Learning analytics et intelligence artificielle dans l'éducation
Au cœur de l'éducation numérique, découvrez comment les learnings analytics (ou analyse des traces d'apprentissage) associés à l’intelligence artificielle permettent de comprendre et agir sur le parcours des élèves. De la collecte aux prévisions, vous comprendrez les possibles et les points de vigilance sur ces technologies en expansion.
"Learning analytics et intelligence artificielle dans l'éducation" "Domaine 3 - Concevoir, scénariser, mettre en œuvre et évaluer des situations d'enseignement/apprentissage" Narratrice.
-Avec le développement du numérique éducatif, les traces laissées par les élèves génèrent une masse de données considérable.
Les learning analytics ou analyse 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.
Ce nettoyage 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 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 diagnostique permet de dépasser les observations initiales pour s'intéresser à l'origine du phénomène.
Elle interroge les données pour comprendre comment l'élève est parvenu au résultat recueilli.
L'analyse prédictive permet, 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 afin 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 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 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 quelques 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 être en mesure de comprendre le fonctionnement des algorithmes, les critères qu'ils retiennent et la logique de leurs réponses.
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 faut 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 pour les environnements numériques d'apprentissage mais aussi pour des dimensions plus tangibles.
Une étude 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 : maîtriser les outils que l'on utilise et mieux comprendre les processus d'apprentissage des élèves.
Dans la thématique « Enseigner avec le numérique »
.png)
