Accueil🇫🇷Chercher

Apprentissage adaptatif

L’apprentissage adaptatif est une méthode éducative qui utilise des programmes informatiques comme outils d’enseignement chargés d’organiser les ressources humaines et les supports d’apprentissage en fonction des besoins uniques de chaque apprenant[1].

Ces programmes adaptent la présentation du contenu d’apprentissage en fonction des besoins pédagogiques de l’apprenant, de son niveau de compréhension du sujet traité, et de sa façon d’apprendre. Ceci peut se comprendre grâce aux traces laissées sur le système lorsque l’apprenant répond à des questions, réalise des tâches ou des expériences. Cette technologie regroupe plusieurs champs d’études parmi lesquels : l’informatique, l’éducation, la psychologie et les sciences cognitives.

L’apprentissage adaptatif découle du constat que les résultats de l’apprentissage sur-mesure ne peuvent pas être obtenus en utilisant des approches traditionnelles et non-adaptatives. L’apprentissage adaptatif s’efforce de transporter l’apprenant d’un état de récepteur d’information passif à un collaborateur du processus d’apprentissage. Le premier champ d’application des systèmes d’apprentissage adaptatif est l’éducation, mais un autre champ classique est la formation continue. Ces systèmes ont d’abord été conçus comme des applications (sur ordinateur), puis des applications web, et sont maintenant utilisés dans les programmes pédagogiques à tout âge[2].

L’apprentissage adaptatif a été implémenté dans différents systèmes éducatifs comme l’hypermédia adaptatif (adaptive hypermedia), les systèmes d’enseignement adaptatifs, et les tests adaptatifs informatisés.

Histoire

Le début des travaux sur les systèmes d’apprentissage adaptatifs et intelligent est habituellement situé au système « SCHOLAR » qui offrait un cours adaptatif sur le thème de la géographie en Amérique du Sud[3]. Un certain nombre de systèmes novateurs sont apparus dans les cinq dernières années. On peut citer entre autres Knewton aux États-Unis, Smart Sparrow en Australie, Domoscio ou Lalilo en France.

Une bonne revue des premiers travaux sur l’apprentissage adaptatif et les systèmes d’enseignement intelligent peut se trouver dans le livre « Intelligent Tutoring Systems »[4].

Technologie et MĂ©thode

Les systèmes d’apprentissage adaptatif sont généralement divisés en différentes composantes ou « modèles ». Différents groupements de modèles ont été présentés, et la plupart des systèmes incluent une partie ou l’ensemble des modèles suivants (parfois avec des dénominations différentes)[5] - [6] :

  • Le modèle expert : le modèle contient l’information qui est Ă  enseigner.
  •  Le modèle apprenant : le modèle qui relève les traces de l’apprenant et enregistre sa progression.
  •  Le modèle d’instruction : le modèle qui dĂ©cide effectivement ce qu’il y a Ă  apprendre.
  •  Environnement : c’est l’interface avec laquelle l’utilisateur interagit avec le système.

Implémentation

Apprentissage Ă  distance

Les systèmes d'apprentissage adaptatif peuvent être implémentés sur Internet pour l'apprentissage à distance et la collaboration de groupe[7].

Pendant le processus d’apprentissage d'un nouveau concept, les étudiants sont testés sur leur degré de compréhension et les bases de données enregistrent leurs progrès en utilisant l'un des modèles. La dernière génération de systèmes d'apprentissage à distance prend en compte les réponses des apprenants et s'adapte aux capacités cognitives de ceux-ci en utilisant un concept appelé « échafaudage cognitif ». L'échafaudage cognitif est la capacité d'un système d'apprentissage automatisé à créer une voie cognitive d'évaluation du plus bas au plus élevé en fonction des capacités cognitives dont a fait preuve l'apprenant[8].

L’apprentissage adaptatif peut être ajouté afin de faciliter le travail en groupe dans des environnements d’apprentissage à distance, comme les forums ou les services de partage de ressources[9]. Quelques exemples de la façon dont l'apprentissage adaptatif peut aider à la collaboration comprennent le regroupement automatisé des utilisateurs ayant les mêmes intérêts et la personnalisation des liens vers les sources d'information en fonction des intérêts déclarés de l'utilisateur ou ses habitudes de navigation.

Conception de jeu

En 2014, Edward D. Lavieri, un chercheur en Ă©ducation, a conclu une Ă©tude pluriannuelle sur l'apprentissage adaptatif pour la conception de jeux Ă©ducatifs. Cette Ă©tude a dĂ©veloppĂ© et validĂ© le modèle ALGAE (Adaptive Learning GAme dEsign), un modèle d'apprentissage adaptatif complet basĂ© sur les thĂ©ories et pratiques de conception de jeux, les stratĂ©gies d'enseignement et les modèles adaptatifs. L’étude a Ă©tendu les recherches prĂ©cĂ©dentes dans la conception de jeux, les stratĂ©gies d'enseignement et l'apprentissage adaptatif, en combinant ces trois composantes en un seul modèle complexe. Cette Ă©tude affirme que la rĂ©elle valeur ajoutĂ©e et la mĂ©thode d’implĂ©mentation appropriĂ©e (ciblĂ©e ou non ciblĂ©e) seront clairement comprises quand l’utilisation du modèle ALGAE deviendra gĂ©nĂ©ralisĂ©e[10].

Outils populaires

  • Adobe Captivate
  • Articulate Storyline
  • Talentsoft Learning
  • Publisher Pro
  • tts performance suite[11]

Outils avancés

Notes et références

  1. Andreas Kaplan, Higher Education at the Crossroads of Disruption, the University of the 21st Century, Emerald, , 168 p. (ISBN 9781800715042, lire en ligne)
  2. (en) Peter Brusilovsky, « Adaptive and Intelligent Web-based Educational Systems », International Journal of Artificial Intelligence in Education,‎ , p. 159-172 (lire en ligne)
  3. J. R. Carbonell, « AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction », IEEE Transactions on Man-Machine Systems, vol. 11, no 4,‎ , p. 190–202 (ISSN 0536-1540, DOI 10.1109/TMMS.1970.299942, lire en ligne, consulté le )
  4. Sleeman, D. et Brown, John Seely., Intelligent tutoring systems, Academic Press, , 345 p. (ISBN 978-0-12-648681-0, OCLC 850579103, lire en ligne)
  5. Bloom, Charles P. et Loftin, R. Bowen., Facilitating the development and use of interactive learning environments, L. Erlbaum Associates, , 312 p. (ISBN 978-0-8058-1850-5, OCLC 37870721, lire en ligne)
  6. (en) Eva Millán et José Luis Pérez-de-la-Cruz, « A Bayesian Diagnostic Algorithm for Student Modeling and its Evaluation », User Modeling and User-Adapted Interaction, vol. 12, nos 2-3,‎ , p. 281–330 (ISSN 0924-1868 et 1573-1391, DOI 10.1023/A:1015027822614, lire en ligne, consulté le )
  7. (en) « Personalised Elearning - Tailored Pathways » (consulté le )
  8. (en) George Fernandez, « Cognitive Scaffolding for a Web-Based Adaptive Learning Environment », Advances in Web-Based Learning - ICWL 2003, Springer, Berlin, Heidelberg,‎ , p. 12–20 (DOI 10.1007/978-3-540-45200-3_2, lire en ligne, consulté le )
  9. (en) Elena Gaudioso, « Towards web-based adaptive learning communities », Proceedings of the 11th International Conference on Artificial Intelligence in Education,‎
  10. Edward D. Lavieri, A study of adaptive learning for educational game design, Colorado Technical University, 2014, 167 pages
  11. Denis Cristol, « Les outils auteurs en question », sur Thot Cursus (consulté le )
Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.