

L’intelligence artificielle permet d’ajouter un quatrième niveau à ce processus : l’analyse prescriptive. En s’appuyant sur l’analyse prédictive des données, des prescriptions sont élaborées pour adapter les parcours d’apprentissage, en fonction de l’impact attendu sur les indicateurs.

L’analyse prescriptive permet deux modes d’apprentissage : l’apprentissage adaptatif et l’apprentissage personnalisé.

Prenons l’exemple d’un logiciel proposant un apprentissage adaptatif. Il commence par cerner les besoins particuliers de chaque élève en s’appuyant sur ses réalisations au sein de l’environnement d’apprentissage. Il détermine précisément ce que l’élève sait et ne sait pas encore.

À partir de ce diagnostic puis de manière dynamique, le logiciel propose des activités adaptées. En revanche, il ne tient pas compte de ce que l’élève souhaite apprendre, ni de la manière dont il apprend le mieux.

Un logiciel proposant un apprentissage personnalisé va pour sa part prendre en compte les intérêts et les besoins des élèves pour générer de la motivation. Tous les élèves doivent répondre aux mêmes attentes, mais le logiciel leur proposera de suivre différents chemins d’apprentissage et permettra à chacun de prendre le temps nécessaire à sa progression.

Cet apprentissage personnalisé devra toutefois être dirigé par l’enseignant, le mieux à même d’affiner les parcours grâce à sa fine connaissance des élèves et de l’environnement scolaire.

La recherche sur l’intelligence artificielle dans l’éducation a pour objectif d’améliorer les processus d’apprentissage, mais elle implique de prendre un certain nombre de précautions. Les données personnelles des élèves sont une matière sensible, surtout lorsqu’elles sont assorties d’analyses et d’interprétations faisant intervenir de l’intelligence artificielle.

Les utilisateurs, élèves comme enseignants, doivent tout d’abord être en mesure de comprendre le fonctionnement des algorithmes : les critères qu’ils retiennent et la logique des réponses qu’ils apportent.

Les Learning analytics s’appuient sur une catégorisation des compétences, des connaissances et des interactions des élèves. Les algorithmes doivent chercher à prendre en compte toutes les capacités des élèves : il est essentiel de travailler avec un grand nombre de données, représentatives des différents contextes dans lesquels on utilise ces modèles.

D’autre part, il est nécessaire de conserver un regard critique tenant compte de ce que l’intelligence artificielle peut interpréter de manière erronée ou de ce qui ne peut pas être observé dans les traces collectées.

Enfin, on ne peut pas se contenter de promesses : des études doivent être menées pour mesurer l’impact de ces solutions adaptatives sur le processus d’apprentissage.

L’intelligence artificielle ouvre des perspectives non seulement pour les environnements numériques d’apprentissage, mais également pour des dimensions plus tangibles : une étude portant sur les aménagements des salles de classe a ainsi eu recours à l’intelligence artificielle pour mieux comprendre les approches pédagogiques des enseignants.

S’intéresser à l’intelligence artificielle dans l’éducation présente donc deux avantages : maitriser les outils que l’on utilise et mieux comprendre les processus d’apprentissage des élèves !

Crédits

  • Scénario : Mélinée Chanard, Rémy Massé, Jean-Noël Vogrig, Luis Galindo
  • Direction de publication : Marie-Caroline Missir
  • Production : Réseau Canopé
  • Partenariat : Pix
  • Licence : CC BY-NC-ND 4.0

Ressource produite avec le soutien du ministère de l’Éducation nationale et de la Jeunesse

Financé par le Gouvernement de la République française, liberté égalité fraternité, le plan France Relance et l'Union européenne (NextGenerationEU)