Les avancées récentes en #apprentissage automatique, en particulier en termes de personnalisation et de recommandation, ouvrent de nouvelles opportunités d’innovation dans une perspective de #pédagogie personnalisée, par les enseignants et au profit des élèves. Dans ce contexte, il est fondamental de développer en continu un processus de modélisation des connaissances sous forme de graphes qui représentent à la fois les connaissances, les compétences, et leur lien avec les unités de contenu (partie de fiche, exercice, etc.).
Quelques exemples d’apports du machine learning appliqué au monde de l’enseignement :
Afin de donner plus de lisibilité à ce concept, voici trois exemples des bénéfices constatés suite à la mise en œuvre d’une approche de type machine learning. Ces derniers démontrent très clairement qu’il est possible de faire évoluer son mode d’enseignement et de l’adapter au mieux aux spécificités de chaque élève.– L’intégration des contraintes propres au domaine de l’ancrage mémoriel basé sur des courbes d’oubli. Lors d’une première assimilation d’une notion, un élève a 80 % de chance de l’oublier au bout de trois jours. L’enjeu est alors de prédire cet « oubli » afin de proposer des piqures de rappel adaptées à l’élève et à ses capacités de mémorisation.– La modélisation de la difficulté des contenus en agrégeant les données recueillies lors des interactions des apprenants. L’objectif est soit d’adapter les questions à la progression de l’élève, soit de détecter des exercices mal posés et nécessitant une reformulation éditoriale.– L’adaptation automatique de parcours d’apprentissage en fonction des interactions de l’apprenant
