Blog

Les algorithmes d’IA utilisés dans la formation

L’intelligence artificielle a pris une place prépondérante dans tous les secteurs d’activité, permettant ainsi d’effectuer des tâches à plus grande échelle, plus rapidement et précisément. Les acteurs concernés ont ainsi le moyen de se tourner vers des tâches à plus forte valeur ajoutée et centrées sur l’humain. Les applications de l’IA dans l’apprentissage sont multiples et continuent de croître. Dans la suite, nous nous intéressons à plusieurs algorithmes utilisés dans ce domaine.

Le clustering pour mieux comprendre les apprenants et leurs besoins 

Le clustering (ou segmentation) est considéré comme le point d’entrée de nombreux algorithmes d’IA dans l’apprentissage. Il consiste à séparer des éléments en groupes homogènes selon certaines caractéristiques communes. Ces caractéristiques étaient autrefois prédéfinies, par exemple à partir de données démographiques ou géographiques, mais grâce aux algorithmes d’apprentissage automatique (machine learning), cette tâche devient totalement automatisée. L’un des algorithmes de clustering les plus connus est le K-Means¹, basé sur de l’apprentissage non-supervisé, c’est-à-dire qu’il définit les clusters sans avoir besoin de données labellisées.

Ce type d’algorithme est souvent utilisé dans des contextes pédagogiques : il permet par exemple de regrouper des apprenants pour faire apparaitre des groupes de personnes présentant des difficultés ou au contraire d’autres qui seraient plus avancés sur une compétence à acquérir. Ce type d’information s’avèrera utile pour le formateur qui, en fonction des résultats, pourra offrir un accompagnement plus personnalisé à chaque apprenant. Le clustering peut également être utilisé pour prédire de futurs comportements comme le décrochage, ce qui permet au formateur d’avoir “un pas d’avance” dans son suivi particulier des apprenants.

Les systèmes de recommandation pour guider les apprenants  

Un système de recommandation est un moteur qui produit des recommandations individualisées ou qui a pour effet de guider l’utilisateur de manière personnalisée vers des contenus  intéressants ou utiles parmi de nombreuses options possibles. Ces outils font déjà partie intégrante de notre vie quotidienne : par exemple, lorsque nous effectuons des achats en ligne, un système nous recommande des produits qui pourraient nous convenir en fonction de ceux déjà enregistrés dans notre panier. Aussi, lorsque l’on souhaite visionner un contenu sur Netflix, la plateforme nous propose alors une liste personnalisée de films ou de séries à voir selon nos préférences.

Il existe également des systèmes de recommandation dans l’apprentissage, cependant le but de ces systèmes n’est pas de pousser l’utilisateur à acheter un produit mais de l’aider à trouver des ressources et des activités pédagogiques appropriées pour une meilleure réalisation de ses objectifs de développement de compétences. L’intérêt de mettre en place un système de recommandation sur une plateforme d’apprentissage (type LMS, LXP, etc.) est de guider l’apprenant dans son parcours pédagogique en évitant de le surcharger d’informations inutiles. Ces recommandations sont adaptées à ses besoins et ses caractéristiques comme son niveau de maîtrise, ses connaissances antérieures, ses capacités cognitives, ses compétences, et cela afin de l’aider à progresser.

Pour ne citer qu’un algorithme de recommandation, le plus populaire est le filtrage collaboratif (de l’anglais collaborative filter). Cet algorithme recommande à l’utilisateur des contenus de formation que des personnes avec un profil similaire mais une maîtrise plus avancée ont consulté dans le passé. Il prédit l’impact pédagogique d’un contenu sur un apprenant en se basant sur les interactions d’autres personnes ayant des profils d’apprentissage similaires. Il existe deux types de filtrage collaboratif : le user-user qui recommande à un apprenant des contenus que d’autres apprenants au profil similaire ont consulté, et l’item-item qui recommande à l’apprenant des contenus pédagogiques similaires à ce qu’il a consulté.

Le traitement automatique du langage naturel pour la gestion des contenus pédagogiques  

Le traitement automatique du langage naturel (TALN ou Natural language processing en anglais) est un des domaines qui évolue le plus rapidement. Cette discipline de l’IA permet de traiter des données liées au langage que nous utilisons ordinairement au format textuel avec les outils de traduction automatique, ou bien vocale avec les assistants vocaux (Siri, Alexa ou Google Home, pour n’en citer que quelques-uns). L’utilisation de ces données par l’ordinateur nécessite une projection des mots dans une représentation sémantique : on appelle cette étape le plongement lexical.

Le secteur de l’apprentissage foisonne de ressources pour l’utilisation du TALN avec des contenus de formation variés (cours, questions, livres, vidéos, etc.). Les cas d’applications sont nombreux et peuvent bénéficier aux différents acteurs de la formation, du concepteur de contenu jusqu’au formateur en passant par l’apprenant. On compte parmi les applications possibles : 

• La classification de contenus similaires sous une même thématique à l’aide d’algorithmes d’apprentissage supervisés
• La génération automatique de questions à partir de plusieurs corpus de textes
• La création de synthèses et de résumés de contenu
• L’aide à la correction en mettant par exemple en évidence les passages liés à un certain mot-clé

En conclusion, l’IA incarne une réelle opportunité dans le monde de la formation : l’acquisition de compétences par les apprenants est renforcée par la personnalisation de l’apprentissage², une méthode désormais possible grâce à la modélisation des apprenants par l’IA (dans des contextes où l’adaptation de la pédagogie par l’humain est impossible). De plus, le traitement des données à grande échelle permet de libérer les acteurs de la formation (apprenants, enseignants, formateurs, managers, etc.) de tâches contraignantes ou chronophages afin de se concentrer sur des actions à plus forte valeur ajoutée.

¹ Les principes et le fonctionnement de l’algorithme « K-means » ou « algorithme des centres mobiles » en français.

² Source: B. S. Bloom, “The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring”, Educational Researcher, pp. 4-16, Jun. – Jul. 1984