Les enseignants de demain seront-ils des robots ?

Alors que l’intelligence artificielle (IA) prend une place de plus en plus importante dans nos vies (moteurs de recherche, recommandation de produits, systèmes d’aide à la conduite…), elle souffre aujourd’hui d’une image ambivalente. Ses représentations dans la culture et les médias sont bien souvent caricaturales et oscillent entre l’optimisme à tout crin et la peur déraisonnée. Ces représentations contribuent à fausser les perceptions des individus, y compris celles des enseignants. Une expérience récente (Cukurova et al., 2019) auprès de 345 adultes (dont 66 enseignants) a cherché à savoir si présenter un même résultat scientifique en éducation dans le cadre scientifique de l’IA, des neurosciences ou de la psychologie de l’éducation rendait plus crédible ou non ce résultat aux yeux des individus. Chaque sujet, assigné aléatoirement à l’une de ces trois disciplines, avait à lire trois articles scientifiques présentant une même expérience sur l’éducation. La description d’une même expérience et de ses résultats était identique dans chaque condition : la seule différence était l’ajout d’éléments (paragraphe de texte et image) présentant soit des informations complémentaires sur le sujet (condition « psychologie de l’éducation »), soit une expérience similaire mais conduite avec des méthodes et un vocabulaire issus des neurosciences ou de l’IA (conditions « IA » et « neurosciences »). Les sujets avaient enfin à noter la crédibilité qu’ils accordent aux résultats présentés. Les résultats montrent qu’un même résultat scientifique tendait à être perçu comme moins crédible, y compris chez les enseignants, s’il était présenté dans le cadre de l’IA plutôt que dans celui des neurosciences ou de la psychologie de l’éducation.

Définir l’IA est une tâche complexe et sujette à débats. Dans un souci de simplicité, nous appellerons dans cet article « intelligence artificielle » toute forme d’agent artificiel autonome qui interagit de manière rationnelle avec son environnement pour réaliser au mieux une tâche donnée. Par extension, l’IA désigne aussi la discipline scientifique qui étudie de tels agents et leur conception. L’IA est une branche de l’informatique, mais elle peut mettre en jeu d’autres disciplines, telles que les mathématiques ou la linguistique. L’IA comporte elle-même plusieurs branches, selon la tâche que doit réaliser l’agent (par exemple, analyse automatique de texte ou d’images).

Prenons un exemple récent pour illustrer cette définition : celui de l’IA appelée AlphaGo (Silver et al., 2016) et conçue pour maîtriser le jeu de go. Par rapport à d’autres jeux classiques comme les échecs ou le jeu de dames, le go était auparavant perçu comme étant particulièrement difficile à maîtriser pour un ordinateur, à cause notamment du très grand nombre d’actions possibles pour un état du plateau de jeu donné. En apprenant à jouer, en partie en tirant des informations de parties de go déjà jouées par des experts humains, AlphaGo a réussi en mars 2016 à vaincre le champion Lee Sedol par un score de 4 à 1. Dans cet exemple, AlphaGo a joué ses parties de manière totalement autonome, sans intervention humaine, et a tiré des parties précédentes les informations nécessaires pour choisir au mieux l’action à effectuer quand c’était à son tour de jouer.

Bien entendu, toutes les IA ne sont pas conçues pour jouer à des jeux : par exemple, certaines servent à prévenir à l’avance la survenue de pannes, d’autres à détecter la présence de tumeurs sur des images de lésions cutanées. D’autres encore, et c’est ce qui nous intéresse dans cet article, ont pour tâche d’apporter un soutien à l’apprentissage des élèves et des apprenants en général.

L’éducation est en effet un champ d’application à part entière de l’IA. Ce domaine possède ses propres outils conceptuels et ses propres conférences (par exemple, AIED, EDM ou LAK) et sociétés savantes. Le rapport de la mission Villani, commandé par le gouvernement français, identifie aussi l’éducation comme un secteur à privilégier pour le développement de l’IA (Villani et al., 2018).

L’IA appliquée à l’éducation a le potentiel d’améliorer de manière significative la manière dont les élèves apprennent (Ma et al., 2014, VanLehn, 2011). L’un des principaux moyens mis en œuvre pour obtenir ces résultats réside dans ce qu’on appelle l’apprentissage adaptatif (ou adaptive learning, en anglais). L’apprentissage adaptatif consiste à adapter et personnaliser de manière automatique l’enseignement prodigué à un apprenant en fonction de ses besoins, une tâche que peut difficilement effectuer un enseignant par manque de temps et de moyens.

Parmi les travaux récents sur l’apprentissage adaptatif, on trouve par exemple :

• des tests adaptatifs de positionnement pour réduire la durée des tests des élèves et leur fournir un diagnostic détaillé de l’état de leurs connaissances (Vie et al., 2017). Dans ce genre de tests, le programme informatique choisit chaque question à poser à un apprenant en fonction des réponses passées de celui-ci : deux apprenants différents auront donc probablement deux séquences de questions différentes ;
• des outils d’espacement adaptatif et personnalisé de l’apprentissage (Mettler et al., 2016). Ces outils fournissent à chaque apprenant un planning de révisions qui s’adapte dynamiquement à leurs points forts et leurs points faibles pour améliorer leur mémorisation à long terme. Une expérience récente (Lindsey et al., 2014) sur 179 élèves américains entre 13 et 14 ans a comparé sur un semestre entier l’impact de différents systèmes de planification de révisions de mots de vocabulaire. Avec un temps équivalent passé sur les révisions, le système d’espacement adaptatif a permis d’obtenir en moyenne une note supérieure de 10 % par rapport au meilleur des autres systèmes. Ce dernier fournissait un planning de révisions fixe, le même pour tout le monde et tous les mots de vocabulaire ;
• des systèmes d’aides personnalisées, qui fournissent automatiquement à l’apprenant une aide en fonction de la difficulté spécifique à laquelle il fait face (Efremov et al. 2020) ;

En particulier, les systèmes tutoriels intelligents (STI, ou Intelligent Tutoring Systems en anglais) sont des outils informatiques qui fournissent automatiquement aux apprenants un tutorat personnalisé en fonction de leurs besoins : par exemple, en donnant des retours correctifs sur les exercices qu’ils résolvent ou bien en choisissant l’exercice qui les fera progresser le plus vite. Peut-on imaginer que de tels systèmes remplaceront un jour les enseignants ?

À leurs débuts dans les années 1970, les STI étaient effectivement vus comme pouvant à terme remplacer les enseignants : l’idée était de fournir par une machine un tutorat individualisé aussi efficace que les enseignants humains à chaque élève. On croyait alors que les ordinateurs parviendraient à percevoir et à prendre en compte de nombreuses dimensions de l’apprenant et du domaine de connaissances et à analyser efficacement ces informations pour faire progresser au mieux les apprenants. Au fil des apprenants, on espérait que les STI amélioreraient en permanence leur manière d’enseigner.

Aujourd’hui, nous devons faire le constat d’un double décalage qui met à mal cette vision (Baker, 2016) :

• un décalage entre les ambitions initiales de ces chercheurs en IA pour l’éducation et ce qui s’est réellement produit depuis : les ordinateurs n’ont pas remplacé les enseignants, loin de là ;
• un décalage entre les résultats de la recherche en IA pour l’éducation et leurs mises en œuvre réelles : les STI les plus utilisés aujourd’hui sont très simples et ne reflètent pas les avancées technologiques et scientifiques dans le domaine.

Quelles sont les raisons de ce double décalage ? Ryan Baker (2016) apporte trois explications principales :

• il est très long et coûteux de développer un STI performant ;
• les STI peuvent avoir du mal à reconnaître quand ils ont tort et à réagir face à des situations totalement inattendues ;
• les apprenants changent au fil du temps et des générations et s’adaptent eux-mêmes, rendant ainsi des STI inefficaces ou obsolètes.

Les humains restent bien plus flexibles et adaptables que les ordinateurs pour ce qui est d’enseigner à d’autres êtres humains. Pour cette raison, des chercheurs (Baker, 2016 ; Holstein, 2019) en IA pour l’éducation cherchent aujourd’hui à développer des systèmes d’aide à la décision humaine plutôt que des systèmes autonomes de personnalisation de l’enseignement. Ce type de complémentarité permettrait d’utiliser au mieux les atouts des ordinateurs (capacité de traitement de gros volumes de données, automatisation de tâches simples) pour permettre aux enseignants de se recentrer sur les tâches dans lesquelles ils sont les plus efficaces (par exemple, la pédagogie et la connaissance de leur discipline).

De nombreux travaux s’inscrivent aujourd’hui dans cette vision et cherchent à concevoir des outils pour assister directement les enseignants dans leurs tâches. Par exemple :

• des outils de création de groupes d’élèves optimaux (Agrawal et al., 2014) ;
• des systèmes de détection d’élèves en risque de décrochage (Zhang et al., 2018) ;
• des aides à la sélection d’exercices parmi un corpus donné (Wang et al., 2017).

L’IA appliquée à l’éducation est un champ de recherche dynamique qui pourrait considérablement faire évoluer l’enseignement. L’apprentissage adaptatif est l’un des principaux moyens que cette discipline utilise pour y parvenir : il consiste à personnaliser de manière automatique l’enseignement prodigué à un apprenant pour répondre au mieux à ses besoins. Cependant, cette vision de l’IA pour l’éducation n’est pas la seule : une approche concurrente s’attache aujourd’hui à développer des systèmes d’aide à la décision pour les enseignants, dans lesquels ces derniers occupent une place centrale.

Benoît Choffin, docteur en informatique, Université Paris-Saclay

• Pour en savoir plus : participer au MOOC « L’Intelligence Artificielle… avec intelligence ! » (https://www.fun-mooc.fr/courses/course-v1:inria+41021+session01/about) et lire les bulletins de veille du réseau Canopé sur l’IA (https://www.reseau-canope.fr/agence-des-usages/dossiers-thematiques_intelligence-artificielle.html#anchor-content).
• Incorporer des outils simples mettant en œuvre de l’intelligence artificielle dans ses cours : par exemple, des logiciels d’espacement adaptatif de l’apprentissage de flashcards comme Mnemosyne (https://mnemosyne-proj.org/) ou Anki (https://apps.ankiweb.net/), afin d’aider les élèves à mémoriser des connaissances simples.
• Une intelligence artificielle nécessite dans la grande majorité des cas de collecter des informations sur les utilisateurs (par exemple, quels exercices ont été pratiqués par le passé par tel ou tel apprenant). Si certaines données sont nécessaires au bon fonctionnement des algorithmes adaptatifs pour l’apprentissage, d’autres le sont moins. Il faut être vigilant sur la protection des données des utilisateurs et se renseigner sur le type de données enregistrées, leur niveau de granularité, à qui elles appartiennent et combien de temps elles seront conservées. Le temps d’un enseignant étant précieux, il sera parfois nécessaire d’arbitrer entre facilité d’utilisation/ergonomie et utilisation d’outils libres et open source.

• Pour aller plus loin sur le sujet d’AlphaGo, un film documentaire est disponible sur YouTube : https://www.youtube.com/watch?v=WXuK6gekU1Y
• Le site de l’ATIEF, société savante française sur les technologies de l’éducation : http://www.atief.fr/

• Agrawal R., Golshan B. & Terzi E. (2014, August), “Grouping students in educational settings”, Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, p. 1 017-1 026.
• Baker R. S. (2016), “Stupid tutoring systems, intelligent humans”, International Journal of Artificial Intelligence in Education, 26(2), p. 600-614.
• Cukurova M., Luckin R. & Kent C. (2019), “Impact of an Artificial Intelligence Research Frame on the Perceived Credibility of Educational Research Evidence”, International Journal of Artificial Intelligence in Education, p. 1-31.
• Efremov A., Ghosh A. & Singla A. (2020), “Zero-shot Learning of Hint Policy via Reinforcement Learning and Program Synthesis”, Proceedings of the Thirteenth International Conference on Educational Data Mining (EDM 2020), International Educational Data Mining Society.
• Holstein K., McLaren B. M. & Aleven V. (2019, June), “Designing for complementarity: Teacher and student needs for orchestration support in ai-enhanced classrooms”, International Conference on Artificial Intelligence in Education, p. 157-171, Springer, Cham.
• Lindsey R. V., Shroyer J. D., Pashler H. & Mozer M. C. (2014), “Improving students’ long-term knowledge retention through personalized review”, Psychological Science, 25(3), p. 639-647.
• Ma W., Adesope O. O., Nesbit J. C. & Liu Q. (2014), “Intelligent tutoring systems and learning outcomes: A meta-analysi”, Journal of educational psychology, 106(4), p. 901.
• Mettler E., Massey C. M. & Kellman P. J. (2016), “A comparison of adaptive and fixed schedules of practice”, Journal of Experimental Psychology: General, 145(7), p. 897.
• Silver D., Huang A., Maddison C. J., Guez A., Sifre L., Van Den Driessche G. & Dieleman S. (2016), “Mastering the game of Go with deep neural networks and tree search”, Nature, 529(7 587), p. 84-489.
• VanLehn K. (2011), “The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems”, Educational Psychologist, 46(4), p. 197-221.
• Vie J. J., Popineau F., Bruillard É. & Bourda Y. (2017), “A review of recent advances in adaptive assessment”, Learning analytics: fundaments, applications, and trends, p. 113-142, Springer, Cham.
• Villani C., Schoenauer M., Bonnet Y., Berthet C., Cornut A.-C., Levin F. & Rondepierre B. (2018), Donner un sens à l'intelligence artificielle (IA). Pour une stratégie nationale et européenne, Mission Villani sur l’intelligence artificielle.
• Wang J. Z., Lan A. S., Grimaldi P. J. & Baraniuk R. G. (2017), “A Latent Factor Model for Instructor Content Preference Analysis”, Proceedings of the 10th International Conference on Educational Data Mining (EDM 2017), International Educational Data Mining Society.
• Zhang L. & Rangwala H. (2018, June), “Early identification of at-risk students using iterative logistic regression”, International Conference on Artificial Intelligence in Education, p. 613-626, Springer, Cham.

Date de publication : Juin 2021