La discussion, consacrée cette année à la thématique des Learning Analytics, s’ouvre avec quatre premières contributions, celles de Bruno Poellhuber et Normand Roy, de Margarida Romero, de Laetitia Pierrot et de Benjamin Gras.

Parmi les questions soulevées dans le texte de cadrage, celles auxquelles ils tentent de répondre peuvent se structurer autour de deux axes principaux : d’une part la validité des données et d’autre part, le caractère éthique de l’approche « LA » à chacune de ses étapes (conception, recueil, traitement et usage) des données. À cet égard, ils distinguent la transparence de la démarche et la responsabilisation des acteurs, une « bonne gouvernance des données » de la part de ceux qui les récoltent, les traient et les utilisent. Deux champs d’application émergent de leurs travaux : l’analyse des comportements d’apprenants et leur profilage dans les environnements virtuels en formation à distance et les tableaux de bord qui restituent à l’enseignant et/ou l’apprenant une analyse de processus d’apprentissage de ce dernier. Nous ne nous appesantirons pas sur tous les aspects traités par les auteurs, mais nous tenterons de tracer un fil conducteur au travers de leurs quatre interventions.

La validité des données

3Cet aspect de la problématique ne fait pas l’unanimité. Pour cette raison qu’il paraît intéressant de mieux comprendre les positions de chacun. S’il existe de « nombreux exemples d’intelligences artificielles qui reproduisent les biais présents dans les données » (Gras, § 7), c’est donc que la construction des instruments de recueil des données est elle-même biaisée comme le démontre l’exemple de « l’algorithme d’apprentissage automatique spécialiste du recrutement d’employés qui a montré un biais contre les femmes, favorisant le recrutement des hommes » (Dastin, 2018, cité par Gras, ibid.). Il est d’autres exemples de discriminations qui se trouvent renforcées par cette approche ou bien d’usages qui peuvent se retourner contre ceux qui, a priori, devraient être les premiers à en tirer des bénéfices. Cette crainte, rapportée par les contributeurs, est d’ailleurs partagée par de nombreux acteurs de terrain par exemple, les enseignants qui redoutent que les données sur l’engagement des apprenants soient utilisées comme moyen d’évaluation des enseignants. Par ailleurs, l’utilisation des LA rencontre une forte opposition des syndicats d’enseignants au Québec (Poellhuber et Roy, § 16). Quant au biais lié au caractère partiel et limité des traces (Ouakrat et Mesangeau, 2016, § 2, cité par Peraya, 2019, § 35), B. Gras ne considère pas que ce soit un frein à l’utilisation des données et des algorithmes, à la recherche et à l’innovation, à partir du moment où le chercheur est conscient de ces limites. Cet argument nous renvoie déjà au deuxième axe de la discussion : la transparence de la démarche et la responsabilisation des acteurs.

—————

Repéré depuis https://journals.openedition.org/dms/3739