Pour la boucle externe, les mod\u00e8les sont cr\u00e9\u00e9s \u00e0 l'aide de donn\u00e9es d'entra\u00eenement, en attribuant des poids appropri\u00e9s caract\u00e9ristiques qui aident \u00e0 recommander un contenu d'apprentissage efficace2<\/sup>. (Voir aussi comment fonctionne l'apprentissage automatique.<\/a>) Ces mod\u00e8les sont utilis\u00e9s pour recommander r\u00e9guli\u00e8rement de nouveaux parcours d'apprentissage qui refl\u00e8tent les progr\u00e8s des \u00e9l\u00e8ves et l'\u00e9volution de leurs int\u00e9r\u00eats - comme les nouvelles recommandations de Youtube. Dans un syst\u00e8me d'apprentissage adaptatif bas\u00e9 sur le ML, les chemins d'apprentissage peuvent atteindre des milliards3<\/sup>.<\/p>\n D'autres techniques utilis\u00e9es dans les syst\u00e8mes adaptatifs impliquent moins d'automatisation et des r\u00e8gles \u00e9crites plus explicites pour faire des d\u00e9ductions2<\/sup>. Elles demandent beaucoup de temps de programmation et des efforts suppl\u00e9mentaires pour capturer avec pr\u00e9cision tous les crit\u00e8res qui entrent dans la prise de d\u00e9cision. De plus, les r\u00e9sultats ne peuvent souvent pas \u00eatre g\u00e9n\u00e9ralis\u00e9s d'un domaine \u00e0 l'autre ou d'un probl\u00e8me \u00e0 l'autre.<\/p>\n Les outils qui utilisent le ML utilisent de grands ensembles de donn\u00e9es sur les performances r\u00e9elles des \u00e9l\u00e8ves ; et sont capables de cr\u00e9er les parcours d'apprentissage les plus dynamiques pour les \u00e9l\u00e8ves au fil du temps1<\/sup>. Comme pour toutes les applications \u00e0 base de ML, il y a un entra\u00eenement et des tests \u00e0 faire avant de les mettre en \u0153uvre dans les salles de classe.<\/p>\n\n\n[caption id=\"attachment_364\" align=\"aligncenter\" width=\"607\"] Dans le cas de Youtube, de nombreux jugements de valeur ont \u00e9t\u00e9 port\u00e9s sur ce qui constitue une bonne recommandation - comme sur les int\u00e9r\u00eats de l'utilisateur \u00e0 couvrir dans un ensemble de recommandations, sur le nombre de vid\u00e9os qui doivent \u00eatre similaires \u00e0 celles d\u00e9j\u00e0 regard\u00e9es, sur la quantit\u00e9 de nouveau contenu \u00e0 ajouter pour la diversit\u00e9 (voir Comment Youtube vous apprend partie 2<\/a>). Un syst\u00e8me d'apprentissage adaptatif implique des jugements similaires sur ce que signifie la ma\u00eetrise d'une unit\u00e9 de connaissance<\/em> et sur la mani\u00e8re d'atteindre cette ma\u00eetrise : la p\u00e9dagogie et l'exp\u00e9rience quotidienne de l'apprenant4<\/sup>.<\/p>\n Dans le cas d'un syst\u00e8me d'apprentissage adaptatif, ces jugements et ces conseils sur la fa\u00e7on dont un apprenant doit progresser doivent \u00eatre bas\u00e9s sur des th\u00e9ories p\u00e9dagogiques \u00e9prouv\u00e9es. Celles-ci entrent dans le mod\u00e8le p\u00e9dagogique et, avec les mod\u00e8les du domaine et de l'apprenant, aident la machine \u00e0 choisir un ensemble d'activit\u00e9s appropri\u00e9.<\/p>\n Certaines des questions auxquelles r\u00e9pond ce mod\u00e8le sont : faut-il pr\u00e9senter \u00e0 l'\u00e9l\u00e8ve un concept, une activit\u00e9 ou un test ensuite ? \u00c0 quel niveau de difficult\u00e9 ? Comment \u00e9valuer l'apprentissage et fournir des retours ? O\u00f9 un scaffolding<\/em> suppl\u00e9mentaire est-il n\u00e9cessaire5<\/sup>?\u00a0 (Les scaffoldings<\/em> sont des m\u00e9canismes de soutien qui fournissent des orientations sur les concepts et la proc\u00e9dure, la strat\u00e9gie utilis\u00e9e et sur la mani\u00e8re de r\u00e9fl\u00e9chir, de planifier et de contr\u00f4ler l'apprentissage). Le mod\u00e8le p\u00e9dagogique dicte l'ampleur et la profondeur des activit\u00e9s et m\u00eame s'il faut poursuivre au sein du syst\u00e8me d'apprentissage adaptatif ou demander l'aide de l'enseignant3<\/sup>.<\/p>\n\n\n[caption id=\"attachment_363\" align=\"aligncenter\" width=\"1024\"] Les recommandations sont pr\u00e9sent\u00e9es avec d'autres donn\u00e9es comme les progr\u00e8s, les performances et les objectifs des apprenants. Les questions cl\u00e9s ici sont :<\/p>\n\n Lorsqu'un syst\u00e8me d'apprentissage adaptatif est mis en service, la plupart des syst\u00e8mes surveillent leurs propres performances par rapport aux crit\u00e8res d\u00e9finis par le programmeur. Comme dans tout outil d'IA, les donn\u00e9es peuvent \u00eatre biais\u00e9es. Les d\u00e9ductions tir\u00e9es par le syst\u00e8me peuvent \u00eatre impr\u00e9cises. Les donn\u00e9es pass\u00e9es de l'\u00e9l\u00e8ve deviendront de moins en moins pertinentes avec le temps6<\/sup>. Par cons\u00e9quent, l'enseignant doit \u00e9galement surveiller les performances du syst\u00e8me et fournir des conseils \u00e0 l'apprenant et des mesures correctives si n\u00e9cessaire.<\/p>\n Ce sont aussi les enseignants et les camarades qui doivent fournir de l'inspiration et r\u00e9v\u00e9ler des ressources alternatives : la recherche sur les syst\u00e8mes de recommandation a \u00e9t\u00e9 fa\u00e7onn\u00e9e par les fournisseurs de contenu commercial et les entreprises de vente en ligne pendant plus d'une d\u00e9cennie. Ainsi, l'accent a \u00e9t\u00e9 mis sur la fourniture fiable de recommandations qui produisent des r\u00e9sultats pouvant \u00eatre promus. \u201cLe bonheur d'un joyau inattendu\u201d7<\/sup> et les chemins moins fr\u00e9quent\u00e9s, ce qui peut fortement inspirer un apprentissage durable, n'est pas un point fort de l'apprentissage personnalis\u00e9 bas\u00e9 sur la machine.<\/p>\n\n\n 1<\/sup> EdSurge, Decoding Adaptive<\/em>, Pearson, London, 2016.<\/p>\n 2 <\/sup>Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade<\/em>, Expert Systems with Applications, Elsevier, 2013.<\/p>\n 3 <\/sup>Essa, A., A possible future for next generation adaptive learning systems<\/a><\/em>, Smart Learning Environments, 3, 16, 2016.<\/p>\n 4 <\/sup>Groff, J., Personalized Learning: The state of the field and future directions<\/em>, Center for curriculum redesign, 2017.<\/p>\n 5 <\/sup>Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments<\/em>, International Journal of Computer Applications 181(43):1-20, March 2019.<\/p>\n 6 <\/sup>du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap<\/em>, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256\u201328, 2018.<\/p>\n 7 <\/sup>Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>","rendered":" Ces derni\u00e8res ann\u00e9es, l’apprentissage automatique est de plus en plus utilis\u00e9 dans les syst\u00e8mes d’apprentissage adaptatif, soit comme technologie unique, soit en conjonction avec d’autres approches2<\/sup>. Lorsqu’il est utilis\u00e9, le r\u00f4le principal de l’apprentissage automatique (Machine learning<\/em>, ML) est de cr\u00e9er et de mettre \u00e0 jour des mod\u00e8les d’\u00e9l\u00e8ves \u00e0 partir d’un ensemble de traits, y compris les r\u00e9sultats des \u00e9valuations et les nouvelles donn\u00e9es qui sont g\u00e9n\u00e9r\u00e9es tout au long du processus1<\/sup>.<\/p>\n Pour la boucle externe, les mod\u00e8les sont cr\u00e9\u00e9s \u00e0 l’aide de donn\u00e9es d’entra\u00eenement, en attribuant des poids appropri\u00e9s caract\u00e9ristiques qui aident \u00e0 recommander un contenu d’apprentissage efficace2<\/sup>. (Voir aussi comment fonctionne l’apprentissage automatique.<\/a>) Ces mod\u00e8les sont utilis\u00e9s pour recommander r\u00e9guli\u00e8rement de nouveaux parcours d’apprentissage qui refl\u00e8tent les progr\u00e8s des \u00e9l\u00e8ves et l’\u00e9volution de leurs int\u00e9r\u00eats – comme les nouvelles recommandations de Youtube. Dans un syst\u00e8me d’apprentissage adaptatif bas\u00e9 sur le ML, les chemins d’apprentissage peuvent atteindre des milliards3<\/sup>.<\/p>\n D’autres techniques utilis\u00e9es dans les syst\u00e8mes adaptatifs impliquent moins d’automatisation et des r\u00e8gles \u00e9crites plus explicites pour faire des d\u00e9ductions2<\/sup>. Elles demandent beaucoup de temps de programmation et des efforts suppl\u00e9mentaires pour capturer avec pr\u00e9cision tous les crit\u00e8res qui entrent dans la prise de d\u00e9cision. De plus, les r\u00e9sultats ne peuvent souvent pas \u00eatre g\u00e9n\u00e9ralis\u00e9s d’un domaine \u00e0 l’autre ou d’un probl\u00e8me \u00e0 l’autre.<\/p>\n Les outils qui utilisent le ML utilisent de grands ensembles de donn\u00e9es sur les performances r\u00e9elles des \u00e9l\u00e8ves ; et sont capables de cr\u00e9er les parcours d’apprentissage les plus dynamiques pour les \u00e9l\u00e8ves au fil du temps1<\/sup>. Comme pour toutes les applications \u00e0 base de ML, il y a un entra\u00eenement et des tests \u00e0 faire avant de les mettre en \u0153uvre dans les salles de classe.<\/p>\n Dans le cas de Youtube, de nombreux jugements de valeur ont \u00e9t\u00e9 port\u00e9s sur ce qui constitue une bonne recommandation – comme sur les int\u00e9r\u00eats de l’utilisateur \u00e0 couvrir dans un ensemble de recommandations, sur le nombre de vid\u00e9os qui doivent \u00eatre similaires \u00e0 celles d\u00e9j\u00e0 regard\u00e9es, sur la quantit\u00e9 de nouveau contenu \u00e0 ajouter pour la diversit\u00e9 (voir Comment Youtube vous apprend partie 2<\/a>). Un syst\u00e8me d’apprentissage adaptatif implique des jugements similaires sur ce que signifie la ma\u00eetrise d’une unit\u00e9 de connaissance<\/em> et sur la mani\u00e8re d’atteindre cette ma\u00eetrise : la p\u00e9dagogie et l’exp\u00e9rience quotidienne de l’apprenant4<\/sup>.<\/p>\n Dans le cas d’un syst\u00e8me d’apprentissage adaptatif, ces jugements et ces conseils sur la fa\u00e7on dont un apprenant doit progresser doivent \u00eatre bas\u00e9s sur des th\u00e9ories p\u00e9dagogiques \u00e9prouv\u00e9es. Celles-ci entrent dans le mod\u00e8le p\u00e9dagogique et, avec les mod\u00e8les du domaine et de l’apprenant, aident la machine \u00e0 choisir un ensemble d’activit\u00e9s appropri\u00e9.<\/p>\n Certaines des questions auxquelles r\u00e9pond ce mod\u00e8le sont : faut-il pr\u00e9senter \u00e0 l’\u00e9l\u00e8ve un concept, une activit\u00e9 ou un test ensuite ? \u00c0 quel niveau de difficult\u00e9 ? Comment \u00e9valuer l’apprentissage et fournir des retours ? O\u00f9 un scaffolding<\/em> suppl\u00e9mentaire est-il n\u00e9cessaire5<\/sup>?\u00a0 (Les scaffoldings<\/em> sont des m\u00e9canismes de soutien qui fournissent des orientations sur les concepts et la proc\u00e9dure, la strat\u00e9gie utilis\u00e9e et sur la mani\u00e8re de r\u00e9fl\u00e9chir, de planifier et de contr\u00f4ler l’apprentissage). Le mod\u00e8le p\u00e9dagogique dicte l’ampleur et la profondeur des activit\u00e9s et m\u00eame s’il faut poursuivre au sein du syst\u00e8me d’apprentissage adaptatif ou demander l’aide de l’enseignant3<\/sup>.<\/p>\n Les recommandations sont pr\u00e9sent\u00e9es avec d’autres donn\u00e9es comme les progr\u00e8s, les performances et les objectifs des apprenants. Les questions cl\u00e9s ici sont :<\/p>\n Lorsqu’un syst\u00e8me d’apprentissage adaptatif est mis en service, la plupart des syst\u00e8mes surveillent leurs propres performances par rapport aux crit\u00e8res d\u00e9finis par le programmeur. Comme dans tout outil d’IA, les donn\u00e9es peuvent \u00eatre biais\u00e9es. Les d\u00e9ductions tir\u00e9es par le syst\u00e8me peuvent \u00eatre impr\u00e9cises. Les donn\u00e9es pass\u00e9es de l’\u00e9l\u00e8ve deviendront de moins en moins pertinentes avec le temps6<\/sup>. Par cons\u00e9quent, l’enseignant doit \u00e9galement surveiller les performances du syst\u00e8me et fournir des conseils \u00e0 l’apprenant et des mesures correctives si n\u00e9cessaire.<\/p>\n Ce sont aussi les enseignants et les camarades qui doivent fournir de l’inspiration et r\u00e9v\u00e9ler des ressources alternatives : la recherche sur les syst\u00e8mes de recommandation a \u00e9t\u00e9 fa\u00e7onn\u00e9e par les fournisseurs de contenu commercial et les entreprises de vente en ligne pendant plus d’une d\u00e9cennie. Ainsi, l’accent a \u00e9t\u00e9 mis sur la fourniture fiable de recommandations qui produisent des r\u00e9sultats pouvant \u00eatre promus. \u201cLe bonheur d’un joyau inattendu\u201d7<\/sup> et les chemins moins fr\u00e9quent\u00e9s, ce qui peut fortement inspirer un apprentissage durable, n’est pas un point fort de l’apprentissage personnalis\u00e9 bas\u00e9 sur la machine.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/15\/2024\/01\/FR-9.2.png\")
Dans la boucle int\u00e9rieure, l'apprentissage automatique est utilis\u00e9 pour donner des retours adapt\u00e9s, rep\u00e9rer les erreurs, d\u00e9duire les lacunes dans les connaissances et \u00e9valuer la ma\u00eetrise des unit\u00e9s de connaissances : en travaillant sur une activit\u00e9, un \u00e9l\u00e8ve peut faire des erreurs. L'apprentissage automatique peut \u00eatre utilis\u00e9 pour pr\u00e9dire quelles erreurs d\u00e9coulent de quel manque de connaissances. Si une \u00e9tape de la solution est correcte, l'apprentissage automatique peut \u00eatre utilis\u00e9 pour pr\u00e9dire quelles unit\u00e9s de connaissances ont \u00e9t\u00e9 ma\u00eetris\u00e9es avec succ\u00e8s2<\/sup>.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/15\/2023\/11\/ch4-page-6-adaptive-content.jpg\")
Image d'EdSurge, Decoding Adaptive, Pearson, London, 2016 sous licence CC BY 4.0. Pour voir une copie de cette licence\u00a0 : https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\nMod\u00e8le p\u00e9dagogique<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/15\/2023\/11\/ch4-page-6-content-scaffolding-1024x724-1.jpg\")
Image d'EdSurge, Decoding Adaptive, Pearson, London, 2016 sous licence CC BY 4.0. Pour une copie de cette licence, https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\nInterface<\/h3>\n
\n \t
\u00c9valuation<\/h3>\n
\nLe processus<\/h3>\n
Dans la boucle int\u00e9rieure, l’apprentissage automatique est utilis\u00e9 pour donner des retours adapt\u00e9s, rep\u00e9rer les erreurs, d\u00e9duire les lacunes dans les connaissances et \u00e9valuer la ma\u00eetrise des unit\u00e9s de connaissances : en travaillant sur une activit\u00e9, un \u00e9l\u00e8ve peut faire des erreurs. L’apprentissage automatique peut \u00eatre utilis\u00e9 pour pr\u00e9dire quelles erreurs d\u00e9coulent de quel manque de connaissances. Si une \u00e9tape de la solution est correcte, l’apprentissage automatique peut \u00eatre utilis\u00e9 pour pr\u00e9dire quelles unit\u00e9s de connaissances ont \u00e9t\u00e9 ma\u00eetris\u00e9es avec succ\u00e8s2<\/sup>.<\/p>\nMod\u00e8le p\u00e9dagogique<\/h3>\n
Interface<\/h3>\n
\n
\u00c9valuation<\/h3>\n
\n