18 février 2020 Les données sont partout et sont devenues un enjeu crucial pour plusieurs secteurs d’activité, notamment l’éducation et la formation. Michel B. a parfaitement décrit la situation lorsqu’il a déclaré: «Dans de nombreux secteurs, y compris l’éducation, la quantité de données a considérablement augmenté au cours des 15 dernières années. Il est nécessaire de donner un sens à ces données pour améliorer les capacités de prise de décision des écoles et des universités. »(Baldassarre Michele, 2016) En effet, avec l’utilisation des nouvelles technologies dans la pédagogie, les apprenants laissent une quantité importante de traces de leurs activités d’apprentissage. Par conséquent, le suivi de ces données devient stratégique. Les directeurs de librairies utilisent les données d’apprentissage pour suivre et mesurer les habitudes d’apprentissage. (Sherriff, Benson et Atwood, 2019). Les organismes de formation et les prestataires d’apprentissage ont également assumé le traitement des données d’apprentissage et tentent de savoir comment les utiliser correctement: «En raison de la croissance des données disponibles ces dernières années, tous les domaines de la recherche et la gestion des institutions et des organisations, en particulier les écoles et les universités, ressentent le besoin de donner un sens à cette disponibilité des données» (Baldassarre Michele, 2016). Dans leurs tentatives d’utiliser les données pour améliorer l’apprentissage, les adeptes de l’apprentissage en ligne utilisent le suivi et l’intelligence artificielle pour personnaliser les parcours de formation. Dans cet article, nous ferons référence à certaines études dans le domaine du suivi et de l’apprentissage adaptatif en lien avec les données d’apprentissage et l’IA. Ensuite, nous proposerons quelques points de vigilance à partir d’études sur le sujet. Du suivi des données à l’apprentissage adaptatif : Les usages du suivi et de l’apprentissage adaptatif sont fortement interconnectés, en particulier dans les environnements d’apprentissage numériques. Par conséquent, faire une étude dans l’un implique d’étudier l’autre. En effet, «Dès le tout début de l’informatique pédagogique, dans les années 70 et 80, un mythe est né, porteur de très grands espoirs, celui d’adapter l’enseignement aux élèves. »(Amédieu & Tricot, 2015, p. 53). Ce principe repose sur trois leviers : • Suivi des données entrantes et sortantes • Traitement des données avec l’intelligence artificielle • Proposition d’un parcours d’apprentissage adapté Amadieu et Tricot assimilent ce raisonnement à l’approche de Skinner, qui recommande de donner une rétroaction à l’apprenant en fonction de ses réponses. Aujourd’hui, cette croyance vit toujours dans le milieu universitaire. Il est donc pertinent d’étudier le résultat de la mise en œuvre de l’apprentissage adaptatif dans les programmes de formation. Quelques résultats d’études sur le suivi : Presque toutes les études ont révélé un impact bénéfique du suivi des données d’apprentissage sur les progrès des apprenants. C’est le cas d’une étude qui a analysé la contribution des données d’apprentissage via l’outil TrAVis (May, George, & Prévot, 2011). Les résultats de l’étude suggèrent que le suivi des données d’apprentissage et leur disponibilité pour les apprenants leur permet de mieux mettre leur compétences en pratique dans leur apprentissage. Une autre étude de l’Université de Pavie a analysé les données d’apprentissage sur la plate-forme d’apprentissage en ligne de l’institution – operamultimedia – qui utilise des principes d’apprentissage en profondeur. L’objectif principal de l’étude était l’importance des évaluations pour anticiper les performances des apprenants afin d’offrir aux étudiants des parcours individualisés. (Figini et Giudici, 2009). Pour prévoir / anticiper les performances des apprenants afin de leur proposer des parcours d’apprentissage adaptés, l’équipe identifie les étapes suivantes : • collecte de données d’apprentissage à partir d’itinéraires classiques • moduler les données • intégrer les données dans une base de données pour former l’algorithme • Configurer l’algorithme avec le modèle additif généralisé Grâce à ce travail préalable, l’algorithme a pu, en toute autonomie, analyser les données de l’apprenant et déterminer le meilleur parcours pour lui permettre d’atteindre les objectifs d’apprentissage. Ce concept d’apprentissage adaptatif correspond à l’idée que l’intelligence artificielle seule peut devenir «le tuteur intelligent» qui, sans action humaine, permet à l’apprenant de progresser. La place du formateur se limite à la conception des supports de cours et aux activités d’évaluation. L’algorithme sera chargé de déterminer le contenu vers lequel rediriger l’apprenant et la meilleure méthode d’apprentissage pour lui. Le schéma suivant peut aider à avoir une meilleure idée du fonctionnement d’un tel système d’apprentissage : par Pearson and Adsurge L’utilisation de l’apprentissage adaptatif dans la formation des adultes : Certaines recherches affirment sans équivoque l’utilité et l’efficacité des principes de l’apprentissage adaptatif pour la formation des adultes dans les environnements d’apprentissage numérique, comme nous pouvons le lire dans l’affirmation suivante: «L’essence des technologies d’apprentissage adaptatif des adultes est définie; la valeur des technologies de l’information comme outil d’apprentissage adaptatif des adultes qui fournit des conditions de croissance personnelle, de développement des compétences sociales et professionnelles est prouvée. »(Olena I. Ohiienko, 2011). Cependant, ce domaine n’a pas encore révélé tous ses secrets et un nombre important de recherches sont en cours dans le domaine de l’apprentissage adaptatif car, à ce stade, aucune méthode unanimement reconnue pour étudier les environnements d’apprentissage utilisant les principes de l’apprentissage adaptatif et de nombreux problèmes demeurent non élucidé. (Pérez-Sánchez, Fontenla-Romero et Guijarro-Berdiñas, 2018). Dans une autre équipe de chercheurs, une étude a été menée auprès de 83 étudiants universitaires inscrits au programme de formation à la pensée critique et de maîtrise de l’anglais dans un environnement numérique. (1) Ils ont organisé un pré-test pour le programme TOIC. Ensuite, ils ont formé des groupes en fonction des résultats des élèves. (2) Ensuite, chaque groupe a reçu le contenu des cours en fonction de son niveau. (3) Ensuite, des retours d’expérience et des données sur l’utilisation de la plateforme ont été utilisés pour proposer des cours personnalisés à certains étudiants. Les résultats ont montré que la méthode «adaptative» améliorait le niveau des participants. Ce système d’apprentissage adaptatif ressemble à celui du programme Pearson et Adsurge, mais dans cette étude, ce sont les formateurs eux-mêmes et non une IA qui déterminent les cours adaptés et les rendent disponibles sur la plate-forme. Mise en garde ! Même si le domaine du «suivi des données», de «l’apprentissage adaptatif» et de l’IA apporte de grands espoirs dans la formation en général et celle des adultes en particulier, il y a des points de vigilance qui méritent notre attention. Nous proposons de discuter de l’un d’entre eux qui a été abordé par des chercheurs reconnus dans le domaine: la protection des données dans les systèmes d’apprentissage adaptatifs. Utilisation des données La question de la protection des données personnelles s’est rapidement posée dans le suivi des données et l’utilisation d’algorithmes d’intelligence artificielle notamment dans les administrations publiques. Ceci est valable pour les universités et les programmes publics. Malgré l’obligation de protéger les données, certaines personnes ont plaidé pour la transparence et ont demandé l’accès aux données avec lesquelles les algorithmes ont été formés. En effet, « Le principe de l’ouverture des données publiques a été soulevé en 1978 en France avec le principe de l’accessibilité aux fichiers administratifs et en opposition à la tradition de secret et d’opacité qui prévalait dans le secteur public ». (Bourcier & De Filippi, 2018 , p. 13). La question de la transparence dans la programmation des algorithmes est davantage revendiquée dans l’utilisation d’algorithmes dans les décisions de justice, les contrôles fiscaux comme dans le programme «Taxpayer Compliance Measurement Program», «Corrective Offender Management Profiling for Alternative Sanctions» aux États-Unis, le «Harm Assessment Risk Tool Offender» en Angleterre et «OpenVisa» en France. Cette exigence de transparence s’adresserait également aux établissements publics de formation susceptibles d’utiliser des algorithmes dans les dispositifs d’apprentissage. Une étude a été réalisée par une équipe de chercheurs. Elle a montré combien il est important de respecter la protection des données des apprenants afin d’établir une relation de confiance entre tous les acteurs impliqués dans ce type de programme. Les chercheurs identifient trois critères essentiels pour utiliser les données, même à des fins éducatives. (1) Les apprenants doivent être informés de la collecte et de l’utilisation des données les concernant. (2) Le suivi ne devrait être effectué qu’avec et après le consentement de l’apprenant. (3) L’apprenant doit pouvoir interrompre le suivi dès qu’il le souhaite. (4) Les données collectées ne devraient être utilisées qu’aux fins pour lesquelles l’apprenant a donné son consentement. (May et George, 2011). En outre, l’article 5 du RGPD stipule: « 1. Les données personnelles doivent être: a) traitées de manière licite, loyale et transparente à l’égard de la personne concernée (licéité, loyauté, transparence). » (Vollmer, 2018). Résumé : Nous pouvons voir que les concepts de (1) «données d’apprentissage», (2) «suivi des données», (3) «apprentissage adaptatif» et (4) IA, ne peuvent être correctement appréhendés que lorsqu’ils sont appliqués à un dispositif éducatif donné. / environnement d’apprentissage et doit être étudié en relation avec cet appareil ou environnement pour être efficace. La politique éducative européenne innovante est donc un exemple intéressant dans la mesure où elle permet d’appréhender ces concepts à travers le prisme de l’apprentissage informel et des REL qui se déroulent souvent en dehors des cours formels et impliquent donc des enjeux plus larges que les aspects purement techniques et théoriques de ceux-ci. concepts (1), (2), (3) et (4). Références : Amadieu, F., & Tricot, A. (2015). Apprendre avec le numérique : Mythes et réalités. Consulté à l’adresse http://faraway.parisnanterre.fr/login?url=https://www.numeriquepremium.com/content/books/9782725633206 Baldassarre Michele. (2016). Think big : Learning contexts, algorithms and data science. Research on Education and Media, 8(2), 69–83. https://doi.org/10.1515/rem-2016-0020 Bourcier, D., & De Filippi, P. (2018). Transparence des algorithmes face à l’open data : Quel statut pour les données d’apprentissage ? Revue française d’administration publique, 167(3), 525–537. https://doi.org/10.3917/rfap.167.0525 Figini, S., & Giudici, P. (2009). Statistical models for e-learning data. Statistical Methods and Applications, 18(2), 293–304. https://doi.org/10.1007/s10260-008-0098-4 Olena I. Ohiienko. (2011). INFORMATION TECHNOLOGIES AS A TOOL OF ADAPTIVE LEARNING OF ADULTS. Ìnformacìjnì Tehnologì ì Zasobi Navčannâ, 20(6). Consulté à l’adresse https://doaj.org/article/4a8482ea4f4b4a299f6a2421b8d47e69 Pérez-Sánchez, B., Fontenla-Romero, O., & Guijarro-Berdiñas, B. (2018). A review of adaptive online learning for artificial neural networks. Artificial Intelligence Review, 49(2), 281–299. https://doi.org/10.1007/s10462-016-9526-2 Sherriff, G., Benson, D., & Atwood, G. S. (2019). Practices, Policies, and Problems in the Management of Learning Data : A Survey of Libraries’ Use of Digital Learning Objects and the Data They Create. The Journal of Academic Librarianship, 45(2), 102–109. https://doi.org/10.1016/j.acalib.2018.12.005Vollmer, N. (2018, septembre 5). Article 5 EU règlement général sur la protection des données (EU-RGPD) [Text]. Consulté 27 décembre 2019, à l’adresse http://www.privacy-regulation.eu/fr/5.htm