La machine va enseigner
12 janvier 2018Imaginés par Frédéric Skinner, un psychologue américain issu du mouvement des comportementalistes, les principes théoriques d’une machine à apprendre sont remis au goût du jour aux Etats-Unis par un mouvement l’adaptive learning (renforcement positif, adaptation au rythme de chaque enfant, apprentissage progressif). Cette nouvelle génération de logiciels commence à être utilisée dans certaines universités américaines et font déjà débat : la machine peut-elle enseigner ?
Frédéric Skinner décline sa vision des théories pour l’apprentissage du mouvement comportementaliste en s’appuyant sur la motivation par l’utilisation du jeu, la stimulation positive et la récompense. Ces recherches utilisent une véritable machine à apprendre qu’il va ensuite décliner et tester avec des enfants.
L’adaptive learning est incarné aujourd’hui par des start-up américaines comme Newton ou Aleks, qui proposent des logiciels mariant big data et algorithmes surpuissants. Leur approche va beaucoup plus loin que l’enseignement personnalisé. Car il permet, grâce à la collecte et l’analyse permanente des données sur les parcours d’apprentissage de chaque élève, d’adapter l’enseignement dispensé au fur et à mesure, de l’ajuster de mieux en mieux. Nous sommes tous différents et nous apprenons tous différemment, cela est désormais bien connu. Tout repose donc sur l’analyse des traces d’apprentissage et sur la réponse que l’intelligence artificielle est ensuite capable de donner.
Une fois le logiciel paramétré de toutes vos données personnelles (âge, niveau, matière, aptitudes…), vous recevez un parcours d’apprentissage sur mesure dont les ressorts sont à la fois ludiques et stimulant. L’analyse de vos données d’apprentissage va permettre d’ajuster en temps réel les exercices proposés pour qu’ils soient le plus adaptés possible à la réalité de votre apprentissage décodé en temps réel.
Théoriquement c’est très séduisant, avec l’idée de faire un enseignement personnalisé extrêmement efficace car adapté à chaque élève. Cette approche est notamment très prometteuse pour faire baisser le taux d’abandon les cours en ligne, comme les MOOC en proposant un contenu beaucoup plus adapté. Les premiers résultats de ces start-up sont encourageants, surtout dans certaines matières comme les mathématiques ou les statistiques. Cependant, les détracteurs de l’adaptive learning affirment que ces logiciels ne peuvent pas être efficace dans toutes les matières et qu’ils sont trop restrictifs car ils ne peuvent prendre en compte la dimension sociale de l’apprentissage qui reste centrale. L’acte de transmettre mobilise de nombreuses qualités propre à l’être humain, comme l’empathie, l’attention, la bienveillance ou encore l’intuition. Dans un contexte où les machines seront toujours meilleurs que les humains en puissance de calcul et en mémorisation du savoir, la différence se jouera sans doute sur cette dimension humaine et sociale. La limite principale l’adaptive learning est donc bien celle de la nécessaire dimension humaine.
