Adaptive Learning : énième mode ou révolution ?

Dessin représentant de scientifiques manipulant une machine compliquée qui générerait de l'adaptive learning

Si vous ne deviez retenir qu’une chose sur l'Adaptive Learning...

L’adaptive Learning est un processus qui permet d’ajuster ou personnaliser les paramètres de formation de chaque apprenant·e, pour l’aider à mieux atteindre les objectifs définis par le·la formateur·rice... ou par l’apprenant·e lui·elle même.
Sa mise en place implique un travail que l’on décompose en 3 étapes successives : la collecte des données des apprenant·e·s, puis son analyse et interprétation, ce qui permet enfin l’ajustement - personnalisation de la formation ou du parcours.
Pour maximiser l’efficacité de cette démarche, indépendamment de l’outil choisi, nous recommandons de :

  • prendre le temps de bien définir vos objectifs pédagogiques - n’ayez pas peur du détail !
  • baser vos choix d’ajustements sur des hypothèses validées par la recherche - pas de panique, vous pouvez vous faire accompagner pour cela.
  • consulter régulièrement l’évolution de vos données récupérées, quitte à faire des aménagements : l’adaptive learning n’est pas figé, c’est un processus vivant !

Qu’est ce que l’adaptive learning ?

Wikipédia nous définit simplement le concept : l’adaptive learning est un ensemble de techniques permettant d’organiser automatiquement les ressources humaines et les supports d’apprentissage en fonction des besoins uniques de chaque apprenant·e. (Voir la définition complète de l'Adaptive learning, ou "Apprentissage adaptif" sur Wikipedia)
Contenus pédagogiques, parcours d’apprentissage, niveau de difficulté… quasiment toutes les propriétés d’une formation en ligne peuvent ainsi être ajustées en fonction de ses objectifs.
Plus qu’une mode, l’adaptive learning est donc une démarche pertinente, qui nous permet de penser la cohérence de nos dispositifs pédagogiques avec nos objectifs.
Pour fonctionner, un processus d’adaptive learning se décompose en 3 phases :

  • La collecte des données des apprenant·e·s
    Exemples : taux de clics ou temps de réponses à des questions, satisfaction, performance... mais aussi des informations sur leur profil : âge, fonction, historique de formation...
  • L’analyse et l’interprétation. Il s’agit désormais de “faire parler” vos données !
    Exemple : le fait que l’apprenant·e ait raté l'exercice 2, 3 et 4, suggère qu'il ne maîtrise pas la notion X, ce à quoi il faut remédier.
  • L’ajustement des propriétés de votre formation/parcours, qui permet alors de personnaliser les contenus ou le parcours
    Exemple : si un·e apprenant·e ne maîtrise pas la compétence A, C et D, il faudra lui proposer le module Y.

Warning vigilance : Si la dernière phase fait l’objet de toutes les attentions, les deux premières sont souvent un peu négligées, en quelque sorte la partie immergée de l’iceberg. Or, c’est précisément sur ces étapes que repose la qualité des ajustements dont bénéficieront vos apprenant·e·s, d’où l'importance de les préparer avec soin.

Pourquoi un tel attrait ?

Le digital a permis la diffusion massive de contenus, et a ainsi contribué à une démocratisation partielle de la formation : un même contenu peut désormais à la fois être utilisé par des étudiant·e·s d’une grande université américaine et des ingénieur·e·s d’un pays en développement qui n’a pas de telles infrastructures.
Cependant, pour être vraiment accessible à tous, la diffusion d’un contenu standard ne suffit plus, surtout à un volume d’apprenant·e·s aussi important et aussi divers…
Sur le terrain, les apprenant·e·s n’ayant pas forcément le même niveau de compétence au départ, ils·elles ne pourront pas tous se saisir d’un même contenu pédagogique. Par exemple, les plus novices auront besoin de renforcer certains pré-requis au préalable, alors que les plus expert·e·s pourront commencer directement les contenus plus avancés.
En présentiel, un·e formateur·rice a souvent la possibilité d’adapter son cours ou sa formation au niveau de ses apprenant·e·s et de leur hétérogénéité - parfois sans même s’en rendre compte. Reproduire ce comportement et cette flexibilité en ligne tout en gardant les avantages du digital, voilà la promesse ambitieuse de l’adaptive learning qui fait tout son attrait !


Est-ce utile ? Qu’en dit la recherche ?

Bonne nouvelle, la recherche s’est justement déjà bien penchée sur le sujet, et on recense plus d’une centaine d’études sur l’efficacité des dispositifs d’adaptive learning. Comme souvent quand on parle de pédagogie, la réponse est plus complexe que “oui” ou “non” et le curseur se déplace selon les contextes.

Globalement, on peut dire que les techniques utilisées améliorent à la fois la mémorisation des notions vues et leurs application dans des nouvelles situations (1) mais seulement lorsqu’on les compare au même dispositif digital sans adaptation de contenus, ou à des cours magistraux donnés en présentiel à un gros volume d’apprenant·e·s. En revanche, aucune différence d’efficacité n’a été trouvée entre des dispositifs d’adaptive learning et des cours donnés à un petit groupe d’apprenant·e·s, ou du tutorat individuel.
On pourrait alors être tentés de résumer la situation à : formation de masse -> efficace / formation à faible effectif -> pas efficace... mais notre double casquette de chercheurs & pédagogues nous emmène sur une autre piste !

En effet, ce sont les choix faits par les concepteur·rice·s de contenus à chacune des 3 étapes vues précédemment qui conditionnent l’efficacité de la démarche. Même le dispositif le plus sophistiqué serait sans effet si les hypothèses sur lesquelles il repose ne sont pas valides.

Par exemple, certaines solutions permettent d’identifier le canal sensoriel privilégié de chaque apprenant·e (vue, ouïe…) pour ainsi leur proposer le support d’apprentissage qui en découle, et donc mieux apprendre. Or cette théorie (dite des styles d’apprentissage), aussi séduisante soit-elle, n’a jamais été vérifiée en pratique, un·e apprenant·e “visuel·le” pouvant apprendre tout aussi bien avec des images qu’avec de l’audio. Au revoir les gains d’efficacité !

A l’inverse, des théories validées par la recherche scientifique permettent de faire une vraie différence pour les apprenant·e·s. C’est notamment le cas de l’adaptation de la difficulté : son ajustement en fonction du niveau des apprenant·e·s permet notamment d’améliorer la montée en compétence (2), le maintien de cette amélioration dans le temps (3) mais aussi de généraliser cette amélioration à d’autres tâches (4).

Sur les questions de mémorisation, pour aller plus loin, vous pouvez également consulter notre article 3 clés essentielles pour passer de la mémorisation à l’application en formation eLearning.

Adaptive learning - Apprentissage adapté dans les entreprises, les PME, les institutions

Comment bien se servir de l'apprentissage adaptif ?

Vous l’aurez compris, il est essentiel de s’appuyer sur des théories éprouvées par l’expérience. Cette étape de questionnement prend du temps, mais fait une vraie différence concernant l’atteinte des objectifs pédagogiques que vous vous êtes fixés.
(Si les travaux de recherche ne sont pas toujours très accessibles, certains ouvrages vulgarisés sont formidables, et il ne faut hésiter à se faire accompagner par des spécialistes.)

Pour illustrer notre propos, nous allons ici dérouler l’exemple d’une conceptrice qui souhaiterait améliorer l’apprentissage de ses apprenant·e·s en ajustant la difficulté des contenus.

Pour préparer la collecte de données, il faut identifier celles qui donnent le plus d’informations pertinentes. Dans notre cas, il est important de connaître le niveau de l’apprenant·e, et donc de se pencher sur les données produites qu’il·elle fournit lors de la résolution d’exercice.
Bons exemples : le taux de bonne réponse et/ou le temps mis pour donner sa réponse.
Mauvais exemples : les données d’utilisation (enchaînement de clics sur différentes parties de l’interface) ou de satisfaction… moins éclairantes ici. 

Dans les faits, la démarche d’adaptive learning est donc étroitement mêlée à celle d’ingénierie pédagogique : il est indispensable de penser le format des contenus de manière à récupérer les données dont on a besoin. Dans notre cas, il est donc important d’ajouter des exercices de mises en pratique des notions de la formation qui permettront, en plus de consolider les apprentissages en mémoire, d’estimer le niveau de compétence des apprenant·e·s.

Concernant l’analyse des données et l’ajustement des contenus, ces deux étapes se pensent difficilement l’une sans l’autre. Deux approches dominantes émergent et chacune mériterait d'ailleurs un article dédié :

  • l’approche Theory Driven : vous disposez d’hypothèses sur la manière dont modéliser la difficulté et des idées précises sur les ajustements à opérer
    -> Peut être utilisée avec peu de données ce qui la rend plus rapide à déployer
  • l’approche Data-driven : vous laissez les algorithmes détecter eux-mêmes les configurations optimales.
    -> Approche plus ouverte, qui permet d’identifier des patterns de comportements non prévus par une théorie, mais nécessitant un grand volume d’apprenant·e·s.

Le choix de l’une ou l’autre dépend donc de votre contexte tout comme des moyens dont vous disposez.

Nos conseils pour tirer le meilleur de l'Apprentissage adaptif

Pour conclure, on comprendra que l’adaptive learning est un formidable levier d’efficacité en formation… à condition de s’en donner les moyens ! Au delà des implications ou choix technologiques, c’est avant tout une démarche pédagogique de fond, impliquant un important travail de réflexion et d’analyse, mais le jeu peut en valoir la chandelle !

Récapitulons nos conseils pour en tirer le meilleur :

  • Avant le déploiement de votre formation/parcours, identifiez vos objectifs pédagogiques et les ajustements qui vous permettront de les atteindre pour chaque apprenant·e·s
  • Utilisez pour ce faire des théories validées par l’expérience : si vos hypothèses sont fausses, votre démarche d’adaptive learning manquera son objectif, voire sera contre-productive.
  • Mettez régulièrement “le nez” dans les analytics pour vérifier si les choix faits sont pertinents ou toujours d’actualité, et procéder à des modifications si besoin. L’adaptive learning n’est pas figé dans le temps, il est normal de le faire évoluer.

Parmi les solutions qui proposent de l'adaptive learning, la plateforme LMS Didask tire son épingle du jeu car sa méthodologie toute entière, intégrée dans son intelligence artificielle pédagogique, se base sur les recommandations de la recherche en sciences cognitives. Vous êtes ainsi assurés que les modules que vous serez en mesure de créer en temps record, utiliseront à chaque fois les modalités les plus adéquates, et que les choix de personnalisation de vos parcours en adaptive learning se feront sur des critères réellement utiles pour l'apprentissage.


C’est à vous !

BIBLIOGRAPHIE

1) Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis. Journal of educational psychology, 106(4), 901.
2) Sampayo-Vargas, S., Cope, C. J., He, Z., & Byrne, G. J. (2013). The effectiveness of adaptive difficulty adjustments on students' motivation and learning in an educational computer game. Computers & Education, 69, 452-462.
3) Choi, Y., Qi, F., Gordon, J., & Schweighofer, N. (2008). Performance-based adaptive schedules enhance motor learning. Journal of motor behavior, 40(4), 273-280.
4) Ahissar, M., & Hochstein, S. (1997). Task difficulty and the specificity of perceptual learning. Nature, 387(6631), 401.

Partager sur les réseaux

À propos de l'auteur

Svetlana Meyer

Svetlana Meyer est la reponsable scientifique de Didask. Docteure en sciences cognitives, son rôle est d’intégrer les derniers résultats de la recherche sur l’apprentissage à notre produit pour améliorer l’efficacité des contenus créés sur Didask.

Dans la même thématique