L’apprentissage personnalisé – une révolution des données
Les approches du XXIe siècle s'intéressent à l'état cognitif et motivationnel de l'apprenant.
Auteur
Qui ne rêve pas d'un monde où tout ce avec quoi il interagit est personnalisé ?
L'avènement de le Big Data L'apprentissage automatique nous a permis de concrétiser cette vision à un rythme incroyablement rapide, grâce à notre capacité à tout enregistrer et stocker sur nous-mêmes, des frappes au clavier à nos séquences génétiques et à notre ADN. Il en résulte une médecine personnalisée qui sélectionne les interventions les plus adaptées à notre métabolisme, une publicité ciblée qui nous propose les jeans qui nous vont le mieux, et même un apprentissage personnalisé selon nos besoins individuels.
L'idée extrêmement puissante qui sous-tend l'apprentissage personnalisé est d'offrir à l'apprenant des environnements et un enseignement d'apprentissage pertinents, en alternative à une approche uniforme où tous les élèves d'une classe voient le même contenu au même moment. Cependant, le terme personnalisé Elle englobe un large éventail de méthodes et de stratégies, ayant des significations différentes selon les communautés, ce qui rend difficile de comprendre précisément comment une telle approche sera mise en œuvre.
« Les approches du XXIe siècle en matière de personnalisation de l’apprentissage reposent sur le principe que l’apprentissage se fait par la pratique plutôt que par l’écoute. »
Certaines de ces approches s'inscrivent dans une démarche d'apprentissage par les intérêts, où l'enseignement est personnalisé en permettant à l'élève de choisir des projets et des problèmes qui le motivent, qu'il s'agisse de la chimie dans l'activisme environnemental ou de la physique du parachutisme. D'autres méthodes consistent à créer des communautés d'apprentissage qui proposent des travaux en petits groupes et offrent aux enseignants la possibilité de mieux comprendre les besoins d'apprentissage de leurs élèves.
Par ailleurs, les approches du XXIe siècle en matière de personnalisation de l'apprentissage abordent le cognitif et état motivationnel de l'apprenantCes approches ne sont possibles que grâce aux flux de données générés par l'engagement croissant des apprenants dans des activités d'apprentissage en ligne, et reposent sur le principe que l'apprentissage se fait par la pratique plutôt que par l'écoute. Elles privilégient donc l'exercice pratique sur des problèmes importants dans un domaine donné.
L'IA détecte et exploite les forces et les faiblesses de chaque apprenant.
Les systèmes d'apprentissage personnalisés qui fonctionnent ainsi sont pilotés par Intelligence Artificielle qui modélise la cognition des élèves pour évaluer l'état actuel de chaque apprenant, puis fournit un enseignement adapté à cet état.
Cela se déroule en deux étapes. Premièrement, lorsqu'un apprenant travaille sur un problème, les systèmes d'apprentissage personnalisés détectent les erreurs de raisonnement courantes qu'il peut rencontrer à chaque étape. Le système peut ainsi fournir un retour d'information et un soutien ciblés sur la difficulté rencontrée par l'apprenant. Par exemple, lors de la résolution d'une addition de fractions, un jeune apprenant peut confondre le numérateur et le dénominateur. Le système peut détecter cette erreur et lui fournir des indications et des suggestions supplémentaires pour l'aider à comprendre ces concepts et à mener à bien l'exercice.
La seconde approche de ces systèmes consiste à sélectionner des ressources pédagogiques adaptées aux acquis de l'apprenant. Cela implique généralement de décomposer les domaines en compétences élémentaires. Ainsi, l'apprenant peut se concentrer sur la pratique des notions qui lui posent le plus de difficultés. Par exemple, un apprenant peut avoir démontré sa compréhension de l'addition de fractions, mais uniquement lorsque les dénominateurs sont identiques ; le système pourrait alors cibler spécifiquement la pratique des fractions à dénominateurs différents.
« L’enseignant est libéré de la nécessité d’homogénéiser son enseignement et peut circuler dans la classe pour apporter une aide ciblée supplémentaire aux élèves qui en ont besoin. »
L'apprentissage personnalisé élargit le champ d'action de l'enseignant
Bien que ces systèmes reposent sur la collecte de flux de données numériques pendant que les élèves travaillent sur ordinateur, ils sont généralement conçus pour fonctionner au sein de l'environnement de la classe. Par exemple, l'enseignant peut dispenser un cours en classe trois jours par semaine, tandis que les élèves travaillent sur ordinateur les deux autres jours. Cela évite que l'enseignant n'ait à adapter son enseignement au niveau « moyen » de la classe.
En effet, les élèves les plus avancés, qui s'ennuient souvent en classe, sont encouragés à progresser à leur propre rythme et s'impliquent davantage dans la matière. Quant aux élèves qui ont du mal à suivre le rythme des enseignants, ils bénéficient d'un soutien personnalisé grâce au système. Plus important encore, l'enseignant n'est plus contraint d'uniformiser son enseignement et peut circuler dans la classe pour apporter une aide ciblée aux élèves qui en ont besoin.
« Bien que l’idée et la mise en œuvre initiale de tels systèmes existent depuis un quart de siècle, le moment est venu, car les progrès en matière d’apprentissage profond, de modélisation cognitive et de matériel convergent. »
De nombreuses études ont démontré que ces systèmes sont bénéfiques aux apprenants car ils améliorent leur maîtrise des contenus. En effet, certaines études ont montré que… elles sont particulièrement bénéfiques pour les élèves qui en ont le plus besoin., qui auraient autrement du mal à suivre le rythme de leurs pairs, et des travaux plus récents ont intégré Des fonctionnalités supplémentaires qui améliorent l'apprentissage, comme des agents virtuels qui motivent les élèves. et soutien à une meilleure recherche d'aide.
Bien que l'idée et les premières implémentations de tels systèmes existent depuis un quart de siècle, le moment est venu, car les progrès en matière d'apprentissage profond, de modélisation cognitive et de matériel informatique convergent. L'ère de l'apprentissage personnalisé est arrivée !
Auteur
Notes
Références
Johnson, WL et Lester, JC (2016). Interaction en face à face avec les agents pédagogiques, vingt ans plus tard. Société internationale d’intelligence artificielle dans l’éducation 2015, 26, 25–36.
Roll, I., Aleven, V., McLaren, BM et Koedinger, KR (2011). Améliorer les compétences des étudiants en matière de recherche d'aide grâce à un retour d'information métacognitif dans un système de tutorat intelligent. Apprentissage et instruction, 21(2), 267-280.
Koedinger, KR, Anderson, JR, Hadley, WH et Mark, MA (1997). Le tutorat intelligent se rend à l'école dans la grande ville.
Un commentaire
Les commentaires sont fermés.
Je suis curieux de voir comment les objets connectés continueront à exploiter ce potentiel, d'un point de vue éducatif ; n'hésitez pas à me contacter.