S’adapter au profil de l’apprenant, à ses préférences, ses connaissances déjà acquises, son rythme d’apprentissage… en résumé à ce qu’il est intrinsèquement, c’est à dire unique. Le psychologue américain Skinner en rêvait, l’intelligence artificielle et la révolution techno-pédagogique l’ont fait !

Big data, learning analytics et autres mots barbares

Les big data sont la base de l’adaptive learning. Mais encore faut-il en décrypter le sens grâce aux learning analytics. L’interprétation pertinente de ces données alimente un moteur d’intelligence artificielle. De quoi créer des cohortes d’apprenants de profil similaire. Les comportements de l’apprenant sont modélisés grâce à l’observation de chacune de ses actions sur l’interface, mais aussi de son temps passé sur chacun des contenus, de ses résultats aux évaluations formatives et sommatives. Ils permettent de tracer le chemin individuel d’acquisition de connaissances le plus efficace. Les résultats aux tests en ligne constituent de précieux indicateurs pour ajuster le rythme de déblocage et le niveau des contenus. Ils alimentent le moteur de recommandation qui va sélectionner les contenus adaptés à la progression de chacun.

Les sciences cognitives et les neurosciences de l’éducation viennent en appui de la programmation des algorithmes chargés d’analyser en temps réel les comportements et d’orienter la formation vers de la vidéo plutôt que du texte, de ralentir le rythme en cas de fatigue de l’apprenant… Car oui, il est possible d‘identifier une baisse d’attention de l’apprenant, en analysant son nombre de clics, le temps de connexion et la fréquence de déconnexion.

L’adaptive learning est une combinaison savante de données d’apprenants, d’algorithmes de recommandations, de contenus finement découpés et qualifiés, de parcours de formation différenciés (on peut imaginer une cartographie de savoirs et savoir-faire reliés entre eux par de multiples chemins pour arriver à destination : l’acquisition de compétences définies) et réfléchis sur la base des apports des neurosciences de l’éducation.

De l’enseignement programmé à l’enseignement adapté

Les travaux de Skinner ont mis en évidence quelques grandes conditions d’efficience d’un apprentissage (vous constaterez que si la mise en œuvre peut paraître quelque peu manichéenne et obsolète, la plupart de ces postulats d’efficience restent d’actualité) :

  • l’apprenant doit être actif dans la construction de ses connaissances ;
  • les niveaux de difficultés doivent être découpés finement pour ne pas décourager les plus faibles ;
  • la progression doit être graduelle ;
  • chaque apprenant a un rythme d’apprentissage qui lui est propre et qui doit être respecté ;
  • l’apprenant a besoin d’être guidé pour éviter les renforcements négatifs qui pourraient le décourager.

Skinner prévoyait en revanche, et contrairement au principe de l’adaptive learning, une progression parfaitement linéaire dans les unités d’apprentissage. C’est ainsi qu’a émergé l’apprentissage programmé dont les ressorts ont été affinés par la suite, notamment par un autre psychologue comportementaliste américain, Nicholas Crowder dans les années 60. A la linéarité de Skinner, Crowder préfère une ramification des savoirs organisés en parcours adaptables à la progression de l’apprenant. Pour la petite histoire, Crowder variait déjà les formats de contenus en mêlant textes, vidéos et audio.

En ce temps-là, en l’absence d’analyse fine des données, l’ancêtre de l’adaptive learning se résumait à automatiser certaines tâches de correction et de déblocage du grain de savoir suivant.

Aujourd’hui, la richesse d’analyse que permettent le big data et l’intelligence artificielle ouvre la voie à une construction en temps réel d’un parcours sur-mesure tenant compte des informations fournies par l’apprenant lors de sa progression dans la formation.

De l’adaptive learning à l’adaptive teaching

L’adaptive learning va-t-il enterrer le formateur ? La réponse est bien évidemment non. Le formateur a tout à gagner à tirer les enseignements des données glanées via l’interface s’agissant notamment des learning analytics : le big data comme support d’objectivation de ses choix pédagogiques.

Le formateur/tuteur va ainsi pouvoir se concentrer sur des missions d’accompagnement de l’apprenant en identifiant rapidement les points de blocage, en modifiant au besoin certaines ressources mal comprises de la communauté des apprenants, en animant la communauté d’apprentissage, en apportant à travers ses feedback, une dimension relationnelle et sociale que l’intelligence artificielle ne peut pas encore remplacer. Ils peuvent également se concentrer sur les sessions présentielles dans le cadre de parcours en blended learning.

 

« La formation doit être protéiforme. » — Arturo Brachetti