L’adaptive learning — ou apprentissage adaptatif — est un des axes de développement du digital learning dont on entend beaucoup parlé actuellement. Le Bayesian Knowledge Tracing — ou BKT — est l’algorithme le plus utilisé par les solutions d’apprentissage adaptatif.

Au coeur de l’apprentissage adaptatif, on retrouve différents algorithmes comme le Bayesian Knowledge Tracing (BKT), l’Additive Factor Model (AFM) ou encore l’Instructional Factor Model (IFM). Ces dernières années, le modèle BKT — traduit grossièrement par “modèle bayésien de la progression du savoir” — est devenu l’algorithme le plus utilisé pour estimer le niveau d’acquisition d’un élément de connaissance par un apprenant à un instant t.

Comme son nom l’indique, le Bayesian Knowledge Tracing est basé sur les statistiques bayésiennes. Pour faire simple, il s’agit de statistiques qui permettent de traiter de plus petits échantillons, là où les statistiques classiques ont besoin d’un large nombre d’occurrence afin d’être utilisables — on parle d’échantillon représentatif et de signification statistique.

Les 4 éléments qui composent le tracé du savoir sont donc des probabilités :

  • p(init) : c’est la probabilité que l’apprenant connaisse déjà l’élément de connaissance avant son entrée dans le programme
  • p(transit) : c’est la probabilité de transfert de la connaissance. L’apprenant mobilise correctement ses acquis pour répondre correctement à la question posée
  • p(slip) : c’est la probabilité d’une erreur d’inattention. L’apprenant a bien acquis la connaissance mais commet une erreur exceptionnellement
  • p(guess) : c’est la probabilité d’une bonne réponse par pure chance. L’apprenant ne maîtrise pas l’élément de connaissance mais trouve tout de même la bonne réponse

On parle bien de probabilité, il y a une chance pour que chacun de ces phénomènes se produise lors de la restitution des connaissances.


Repéré depuis https://nativio.net/bayesian-knowledge-tracing/