Adaptive learning et IA Générative : l’association gagnante pour la formation en ligne !

Pourquoi IA et Adaptive Learning forment le duo gagnant pour mieux former ?

L’adaptive learning, c’est quoi ?

Les approches d’adaptive learning, ou d’apprentissage adaptatif en français, ont pour objectif de modifier pour chaque apprenant les paramètres de son parcours afin d’améliorer son efficacité pédagogique, son pouvoir d’engagement ou de prévenir le décrochage. Les paramètres touchés peuvent être :

  • la nature des contenus proposés : rappel théorique, question de révision, cas pratique
  • l’ordre dans lequel ils sont abordés : sauter le module 1 si on se rend compte qu’il est maîtrisé, changer de sujet si l’apprenant décroche…
  • la difficulté des exercices : proposer un cas pratique difficile à un apprenant avancé, une question théorique à un apprenant plus novice
  • le moment où proposer une évaluation certifiante si on se rend compte que l’apprenant semble avoir le niveau attendu

Cette adaptation s’appuie une différents types de données, collectées tout au long du suivi de la formation par l’apprenant. On peut citer comme le score de maîtrise, le taux d'interaction avec des ressources interactives ou le temps passé à visionner du contenu didactique.

Plusieurs approches d’adaptive learning sont aujourd’hui utilisées par le marché, peut-être en avez-vous déjà testé l’une d’elles. Nous allons voir lesquelles et comment les IA génératives bousculent ce statu quo au bénéfice de l’apprenant.

L’école de la sophistication : les approches de type machine learning

Cette première approche utilise des technologies abouties de machine learning comme par exemple le deep learning appliqué à de grandes cohortes d’apprenants. Elles s’appuient généralement sur des modélisations du niveau de l’apprenant qu’elles vont mettre à jour au fur et à mesure des observations que l’on obtient sur lui, telles que les réponses aux exercices. Ces modèles sophistiqués élaborent une représentation détaillée des compétences de l'apprenant et calculent des prédictions pour déterminer quel contenu (ou quel paramètre de contenu) pourrait optimiser sa progression.

Cette personnalisation très pointue offre d’excellents résultats, supérieurs à celui des autres approches si on en croit les études à ce sujet, ainsi que des données précieuses pour le suivi pédagogique comme des cartes représentant la distribution de la maitrise de compétence.

Néanmoins, cette approche exige de grandes quantités de données pour offrir des représentations fiables et significatives, soulevant des problématiques de disponibilité et de qualité des données. De plus, sur un LMS, les contenus disponibles ont été créés sur des outils auteurs différents : les données qu’ils produisent (le score de maîtrise, par exemple) sont généralement différents ce qui nécessite un travail d’homogénéisation. Sans cela, les algorithmes ne peuvent pas les utiliser pour adapter les expériences d’apprentissage.

L’école de la simplicité : les approches “algorithmiques” à configurer soi-même

De l’autre coté du spectre, une autre approche mise la simplicité, en utilisant un ensemble de règles préétablies pour moduler l'apprentissage. Par exemple, “si l’apprenant réussit 60% du premier module, on lui déverrouille le module 2. Sinon, on lui propose le module de révision.”

Cette méthode, bien que moins performante que les algorithmes de machine learning, produit déjà des bénéfices.Ses avantage : une mise en œuvre aisée, d'une plus grande sobriété en termes de ressources nécessaires.Son inconvénient : les concepteurs doivent rentrer dans le détails de l’ingénierie pédagogique pour spécifier les règles en questions, et définir dans chaque cas, le score de maîtrise, le chemin à parcourir, créer autant d’embranchement… ce qui prend du temps et demande une certaine expertise à la fois.

La nouvelle ère : IA Générative et Adaptive learning

L’IA générative donne naissance à une nouvelle approche. Elle combine  la puissance de la première approche avec la simplicité de la seconde. Et là où les précédentes approches se contentaient d’adapter la liste des contenus et l’ordre dans lequel ils étaient abordés, cette nouvelle technologie permet de créer du contenu spécifique à la volée, adapté aux besoins individuels de chaque apprenant.

Un premier pas dans cette direction déjà visible dans les plateformes d’e-learning est le chatbot. Fini les apprenants laissés seuls face à leur e-learning ou condamnés à naviguer dans un forum opaque : ils peuvent désormais poser leurs questions au fur et à mesure de la formation à un chatbot dopé à l’IA générative qui lui répondra en quelque secondes. L’enjeu pour les fournisseurs de ces chatbots est d’une part de sélectionner les bonnes informations et y donner accès à l’IA de manière sécurisée, et d’autres part d’orienter l’IA pour qu’elle donne une réponse facilement assimilable par l’apprenant.

Mais se contenter d’attendre que les apprenants posent une question est loin de couvrir le potentiel de l’IA générative en termes d’adaptation de l’apprentissage. D’une part, parce que tous les apprenants n’ont pas nécessairement conscience de leurs besoins. Et d’autres part, car répondre à une question, de manière aussi claire et digeste soit elle, ne suffit pas pour apprendre : il faut aussi - et surtout - que l’apprenant remobilise l’information et l’utilise en situation.

C’est pour cela que Didask développe un ensemble d’interaction alimentée par l’IA générative qui transforment les pratiques des apprenants. Par exemple, juste après avoir répondu à une question, notre IA va proposer à l’apprenant de s’entrainer à travers un cas pratique qu’elle génère à la volée en fonction de ses connaissances et du besoin de l’apprenant. Nous avons également développé un coach capable d’analyser n’importe quelle production d’un apprenant (une formulation chimique, un pitch commercial, l’application d’une procédure de sécurité, etc.) et de lui faire un feedback approfondi, comme le ferait un formateur particulier en session individuelle. Nous avons également étendu l’utilisation de nos expériences d’apprentissage IA directement dans les outils de travail des collaborateurs pour que l’apprenant soit formé dès qu’il en a besoin, à l’endroit où il se trouve.

Conclusion : vers un futur personnalisé et adaptatif

Cet ensemble d’innovations va petit à petit transformer la manière d’envisager et de déployer de l’adaptive learning. Là où l’on se contentait auparavant d’adapter des séquences d’apprentissage toute prêtes, nous sommes désormais capables de créer des expériences d’apprentissage de zéro qui repondent aux besoins des apprenants. Cet adaptive learning qui s’appuie sur les IA génératives offre ainsi une personnalisation plus fine et plus dynamique des parcours de formation. Nous ne sommes qu’au début et les développements qui s’annoncent dans notre secteurs pour les mois et les années à venir s’annoncent hautement réjouissants ! N'hésitez d'ailleurs pas à lire notre articles sur les dernières tendances du elearning Intelligence artificielle et personnalisation : les tendances e-learning qui vont compter pour les pros.

Pour aller plus loin sur l’adaptive learning, vous pouvez consulter nos articles :

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