Dr. Rita Sleiman, Dr Laurent Cervoni
Au cours des dernières décennies, l’éducation a beaucoup évolué grâce aux outils informatiques et à l’Intelligence Artificielle (IA). A la fin des années 1960, Seymour Papert, un psychologue suisse connu pour ses travaux sur le développement cognitif des enfants, et Jean Piaget, un informaticien et un chercheur en éducation, ont étudié la manière dont la technologie pourrait transformer l’éducation. Ces travaux ont donné naissance au langage Logo – un langage de programmation censé améliorer les compétences de résolution de problèmes des enfants.
Dans les années 1980, et dans le cadre du programme « Plan informatique pour tous » , le gouvernement français a tenté sans succès de doter les écoles de plus de 120 000 machines afin d’initier les élèves aux outils informatiques et assurer la formation de presque 110 000 enseignants. Ce projet a marqué une tentative précoce d’intégration des outils informatiques dans l’enseignement.
Depuis la dernière décennie, la formation en IA des élèves a suscité un intérêt international. L’UNESCO a mentionné que ce dernier était un élément indispensable pour l’apprentissage et l’enseignement. Un projet national a été lancé en Finlande pour former le plus grand nombre de personnes possible à l’IA, avec des cours accessibles à tous. Cela prouve la croissance rapide de cette technologie et l’importance qu’on lui attache.
L’éducation peut intégrer l’IA sous deux angles différents : d’une part, la formation à l’IA, qui vise à familiariser les étudiants et le grand public avec les concepts et les applications de l’IA, et d’autre part, les cours construits par l’IA. C’est le deuxième angle qui est abordé dans le présent article. Nous allons explorer comment l’IA peut transformer les méthodes d’enseignement traditionnelles en offrant des expériences d’apprentissage personnalisées, efficaces et engageantes pour chaque élève.
Réimaginer l’Éducation avec l’IA
Les systèmes éducatifs traditionnels se confrontent à plusieurs défis qui limitent leur capacité à répondre efficacement aux besoins individuels et spécifiques de chaque apprenant. En effet, les parcours des formations, leurs contenus ainsi que les modalités d’enseignement sont souvent identiques pour tous, ne prenant pas en compte les différences de styles d’apprentissage, les niveaux, les préférences ou les modes d’acquisition des élèves. Cela rend l’apprentissage plus difficile et moins efficace, entrainant plusieurs inconvénients, notamment une perte de motivation chez certains élèves, un engagement réduit et une dégradation de la rétention des connaissances.
Face à ces limites, le concept de l’Education 5.0 se présente comme une solution prometteuse ayant comme but de transformer radicalement le domaine de l’éducation grâce à une intégration poussée de l’Intelligence Artificielle [1]. En abandonnant les approches standardisées au profit des systèmes plus flexible et personnalisés, l’Education 5.0 cherche à améliorer l’expérience d’apprentissage. Ce concept met l’accent sur les nombreuses opportunités que l’IA peut offrir pour le domaine de l’éducation, notamment l’assistance aux élèves et aux enseignants, et surtout l’apprentissage adaptatif.
L’apprentissage adaptatif représente une approche permettant d’ajuster dynamiquement le contenu et le rythme d’apprentissage en fonction de la progression et des performances des étudiants. Les plateformes basées sur cette approche utilisent des algorithmes d’apprentissage automatique pour évaluer en continu la maitrise des concepts par les étudiants et adapter le contenu pédagogique en conséquence, rendant l’éducation plus efficace et engageante [2]. Un système d’apprentissage adaptatif comprend généralement trois composants clés : le module apprenant, le module instructeur, et le module contenu [3], [4]. Le module apprenant fait référence aux caractéristiques de l’apprenant, notamment ses compétences, ses connaissances préalables, ses préférences, et son style d’apprentissage (apprenant visuel, auditif, kinesthésique). Le module contenu fait référence aux différents concepts construisant le cours et à la manière dont ces concepts sont livrés à l’apprenant. Le module instructeur fait référence à l’algorithme qui vise à adapter le cours en fonction du contenu et de l’apprenant, ainsi qu’à définir quand et comment l’adaptation peut se produire.
L’application de l’IA dans le domaine éducatif peut être catégorisée en fonction des rôles des utilisateurs dans l’éducation et des scénarios d’utilisation. Cet article présente des applications des diverses techniques d’IA dans le domaine de l’éducation et de l’apprentissage adaptatif, et discute des avantages apportés par la combinaison de ces techniques pour obtenir un système d’IA le plus riche et complet.
IA Prédictive : Personnaliser l’Apprentissage pour Chaque Élève
Il y a quelque temps, l’IA prédictive était l’IA la plus répandue et utilisée dans le domaine de l’apprentissage automatique pour de nombreuses applications. Cela reste vrai pour le domaine de l’éducation. En effet, on trouve une variété d’applications utilisant différentes techniques d’IA prédictive, révolutionnant l’expérience de l’apprentissage en la personnalisant pour chaque élève. Dans un premier temps, l’utilisation des algorithmes avancés d’IA prédictive permet une analyse des comportements des apprenants et une création des hiérarchies de contenu. De plus, l’une des applications les plus importante est l’adaptation sur mesure des parcours de formations. En suivant les progrès des élèves et en construisant des structures de connaissances, l’IA prédictive offre la possibilité de générer des parcours d’apprentissage individualisés.
Le Suivi des Connaissances est essentiel dans les systèmes d’apprentissage adaptatif, permettant de suivre les progrès des élèves et d’ajuster le contenu futur en conséquence [5]. Des modèles classiques d’apprentissage automatique étaient utilisés pour estimer les connaissances des élèves en prédisant leurs réponses aux tests. Avec l’avènement de l’apprentissage profond, la précision des prédictions a été améliorée en modélisant le problème comme un problème de prédiction de séquence.
D’autre part, la structure hiérarchique des concepts de connaissance et des matériaux d’apprentissage aide les systèmes d’apprentissage adaptatif à identifier les contenus d’apprentissage appropriés pour les élèves de manière efficace. Une des méthodes largement adoptées par ces systèmes est « l’extraction des concepts de connaissance ». Autrefois réalisée manuellement par des experts, l’extraction des concepts de connaissance à partir des supports d’apprentissage, des cours en ligne, des livres, etc. est largement facilitée par des méthodes d’IA supervisées et non supervisées. Les méthodes supervisées, nécessitant des échantillons annotés, permettent une catégorisation des données textuels en divers concepts [6]. Quant aux méthodes non supervisées, utilisant des modèles de langage pré-entraînés, permettent de traiter de grandes quantités de données, ce qui facilite beaucoup la tâche des enseignants [7].
La génération de chemins d’apprentissage personnalisés, plus dynamiques et adaptées aux besoins individuels des élèves, est une autre application clé de l’IA prédictive. En analysant les comportements des élèves et en exploitant les relations logiques entre les concepts de connaissance, l’utilisation de l’IA dans les systèmes adaptatifs offrent des parcours d’apprentissage optimaux, augmentant ainsi l’engagement et la motivation des élèves.
IA Générative : Créer un Contenu d’Apprentissage Intuitif et Adaptatif
L’Intelligence Artificielle Générative (IAG) constitue une avancée transformative et prometteuse dans le domaine éducatif. Les récentes avancées de l’IAG démontrent son potentiel exceptionnel par rapport aux méthodes d’apprentissage automatique précédentes. En effet, malgré la capacité des méthodes traditionnelles d’IA prédictive à générer des chemins d’apprentissage personnalisées, ces derniers restent limités à un ensemble de petites modules déjà existantes. Cependant, grâce à sa capacité avancée à générer dynamiquement du contenu, l’IAG a le potentiel de révolutionner les méthodes d’apprentissage adaptatif en offrant des solutions plus variées, interactives et personnalisées pour chaque élève [8].
L’un des principaux atouts de l’IAG réside dans sa capacité à produire des résultats dynamiques et diversifiés. Elle peut générer du contenu d’apprentissage attrayant et adapté aux différents styles et rythmes d’apprentissage, comme des exercices interactifs, des simulations réalistes et des scénarios personnalisés qui captivent l’attention des étudiants et renforcent leur engagement.
Un autre défi pour les méthodes traditionnelles d’apprentissage automatique est la rareté des données annotées de haute qualité, souvent due à des contraintes de confidentialité et aux coûts élevés d’annotation. Cela entraîne des problèmes de surajustement et de mauvaise généralisation. L’IAG, et notamment les Large Language Models (LLM), possèdent une base de connaissances étendue qui leur permet de générer du contenu pertinent et de haute qualité même avec des données limitées, améliorant ainsi la capacité des systèmes éducatifs à fournir des réponses précises et adaptées.
Figure 1 : Exemple d’utilisation de l’IA pour la création d’un chemin d’apprentissage et la génération d’un contenu de formation adaptative
L’Avenir de l’Éducation : Vers une IA Multimodale et Hybride
Les capacités solides de l’IA dans diverses applications éducatives ont été démontrées dans plusieurs études. Qu’il s’agisse d’IA symbolique, prédictive ou générative, l’IA offre une approche holistique et personnalisée de l’apprentissage. Cependant, chaque forme d’IA présente des inconvénients qu’il ne faut pas ignorer. En effet, malgré les performances impressionnantes de l’IAG, notamment dans la génération de contenu, les chatbots, etc., une limite importante de ces approches réside dans le fait qu’ils ont une forte tendance à halluciner. Cela pose un problème majeur surtout dans des domaines critiques tels que l’éducation ; on ne peut pas se contenter de l’utilisation de l’IAG seule pour assister un élève ou créer une formation adaptative.
Une des perspectives les plus prometteuses est l’utilisation de l’IA hybride, une combinaison de différentes techniques d’IA, afin d’offrir une expérience d’apprentissage sur mesure. Notamment, un LLM utilisé pour assister un élève pourrait être contrôlé en ajoutant une couche d’IA symbolique, des règles, permettant de garantir l’efficacité et la sûreté des réponses du modèle.
De plus, dans la création de formations adaptatives, les approches hybrides exploitent les avantages de chacune des techniques pour optimiser l’efficacité et la pertinence des contenus éducatifs. Par exemple, un système d’IA hybride peut utiliser des modèles prédictifs pour anticiper les besoins des apprenants et générer des chemins d’apprentissage personnalisés, des modèles génératifs pour créer du contenu personnalisé, et des modèles multimodaux pour faciliter l’interaction. Les systèmes d’IA multimodale, capables de traiter et d’intégrer divers types de données comme le texte, l’image, l’audio, et la vidéo, révolutionneront l’expérience éducative. En combinant ces multiples sources d’information, l’IA peut offrir une compréhension plus complète du statut d’apprentissage de l’étudiant d’un point de vue plus large.
Bref, l’avenir de l’éducation peut tirer parti de l’intégration de l’IA, ouvrant de nouvelles possibilités pour des expériences d’apprentissages efficaces, personnalisées, engageantes et adaptées aux besoins individuels des apprenants. Cependant, une autre question se pose : comment garantir une intégration éthique de l’IA dans le domaine éducatif ?
Références
[1] N. Rane, S. Choudhary, et J. Rane, « Education 4.0 and 5.0: Integrating Artificial Intelligence (AI) for personalized and adaptive learning », Available SSRN 4638365, 2023.
[2] M. Khan et A. Abbas, Charting the Course: Generative AI’s Impact on Education and Future Learning Challenges. 2024. doi: 10.13140/RG.2.2.34814.40002.
[3] V. Aleven, E. A. McLaughlin, R. A. Glenn, et K. R. Koedinger, « Instruction based on adaptive learning technologies », Handb. Res. Learn. Instr., vol. 2, p. 522‑560, 2016.
[4] H. Li et al., « Bringing Generative AI to Adaptive Learning in Education », 28 juin 2024, arXiv: arXiv:2402.14601. Consulté le: 12 août 2024. [En ligne]. Disponible sur: http://arxiv.org/abs/2402.14601
[5] G. Abdelrahman, Q. Wang, et B. Nunes, « Knowledge Tracing: A Survey », ACM Comput. Surv., vol. 55, no 11, p. 1‑37, nov. 2023, doi: 10.1145/3569576.
[6] N. Firoozeh, A. Nazarenko, F. Alizon, et B. Daille, « Keyword extraction: Issues and methods », Nat. Lang. Eng., vol. 26, no 3, p. 259‑291, 2020.
[7] J. Huang et al., « WERECE: An Unsupervised Method for Educational Concept Extraction Based on Word Embedding Refinement », Appl. Sci., vol. 13, no 22, p. 12307, 2023.
[8] H. Yu et Y. Guo, « Generative artificial intelligence empowers educational reform: current status, issues, and prospects », Front. Educ., vol. 8, juin 2023, doi: 10.3389/feduc.2023.1183162.