Lorsque l’apprentissage a commencé à laisser une trace
Dans une classe traditionnelle, l’enseignant observe beaucoup de choses.
Il voit l’élève qui lève la main, celui qui semble perdu, celui qui répond rapidement et celui qui a besoin d’une nouvelle explication.
Mais certaines choses restent difficiles à observer, surtout dans une classe nombreuse.
Deux élèves peuvent obtenir exactement la même note alors que leurs parcours ont été totalement différents.
L’un a peut-être compris dès la première explication.
L’autre a regardé le cours trois fois.
L’un s’est trompé sur le concept principal avant de corriger son erreur.
L’autre a peut-être mémorisé la réponse sans vraiment comprendre.
Le résultat final peut être similaire.
Mais l’apprentissage qui l’a précédé ne l’est pas.
Les environnements numériques ont commencé à rendre une partie de ce parcours visible.
De la note… au parcours d’apprentissage
Pendant longtemps, nous avons résumé les performances de l’élève par un chiffre.
70 %.
85 %.
Excellent.
Très bien.
Échec.
Mais un chiffre ne nous dit pas toujours tout.
Un élève peut obtenir 80 % parce qu’il maîtrise presque tous les concepts à l’exception d’une compétence essentielle.
Un autre peut obtenir la même note avec un niveau simplement moyen dans l’ensemble du sujet.
Les chiffres sont identiques.
Les décisions pédagogiques nécessaires ne le sont pas.
C’est l’une des raisons pour lesquelles l’éducation s’intéresse davantage à des notions comme la maîtrise des compétences — Mastery plutôt qu’à la note finale uniquement.
Au lieu de dire :
L’élève a obtenu 75 %.
Nous pouvons essayer de dire :
Il maîtrise la première compétence.
Il a encore besoin d’aide pour la deuxième.
Il progresse rapidement dans la pratique.
Et il répète la même erreur sur un concept spécifique.
La note nous indique combien de réponses l’apprenant a données correctement, mais elle ne nous dit pas toujours ce qu’il est réellement capable de faire.
Que signifie « Learning Analytics » ?
L’expression Learning Analytics — analytique de l’apprentissage peut sembler très technique, mais l’idée de base est simple.
Nous utilisons les données produites pendant l’apprentissage afin de mieux comprendre ce qui arrive à l’apprenant, puis nous essayons d’utiliser cette compréhension pour améliorer l’expérience éducative.
Ces données peuvent inclure :
Le temps passé sur une activité.
Le nombre de tentatives.
Les questions auxquelles l’élève a mal répondu.
Les leçons qu’il a revues.
Les activités terminées.
Sa progression dans différentes compétences.
Et parfois même la manière dont il interagit à l’intérieur d’un environnement numérique.
L’objectif ne doit pas être de collecter des données simplement parce qu’elles existent.
L’objectif doit être de transformer les données en meilleures décisions pédagogiques.
Les données ne deviennent pas éducatives lorsque nous les collectons ; elles deviennent utiles lorsqu’elles nous aident à prendre une décision qui améliore l’apprentissage.
L’enseignant peut-il savoir plus tôt qu’un élève a besoin d’aide ?
C’est probablement l’une des possibilités les plus importantes offertes par l’analytique de l’apprentissage.
Dans le modèle traditionnel, nous découvrons parfois la difficulté après l’examen.
Mais que se passerait-il si l’enseignant pouvait la voir pendant qu’elle se produit ?
Un tableau de bord pourrait montrer qu’un groupe d’élèves s’est arrêté au même endroit.
Ou qu’un grand nombre d’entre eux ont commis la même erreur.
Ou qu’un élève n’a pas terminé plusieurs activités successives.
Un autre pourrait progresser très rapidement et avoir besoin d’un défi supplémentaire.
Dans ce cas, les données ne remplacent pas l’enseignant.
Elles peuvent devenir un outil qui élargit sa capacité d’observation.
Les données ne doivent pas remplacer le regard de l’enseignant ; elles doivent l’aider à voir ce qu’il est difficile de remarquer au milieu de dizaines d’élèves.
La relation entre l’enseignant et la classe change alors une nouvelle fois.
Il n’est plus obligé d’attendre uniquement le résultat final.
Il peut intervenir pendant le parcours.
D’une même éducation pour tous… à un soutien différent pour chacun
Si nous savons qu’un élève doit revoir un concept précis, pourquoi lui demander de recommencer tout le cours ?
Et si nous savons qu’un autre a déjà maîtrisé l’idée, pourquoi l’empêcher d’avancer ?
C’est ici que les données commencent à soutenir ce que nous avons évoqué dans l’article consacré à l’intelligence artificielle :
la personnalisation.
Un élève peut recevoir une explication supplémentaire.
Un autre un exemple différent.
Un troisième davantage d’exercices.
Un quatrième un défi plus avancé.
L’objectif reste le même.
Le chemin peut changer.
Plus nous comprenons l’apprenant, plus il devient possible de lui donner ce dont il a besoin au lieu de donner exactement la même chose à tout le monde.
Les différences entre les apprenants ne deviennent plus un problème à supprimer.
Elles deviennent une information qui peut nous aider à concevoir un meilleur apprentissage.
Lorsque l’intelligence artificielle rencontre les données d’apprentissage
C’est ici que cet article rejoint directement l’article 17.
Il existe une grande différence entre une intelligence artificielle qui connaît seulement la question que je lui pose maintenant et une intelligence artificielle intégrée à un système éducatif qui connaît une partie de mon parcours antérieur.
Si le système sait que je rencontre régulièrement la même difficulté, il peut me proposer une révision avant de continuer.
S’il sait que je progresse rapidement, il peut me proposer une activité plus difficile.
S’il remarque que je mémorise les réponses mais que je n’arrive pas à les appliquer, il peut modifier le type d’activité.
La personnalisation devient plus profonde.
L’intelligence artificielle devient plus capable de personnaliser lorsqu’elle ne connaît pas seulement la question actuelle de l’apprenant, mais comprend également quelque chose de son parcours précédent.
Mais cette possibilité importante soulève immédiatement une autre question :
Jusqu’où voulons-nous que le système connaisse l’apprenant ?
De la plateforme à l’environnement immersif… les données deviennent plus profondes
Dans l’article précédent, nous avons parlé de réalité étendue et de simulation.
Il existe une grande différence entre savoir qu’un étudiant a terminé une leçon sur une plateforme et savoir ce qu’il a réellement fait dans un laboratoire virtuel.
Dans un environnement immersif, l’expérience peut laisser des traces beaucoup plus détaillées.
Quel parcours a-t-il choisi ?
Vers quel appareil s’est-il dirigé ?
Quelle décision a-t-il prise en premier ?
Où s’est-il trompé ?
Combien de fois a-t-il recommencé l’expérience ?
Quand a-t-il demandé de l’aide ?
A-t-il réussi à terminer la mission seul ?
Les données se rapprochent alors du comportement à l’intérieur de l’expérience, et non plus seulement de l’heure de connexion ou de déconnexion.
Cela ouvre de nouvelles possibilités pour l’évaluation des apprentissages pratiques.
Nous ne savons plus uniquement si l’apprenant a obtenu le bon résultat.
Nous pouvons essayer de comprendre comment il y est arrivé.
L’évaluation elle-même peut-elle changer ?
Cette question est très importante.
Dans le modèle traditionnel, une grande partie de l’évaluation arrive à la fin.
Nous enseignons.
Puis nous testons.
Mais si l’environnement peut observer le parcours d’apprentissage en permanence, l’évaluation peut elle aussi devenir plus continue.
Le système n’a pas forcément besoin d’attendre un grand examen pour comprendre qu’un élève rencontre une difficulté.
La difficulté peut être visible à travers dix petites tentatives réalisées pendant l’apprentissage.
Nous pouvons alors progressivement passer de la question :
Quelle note l’élève a-t-il obtenue à l’examen ?
à une question plus large :
Que peut-il faire maintenant qu’il ne pouvait pas faire auparavant ?
La meilleure preuve de l’apprentissage n’est pas toujours le moment où nous demandons à l’élève de démontrer ce qu’il sait ; parfois, c’est la possibilité de voir comment sa compétence se développe pendant le processus lui-même.
Mais tout ce que nous pouvons mesurer est-il important ?
C’est ici que commence le problème.
Les environnements numériques peuvent mesurer beaucoup de choses.
Le nombre de clics.
Le temps.
La vitesse.
Le nombre de tentatives.
Le taux de complétion.
L’interaction.
La présence.
Mais tous ces chiffres signifient-ils que nous comprenons réellement l’apprenant ?
Pas nécessairement.
Un élève peut passer beaucoup de temps parce qu’il réfléchit profondément.
Un autre peut passer exactement le même temps parce qu’il est distrait.
L’un peut revoir une vidéo parce qu’il n’a pas compris.
L’autre parce qu’il a apprécié l’explication.
Un élève peut interrompre l’activité à cause d’un problème Internet.
Un autre parce qu’il a perdu sa motivation.
Les données peuvent souvent nous dire ce qui s’est passé.
Elles ne nous disent pas toujours pourquoi cela s’est passé.
Les données peuvent nous apprendre beaucoup sur le comportement de l’apprenant, mais elles ne peuvent pas toujours expliquer pourquoi il s’est comporté ainsi.
C’est ici que l’humain revient.
L’enseignant comprend le contexte.
La famille connaît les circonstances de l’enfant.
Et l’apprenant lui-même sait ce qu’il vit.
L’élève peut-il devenir un profil numérique ?
Cette question m’inquiète.
Plus les systèmes deviennent capables de construire des profils d’apprenants, plus il devient facile de les étiqueter trop tôt.
Cet élève est faible en mathématiques.
Celui-ci est lent.
Celui-ci n’est pas engagé.
Celui-ci est brillant.
Mais l’être humain change.
L’enfant change encore davantage.
Les données décrivant les performances d’un élève aujourd’hui ne doivent pas devenir un jugement définitif sur ce dont il sera capable demain.
Les données doivent nous aider à ouvrir des possibilités à l’apprenant, pas à construire une boîte numérique dans laquelle nous l’enfermons.
Il existe une grande différence entre dire :
Cet élève a besoin d’aide maintenant.
et dire :
Cet élève est faible.
La première phrase décrit un besoin.
La seconde peut devenir une identité.
La manière dont nous parlons des données devient donc elle-même une partie de l’éthique éducative.
L’algorithme est-il juste ?
Si le système utilise des données pour recommander un niveau, un parcours ou une activité, une autre question apparaît :
La décision est-elle équitable ?
Que se passe-t-il si les données sont incomplètes ?
Si l’élève utilise une connexion de mauvaise qualité ?
Si la langue de la plateforme n’est pas sa langue principale ?
Si l’activité elle-même ne correspond pas à ses besoins ?
L’algorithme peut observer de mauvaises performances.
Mais la véritable raison peut être extérieure au processus d’apprentissage.
Nous ne devons donc pas permettre à la décision automatisée de devenir un jugement définitif impossible à remettre en question.
Plus le système devient capable de prendre des décisions, plus il devient important que l’être humain comprenne pourquoi ces décisions ont été prises et puisse les réexaminer.
Cela concerne l’enseignant.
L’apprenant.
Et la famille.
À qui appartiennent les données de l’apprenant ?
C’est peut-être l’une des questions les plus importantes de l’avenir de l’éducation.
Si la plateforme connaît :
Le niveau de l’élève.
Ses erreurs.
Ses difficultés.
Son historique d’apprentissage.
Son comportement dans l’environnement.
Et parfois davantage…
à qui appartiennent ces données ?
À l’école ?
À la plateforme ?
À l’entreprise technologique ?
À l’élève ?
À la famille ?
Qui peut y accéder ?
Combien de temps sont-elles conservées ?
Peuvent-elles être supprimées ?
Peuvent-elles être utilisées à d’autres fins que l’apprentissage ?
Ce ne sont pas uniquement des questions techniques.
Ce sont aussi des questions pédagogiques et éthiques.
La question éthique n’est pas seulement : quelles données pouvons-nous collecter ? Elle est aussi : quelles données avons-nous réellement besoin de collecter pour améliorer l’apprentissage ?
Tout ce qui peut être mesuré ne doit pas forcément être mesuré.
Et tout ce qui peut être stocké ne doit pas forcément être conservé.
Les données d’un enfant sont-elles les mêmes que celles d’un employé ?
Pour moi, la prudence doit être encore plus grande lorsqu’il s’agit d’enfants.
Un jeune apprenant peut ne pas comprendre totalement ce que signifie consentir à la collecte de ses données.
Il peut ne pas savoir où elles seront envoyées.
Ni comment elles pourront être utilisées plus tard.
C’est pourquoi la conception des technologies éducatives ne doit pas commencer uniquement par cette question :
Que pouvons-nous savoir ?
Elle doit également demander :
Qu’avons-nous réellement le droit de savoir ?
Cela place une grande responsabilité sur l’école, les développeurs, les décideurs et les familles.
Les données peuvent-elles devenir une mémoire de l’apprentissage tout au long de la vie ?
Dans l’article précédent, nous avons parlé du Web3, de l’identité numérique et des Verifiable Credentials.
Une nouvelle idée apparaît ici.
Et si le dossier d’apprentissage ne se limitait pas aux diplômes finaux ?
Et si une personne disposait d’un dossier indiquant les compétences maîtrisées à différentes étapes de sa vie ?
Apprentissage à l’école.
Puis à l’université.
Puis sur une plateforme.
Puis dans une entreprise.
Puis dans un programme professionnel.
Puis dans une simulation.
Puis en autoformation.
Un tel dossier pourrait devenir beaucoup plus riche qu’un seul diplôme obtenu à vingt-deux ans.
Cela nous ramène à ce que nous avons dit dans l’article 14 :
L’apprenant n’est plus une simple étape de la vie.
L’apprentissage peut devenir un parcours qui dure toute la vie, accompagné d’une image évolutive des compétences et des expériences acquises.
Mais cela ouvre une autre question :
Qui contrôle cette mémoire ?
Les données ne doivent pas diriger l’éducation seules
Les chiffres ont quelque chose de séduisant.
Ils paraissent précis.
Ils paraissent neutres.
Ils créent une impression de certitude.
Mais l’éducation est plus complexe qu’un tableau de bord.
Le système peut dire qu’un élève n’a pas terminé l’activité.
L’enseignant peut savoir qu’il traverse une situation familiale difficile.
Le système peut dire que l’élève est lent.
L’enseignant peut découvrir qu’il réfléchit profondément.
Le système peut dire qu’un élève est performant.
Mais l’enseignant peut savoir qu’il ne sait pas coopérer avec les autres et qu’il doit développer une compétence totalement différente.
Les données peuvent élargir notre compréhension de l’apprenant, mais elles ne peuvent pas réduire l’être humain tout entier à un écran.
C’est cet équilibre que nous devons préserver.
Peut-être que l’enseignant dépendra moins de ses impressions seules
En même temps, nous ne devons pas avoir peur des données simplement parce qu’il s’agit de données.
L’enseignant peut lui aussi se tromper.
Il peut développer une impression inexacte.
Il peut ne pas remarquer un élève discret dans une classe nombreuse.
Il peut croire que tout le monde a compris simplement parce que personne n’a posé de question.
Les données peuvent devenir un miroir supplémentaire.
Elles ne représentent pas toute la vérité.
Mais elles peuvent apporter un autre angle de vue.
L’enseignant a besoin des données, et les données ont besoin de l’enseignant : les premières révèlent les tendances, le second leur donne du sens et du contexte.
La relation future devient alors plus claire.
Ce n’est pas :
L’humain ou l’algorithme.
Mais :
L’humain avec l’algorithme.
Que se passe-t-il lorsque nous comprenons mieux chaque apprenant ?
Si nous pouvons utiliser les données de manière responsable, nous pouvons nous rapprocher d’un rêve très ancien de l’éducation.
Un enseignant qui sait quand l’élève a besoin d’aide.
Un défi adapté à chaque élève.
Une difficulté découverte avant qu’elle ne devienne un échec.
Un progrès observé autrement qu’à travers l’examen.
Un feedback fourni au bon moment.
Un apprentissage plus flexible.
Mais ces bénéfices ne viendront pas de la collecte du plus grand volume possible de données.
Ils viendront de la collecte des bonnes données, de leur bonne interprétation et de leur utilisation à travers un jugement humain responsable.
Une éducation intelligente ne signifie pas tout savoir sur l’apprenant ; elle signifie en savoir suffisamment pour l’aider sans perdre le respect de sa vie privée et de son humanité.
De « l’éducation pour tous »… à « comprendre chaque apprenant »
Au début du développement de l’éducation de masse, l’une des grandes réussites fut simplement de permettre à un grand nombre de personnes d’accéder à l’enseignement.
Puis la question est devenue :
Comment améliorer la qualité ?
Puis :
Comment rendre l’éducation accessible partout ?
Puis :
Comment la personnaliser ?
Aujourd’hui, une nouvelle étape apparaît :
Comment mieux comprendre l’apprenant lui-même ?
Non pas pour le surveiller davantage.
Mais pour l’accompagner avec plus de précision.
Il existe une grande différence entre un système qui dit :
« Voici le même cours pour tout le monde. »
et un système qui dit :
« L’objectif est commun, mais voici l’aide dont vous avez besoin maintenant. »
Mais l’être humain est plus grand que ses données
Après tout ce que nous avons évoqué, je reviens à un principe que je considère essentiel.
Un système peut connaître des milliers de choses sur un élève.
Mais il peut ne pas connaître son rêve.
Il peut savoir qu’il s’est arrêté à la septième question.
Mais ne pas savoir pourquoi il a peur de l’échec.
Il peut savoir qu’il n’a pas terminé une activité.
Mais ne pas savoir qu’une phrase encourageante de son enseignant l’a poussé à revenir le lendemain.
Il peut connaître la vitesse d’une réponse.
Mais il ne connaît pas nécessairement le sens de la réussite pour cet être humain.
Cela nous rappelle quelque chose qui devient peut-être encore plus important à mesure que la technologie progresse :
Plus le système connaît de choses sur l’apprenant, plus notre responsabilité est grande de ne pas oublier que derrière les données se trouve un être humain qui ne peut pas être réduit à des données.
Nous approchons peut-être maintenant de la fin du voyage
Nous avons commencé cette série avec un être humain apprenant d’un autre être humain.
Par l’observation.
Par le récit.
Puis sont arrivés l’écriture.
Le livre.
L’école.
Le programme.
Le son et l’image.
L’ordinateur.
Internet.
L’enseignement à distance.
Les plateformes mondiales.
Les réseaux sociaux.
Le smartphone.
L’intelligence artificielle.
La réalité étendue.
Et maintenant, le système commence à voir une partie du parcours de l’apprenant à travers les données.
Mais après tous ces outils, une question plus grande demeure.
Si la machine sait davantage…
explique davantage…
mesure davantage…
et prédit davantage…
qu’est-ce qui reste à l’être humain ?
Peut-être arrivons-nous ici à la dernière question de cette série :
L’être humain apprend (20) : Du récit à l’intelligence artificielle… Qu’est-ce qui restera humain ?
Car à la fin du voyage, la question n’est plus seulement :
Comment les outils d’apprentissage vont-ils continuer à évoluer ?
Elle devient :
Quel type d’être humain voulons-nous que tous ces outils contribuent à former ?