Intelligence artificielle et digital learning : IA PLUS QU’À ?

1.
IA forte, IA faible, machine learning : quelques concepts clés

L’IA fait aujourd’hui débat. Pour cerner les questions éthiques et les réticences soulevées par ses détracteurs, il est important de distinguer les IA fortes sur lesquelles se concentrent les critiques mais aussi les espoirs et les IA faibles aujourd’hui couramment utilisées au travers de chatbots, de robots industriels, de moteurs de recommandation sur des sites marchands ou dans la personnalisation de parcours de formation.

• L’IA forte correspond à un programme capable de reproduire un comportement intelligent, de faire des choix et d’adapter ses actions à l’environnement ou à la situation
• L’IA faible, en revanche, consiste en une simple simulation de comportements sans aucune prise de conscience de ses actions.

A l’expression très générique d’IA, les experts du domaine préfèrent donc souvent utiliser le nom exact des technologies mises en œuvre (qui relèvent aujourd’hui essentiellement de l’apprentissage automatique – machine learning).

Le machine learning, qui nous intéresse particulièrement en formation, est apparu dans les années 90. Il repose sur des algorithmes complexes et si l’on pousse encore un peu dans les concepts technologiques, ils peuvent aussi reposer sur des réseaux neuronaux. Dans le cas de réseaux neuronaux, on parle de Deep learning ou apprentissage profond. Ces réseaux de neurones sont encore très loin de la structure et du fonctionnement neuronal du cerveau humain. La créativité, la sensibilité et l’imprévisibilité du cerveau humain ne sont pour l’heure pas accessible aux neurones électroniques.

On se trouve donc dans une sorte de système gigogne : l’IA constitue le domaine le plus large. A l’intérieur de l’IA, on va, entre-autre, retrouver le machine learning (basé sur l’apprentissage de la machine), qui lui-même comprend le deep learning (pour lequel l’apprentissage est généralement autonome).

Résumé en image :

Au sein des programmes de machine learning, on distingue encore trois sous-catégories :

• une première où l’homme guide la machine en indiquant le résultat escompté : on parle d’apprentissage supervisé ;
• une deuxième où l’homme fournit uniquement des données et laisse la machine en déduire ses propres classifications pour leur donner un sens : on parle d’apprentissage non supervisé ;
• et une troisième sous-catégorie, dans laquelle l’algorithme élabore ses propres stratégies en analysant tous les paramètres en sa possession pour opérer des choix stratégiques : on parle d’apprentissage par renforcement. Cette technologie est indispensable pour développer des voitures autonomes par exemple.

Pour aller plus loin sur les notions clés de l’IA, retrouvez les explications de Yann le Cun directeur scientifique de l’IA chez Google dans un article pour le Collège de France.

Pour être opérante, l’IA se nourrit de données (les data), de beaucoup de données (le big data). Ce sont aussi ces données qui vont alimenter les algorithmes à même de personnaliser les parcours de formation.

Partons à la découverte des learning analytics…

2.
Learning analytics : sur les traces de l’apprenant

L’IA se nourrit de données, les fameuses « data ». On peut classer ces données en deux catégories selon que l’on soit en présence de données fournies ou de données constatées :

• les données fournies sont celles que l’apprenant va volontairement et consciemment soumettre : âge, expériences, parcours académique et professionnel, objectif personnel de formation, etc… ;
• les données constatées sont celles révélées par sa navigation : temps de connexion par support et par format de ressource pédagogique, annotations en ligne sur les supports, hésitations (mesurées par le différentiel entre le temps moyen constaté qu’il met à répondre aux questions et le temps réel enregistré sur une question précise), erreurs et résultats aux évaluations. Le comportement de l’apprenant va ainsi générer des données sans même qu’il ne s’en rende compte.

Cette deuxième série d’informations (partie immergée de l’iceberg du profil de l’apprenant), que l’on peut assimiler à des traces, se constitue au fur et à mesure de son avancement dans la formation. Elle est fondamentale dans l’adaptation de la formation. De la qualité des learning analytics va découler la richesse d’utilisation de cette précieuse source de données.

Toutes ces données seront stockées sur la plateforme (LMS, LRS – Learning record store) puis structurées et remontées dans des tableaux de bord pour être lisibles et exploitables. Le recueil et la mise en forme des données des apprenants est généralement réalisée grâce aux normes standards utilisées en formation digitale : SCORM, xAPI. Cette dernière permet de traquer un nombre plus important d’interactions de l’apprenant, intégrant les apprentissages formels et informels (social learning, notamment) et l’ensemble des devices utilisés par l’apprenant (smartphone, par exemple).

Ces opérations de recueil puis d’analyse de données d’apprentissage, ou learning analytics, doivent conduire à la mise en œuvre d’actions correctives et/ou proactives. Elles sont soutenues et optimisées par des algorithmes de machine learning.

D’un simple reporting à la mise en place de parcours en adaptive learning, le cabinet de conseil Gartner distingue traditionnellement les 4 grands types d’analyse de données et leur plus-value.

C’EST GRAVE DOCTEUR ? EXAMEN ET DIAGNOSTIC

Décrire et diagnostiquer constituent les premiers niveaux d’utilisation des learnings analytics. Ils s’apparentent à un reporting support, le cas échéant, à des actions correctives.

L’analyse descriptive vise ainsi à rendre compte de l’activité de l’apprenant et des éventuels incidents intervenus durant le parcours de formation. Elle répond à la question : que se passe-t-il sur le parcours ? Elle constitue la base du retour d’expérience, permettant de replacer le projet dans son contexte et de réaliser un premier bilan :

• combien d’apprenants ?
• combien de ressources consultées ?
• combien d’abandon ?
• quel taux de complétion ?
• combien d’heures passées sur le parcours ou sur chaque ressource ?
• combien de messages envoyés ?
• quelle utilisation du mobile learning ou du social learning ?
• quels résultats aux évaluations ?

L’analyse « diagnostic » interroge l’origine des actions (ou de l’inaction) des apprenants et les causes des incidents détectés par l’analyse descriptive. Pour réaliser un diagnostic, on mesure notamment :

• les périodes d’activité et d’inactivité de l’apprenant sur la semaine ou sur la journée (certains jours sont-ils plus productifs que d’autres ?) ;
  les taux de complétion du parcours (temps de connexion, téléchargement des documents, visionnage des vidéos, réalisation des évaluations formatives et sommatives…) ;
• les scores aux évaluations : au niveau individuel le score peut mettre en évidence un besoin de soutien ou de mise à niveau et au niveau collectif il peut être un indicateur de l’adéquation ou de l’inadéquation des activités proposées à la communauté apprenante ;
• la participation (discussion sur les forums, sollicitation des tuteurs, pratique collaborative…) : au niveau individuel elle peut révéler l’engagement de l’apprenant (c’est surtout son évolution dans le temps qui sera intéressante pour identifier des moments de baisse d’activité et agir) et au niveau collectif elle peut permettre aux tuteurs et/ou au learning community manager d’ajuster leur niveau d’intervention au sein du groupe ;
• les choix réalisés sur un parcours non contraint : la navigation de l’apprenant dans le parcours et le choix des ressources pédagogiques ou sa décision d’abandonner des ressources peuvent constituer un bon indicateur de son niveau, de sa disponibilité, de sa rapidité d’apprentissage (la pertinence de ses choix est mesurée par les scores aux évaluations).

L’analyse diagnostic va chercher à comprendre, a posteriori, l’origine (ou les multiples facteurs) de tel ou tel comportement inattendu de l’apprenant (pourquoi l’apprenant n’a-t-il pas validé le module 3 ? Est-ce le niveau de difficulté ? Du découragement ? Un format inadéquat de l’évaluation ou des ressources pédagogiques ? Un sentiment d’isolement ?…).

Mais l’enjeu des learning analytics et des algorithmes d’IA associés est de dépasser la simple description et le diagnostic pour aller vers des analyses prédictives et prescriptives.

PRÉDIRE, PRESCRIRE : VERS UN PARCOURS PROACTIF

Plus intéressant que l’analyse a posteriori et les actions correctives qui peuvent en découler, les analyses prédictive et prescriptive sont à même de créer, pour chaque apprenant, une expérience unique et un parcours sur mesure.

L’analyse prédictive vise à anticiper les problèmes. Elle s’attache à croiser les données récoltées, à les comparer avec des bases de données plus larges (données nationales, par exemple) ou antérieures (données sur le groupe d’apprenant précédent notamment) pour permettre de créer des modèles prédictifs basés sur les observations passées et les activités en cours. Elle répond à la question : que va-t-il se passer sur le parcours au niveau individuel et collectif ?

Au vu des résultats des analyses descriptive et diagnostic, il est ainsi possible de détecter a priori, des événements et incidents avant même leur réalisation. L’algorithme va croiser toutes les données à sa disposition, notamment les résultats de l’apprenant aux évaluations ou aux tests de positionnement, son engagement et sa participation sur la plateforme, sur les forums et dans les activités collaboratives ainsi que son parcours académique et professionnel. Il calculera alors une probabilité d’incident dans son parcours et génèrera une alerte auprès de l’équipe pédagogique pour informer d’un risque d’abandon ou d’échec de l’apprenant.

Cette capacité à anticiper les comportements de l’apprenant va permettre de mettre en place des stratégies curatives. La baisse de motivation de l’apprenant, qui peut se caractériser par une absence soudaine sur la plateforme, une diminution sensible de ses temps de connexion, la baisse de ses résultats aux évaluations, pourra être compensée par des actions automatiques (envois de notifications automatiques pour engager l’apprenant à poursuivre, message d’encouragement …) gérées par l’algorithme mais aussi par une intervention humaine du tuteur notamment (lui-même alerté du risque par l’algorithme).

L’analyse prescriptive va plus loin pour transformer le diagnostic et les données prédictives en actions pédagogiques. Elle répond à la question : comment agir sur le parcours et sur les apprenants ?
L’analyse prescriptive va permettre la personnalisation des parcours au rythme, au niveau, aux préférences et aux attentes de chaque apprenant. Cette individualisation des parcours repose sur l’analyse des données et des traces en temps réel pour ajuster le parcours, les ressources mises à disposition de l’apprenant, procéder à une remédiation par l’intermédiaire de ressources complémentaires en cas de difficultés ou d’un allègement du parcours au vu des prérequis de l’apprenant ou par l’intervention tutorale pour briser l’isolement.

Bienvenue dans l’ère de l’adaptive learning !

3.
Adaptive learning : laissez parler les datas

S’adapter au profil de l’apprenant, à ses préférences, intégrer ses prérequis académiques et expérientiel dans le déroulé de son parcours de formation mais aussi son rythme d’apprentissage ou ses contraintes horaires … en résumé à ce qu’il est intrinsèquement, c’est à dire unique.

L’objectif ? Maximiser l’efficacité de la formation et l’engagement de l’apprenant en combinant big data (les gros volume de données), smart data (les données qualifiées), sciences cognitives, ingénierie pédagogique et accompagnement tutoral.

CONCEPTION

L’adaptive learning nécessite une ingénierie pédagogique modulaire et non linéaire et une modélisation de parcours alternatifs en fonction des niveaux et des préférences (vidéos, audios, texte) des apprenants. Réaliser une cartographie des savoirs, des savoir-faire et des compétences, enrichie de métadonnées permettant de qualifier chaque grain de contenu en vue d’obtenir un parcours souple et adaptable.

Un apprenant ayant des résultats médiocres aura peut-être besoin de ressources supplémentaires reprenant les bases ou abordant le problème différemment. De la même façon, un apprenant très à l’aise, qui obtient de très bons résultats et/ou se montre très actif dans les échanges, pourra-t-il s’épargner certains modules pour éviter l’ennui et progresser plus rapidement.

Un mauvais déroulé avec le meilleur algorithme du monde ne permettra pas de satisfaire à un objectif d’apprentissage adapté à même de délivrer à l’apprenant le contenu adéquat au meilleur moment.

Quelques étapes clés de l’ingénierie pédagogique :

• Scénarisez le parcours : hiérarchisez vos ressources pédagogiques pour former un parcours cohérent en termes de prérequis et de niveau de difficulté (certaines notions ne peuvent pas être abordées sans que d’autres ne soient maîtrisées en prérequis, par exemple).
  Attention, cette démarche ne signifie pas que le parcours doit être linéaire. Définissez pour chaque notion, la notion prérequis et la notion subséquente.
  L’algorithme permet à l’apprenant, selon ses résultats, ses préférences et son rythme, de débloquer certains contenus sans même avoir suivi les modules prérequis. Il est libre de visionner uniquement les formats qui lui conviennent (particulièrement dans le cas de handicaps sensoriels) : contenus audio par exemple, pour une personne malvoyante.
• Ganularisez les contenus : découpez vos contenus en grains pédagogiques autonomes de courte durée (un grain pédagogique représente la plus petite unité de savoir faisant sens). Ils pourront être agrégés de différentes façons, dans une succession d’activités pédagogiques adaptées à la situation d’apprentissage, au profil de l’apprenant et in fine à l’objectif pédagogique.
• Qualifiez les contenus : l’ajout de métadonnées sur chacun des grains pédagogiques est indispensable. A minima les mots clé d’indexation, la date de création, l’objectif pédagogique, le format de la ressources (texte, vidéos…). Plus vos métadonnées seront riches, plus la modularité de votre offre sera importante. Cette étape, qui peut sembler chronophage au départ, doit être intégrée dans le planning de production.
• Multipliez les formats (textes, vidéos, serious games, audio) et les méthodes pédagogiques : méthode inductive en partant d’une série de questions, méthode expositive pour les savoirs académiques, mises en situation, remédiation, travail collaboratif… sans oublier les évaluations, indispensables à l’apprenant pour mesurer sa progression et à l’algorithme pour personnaliser le parcours.

MÉMORISATION

L’IA et les algorithmes de machine learning sont très utiles pour lutter contre les effets de la courbe de l’oubli. En effet, la courbe de l’oubli formalisée par Hermann Ebbinghaus à la fin du 19e Siècle, met en évidence la perte des informations au fil du temps en l’absence de piqûres de rappel sur une notion.

Comme identifiés en bleu sur la courbe, des rappels réguliers sur les trois premiers mois sont à même d’infléchir nettement la déclivité de la courbe dans le temps.

L’IA peut optimiser le renforcement des acquis en présentant les notions mal maîtrisées (identifiées par exemple par les résultats aux évaluations) de façon récurrente mais suffisamment espacée dans le temps pour faciliter la mémorisation sur le long terme.

4.
Adaptive coaching

Les learning analytics permettent également de jouer sur le niveau d’accompagnement administratif ou techno-pédagogique de l’apprenant, fluidifier son expérience d’apprentissage et maximiser la lutte contre le décrochage et la démotivation.

En effet les analyses prédictive et prescriptive des données d’apprentissage permettent d’ajuster les interventions quantitatives et qualitatives des tuteur et coach aux besoins de l’apprenant ou de la communauté apprenante à un instant « t ». Il pourra s’agir de classes virtuelles supplémentaires pour lever certains points d’incompréhension ou de rendez-vous individuels pour expliciter une notion, renforcer la motivation et combattre la baisse de motivation. Les tuteurs/coachs peuvent bénéficier d’alertes et de suggestions d’actions à mettre en œuvre en fonction de la nature du problème individuel ou collectif, détecté au travers des données.

Ces interventions tutorales ou de coaching peuvent être précédées de relances automatiques par mail ou par sms que l’algorithme déclenchera en première intention dès les premiers signes d’insuffisance de l’apprenant dans le parcours. Ces relances peuvent être scénarisées et architecturées comme un arbre de décision pour englober le maximum de situations potentiellement problématiques. L’envoi d’une notification demandant, à un apprenant, subitement absent du parcours, s’il a besoin d’aide pour se connecter ou l’invitant à prendre rendez-vous avec un expert ou un tuteur pour faire le point sur sa progression, peut se révéler efficace pour le remotiver et l’inviter à poursuivre.

AYEZ LE « BOT » RÔLE

Forts des expériences en matière de gestion de la relation client, les chatbots peuvent s’avérer des alliés efficaces de l’équipe pédagogique. Le bot peut constituer aujourd’hui un assistant du tuteur/formateur, mobilisable par l’apprenant à tout moment. Les chatbots rencontrent encore des difficultés face au défi que représente le langage naturel pour les algorithmes et face aux questions ouvertes souvent ambiguës des internautes. La recherche sur les algorithmes a encore quelques progrès à faire avant de voir la formation laissée aux mains de robots.

Toutefois, les chatbots peuvent se révéler utiles et décharger le tuteur de tâches sans grande valeur ajoutée pédagogique, que l’on parle :

• d’acquisition de savoirs ou savoir-être via des robots délivrant de la connaissance à la demande sur des champs d’expertise délimités et alimentés de modules retravaillés dans lesquels chaque micro-grain de savoir répond à une question aux multiples libellés : on peut imaginer ici l’importance des métadonnées ;
• l’accompagnement technique ou administratif dans le choix ou les modalités d’accès à une formation, dans l’assistance pour s’inscrire à une certification au terme du parcours : on se rapproche ici du chatbot, support de la relation client ;
• le positionnement par rapport à un niveau ou à un projet professionnel, par des méthodes d’évaluation revisitées au travers d’une interface conversationnelle nourri de test de positionnement retravaillés pour fournir un questionnement à rapprocher d’un diagnostic médical ;
• l’engagement de l’apprenant alors encouragé dans sa progression par un chatbot-tuteur ou incité à collaborer avec ses pairs pourquoi pas géolocalisés pour favoriser les rencontres physiques.

Si le spectre d’intervention du robot conversationnel semble large, il ne signe pas pour autant la fin du formateur ni du tuteur, indispensables dans une relation de transmission de savoirs et savoir-faire et d’animation de la communauté apprenante.

Avant de se lancer…

Doper ses parcours de formation à l’IA ne s’improvise pas. Prenez le temps de faire un audit de vos solutions, des retours des apprenants, de vos taux de complétion… Pour obtenir des réponses pertinentes avec l’IA, n’oubliez pas qu’il faut d’abord identifier les bonnes questions.

Demandez conseil aux experts de l’adaptive learning et des learning analytics ! Pour accompagner votre réflexion, nous les avons interrogés, nous avons recueilli leur vision des enjeux de l’IA en formation, des objectifs que l’on peut se fixer et des facteurs de succès lors du déploiement…