Inge Molenaar
Laboratoire d’IA de l’éducation nationale, Université Radboud Nijmegen
Peter Sleegers
BMC Consultancy
Perspectives de l’OCDE sur l’éducation numérique 2023
Vers un écosystème numérique efficace
OECD Digital Education Outlook
Abstract
Ce chapitre examine en quoi la coopération et la cocréation au sein de réseaux innovants sont importantes pour le développement et une bonne compréhension des applications responsables, sociales et éthiques de l’IA dans l’éducation. Dans ce domaine, l’innovation est tributaire de deux composantes clés : une implication multipartite et un processus d’innovation dynamique. Ces composantes sont unies par un langage commun qui rapproche les différents acteurs du secteur, c’est-à-dire les professionnels de l’éducation, les scientifiques et les entrepreneurs. Ce chapitre montre en quoi les modèles d’innovation tripartites et un langage commun peuvent faire de l’IA un outil utile à l’éducation. Différents modèles de partenariat axés sur la contribution et la cocréation multipartites voient le jour dans le monde entier à la faveur de laboratoires d’innovation et de centres d’expertise. Le chapitre en présente quelques exemples pour mieux cerner leur contribution aux technologies d’IA innovantes et à une utilisation responsable de l’IA dans le domaine de l’éducation. Une comparaison de ces approches donne une vue d’ensemble des initiatives existantes tout en montrant les rouages de ces partenariats. Ce chapitre aidera les pouvoirs publics et les ONG à prendre des décisions politiques relatives aux laboratoires d’innovation qui préparent le secteur de l’éducation à une transformation de fond.
L’intelligence artificielle (IA) aura rarement fait couler autant d’encre qu’en novembre 2022 à l’occasion du lancement de ChatGPT 3.5 (Kasneci et al., 2023[1]). La sortie de cet outil a suscité de nombreuses questions dans les établissements et placé l’emploi de l’IA générative dans l’éducation au cœur de nombreux débats. L’on s’accorde désormais à reconnaître que l’IA pourrait avoir des répercussions considérables sur notre vie et changer le visage du monde du travail, des interactions sociales et de l’éducation, tel que des décideurs politiques l’avaient prédit dans de nombreux rapports, à l’image de ceux de l’OCDE (2019[2]) et NESTA1. L’ampleur de ces répercussions est difficile à estimer à l’heure actuelle. À l’évidence, l’IA va prendre le relais de tâches humaines précises et s’arroger une place toujours plus grande dans notre quotidien. Chris Dede, professeur à Harvard, suggère que l’IA se prête particulièrement aux estimations, à l’analyse rapide de données et à la reconnaissance des tendances. Les possibilités qu’offrent les systèmes d’IA résident dans la collecte rapide de données, les diagnostics et la mise en œuvre, autant d’atouts propices à une personnalisation de l’éducation (Holmes et al., 2018[3] ; Molenaar, 2022[4] ; OECD, 2021[5]). Selon Dieterle, Dede et Walker (2022[6]), les humains possèdent une bonne capacité de jugement. Leur valeur ajoutée réside dans les considérations socio-émotionnelles, le rapprochement de nouveaux éléments, leurs aptitudes à résoudre les problèmes et les raisonnements sociaux. Ces compétences humaines qui dépassent les aptitudes actuelles de l’IA sont appelées à devenir toujours plus importantes. Se pose alors la question de savoir à quoi l’éducation doit former, et en creux, de quelle façon l’IA doit être utilisée dans l’éducation.
Les activités de recherche et développement relatives à l’IA font lentement leur entrée dans les établissements d’enseignement. L’innovation en matière d’IA dans l’éducation se concentre dans des cercles indépendants qui évoluent en vase clos. Des dialogues et des échanges scientifiques ont lieu dans différentes organisations scientifiques comme l’International Artificial Intelligence in Education Society (IAIED, https://iaied.org/about), la Society of Learning Analytics Research (SOLAR, https://www.solaresearch.org/) et la European Association of Technology Enhanced Learning (ECTEL, https://ea-tel.eu/). Les établissements et les professionnels de l’éducation interagissent au sein de communautés de pratique d’envergure nationale et internationale comme Kennisnet (Pays-Bas), European Schoolnet (http://www.eun.org/) (pays de l’UE) ou encore l’International Society for Technology in Education (ISTE, https://iste.org/) (États-Unis). Pour la plupart, les entreprises évoluent dans leurs propres réseaux, à l’image des éditeurs de matériel pédagogique, qui collaborent au sein de l’International Publishers association (IPA, https://www.internationalpublishers.org/our-work/educational-publishing/educational-publishers-forum), ou des start-ups et des entreprises à forte croissance qui se retrouvent dans l’European Edtech Alliance (https://www.edtecheurope.org/) et autres associations comparables dans le monde. En outre, l’expertise nécessaire pour définir les besoins en matière de technologies d’IA fait souvent défaut aux établissements d’enseignement et aux professionnels de l’éducation, et ce en dépit d’efforts récents visant à aider les enseignants et d’autres acteurs du secteur à comprendre comment utiliser ces technologies (p. ex. plusieurs projets en ce sens à l’échelle nationale et européenne, comme le projet AI4T, sont soutenus par la Commission européenne)2.
C’est pourquoi la plupart des chercheurs se contentent de mener des travaux de recherche fondamentale, faute d’être pleinement en mesure de trouver des débouchés pertinents aux algorithmes intelligents ainsi développés dans l’éducation. Bien souvent, les entrepreneurs peinent à se rapprocher des professionnels de l’éducation et manquent d’expertise pratique en matière d’éducation et de pédagogie. En outre, ni l’utilisation actuelle de l’IA dans la pratique pédagogique ni la recherche scientifique sur l’IA dans l’éducation ne reflètent la hausse attendue à long terme de l’automatisation hybride conjuguant l’humain et l’intelligence artificielle, où la plupart ou la totalité des tâches sont sous le contrôle de l’IA (Molenaar, Forthcoming[7]). Des recherches plus ciblées sont de mise pour répondre aux attentes relatives à l’IA dans l’éducation et ainsi, entamer pour de bon la transformation du secteur. La qualité et la vitesse de l’innovation sont actuellement bridées par des problèmes structurels à différents niveaux du système.
Cette fragmentation systémique empêche de faire évoluer la technologie dans des directions bénéfiques au milieu éducatif, de l’aligner à ses objectifs et ses valeurs et d’envisager l’utilisation responsable de l’IA dans l’éducation selon une perspective interdisciplinaire. C’est pourquoi ce chapitre avance que la cocréation et la coopération sont de mise entre différents acteurs de réseaux innovants afin de surmonter les défis de l’IA dans l’éducation, et donc, de mettre au point et d’évaluer des technologies pertinentes en la matière. Cette approche exige un écosystème d’IA innovant qui encourage la coévolution des connaissances et de l’innovation et dote les différents acteurs du secteur d’un langage commun.
Le chapitre commence par présenter les avantages d’une collaboration multipartite et d’une approche dynamique en ce qui a trait à l’innovation. Ces éléments convergent à la faveur d’un langage commun afin d’ouvrir le dialogue sur l’IA dans l’éducation. Le chapitre présente, sous l’angle d’approches de collaboration multipartite et d’innovation dynamique, différents exemples de laboratoires et de centres d’expertise qui font appel à des modèles de partenariat dans des pays de l’OCDE. La comparaison de ces initiatives permet de comprendre de quelle façon ces partenariats sont créés et en quoi ils peuvent contribuer à l’écosystème indispensable à l’innovation et à l’utilisation responsable de l’IA dans l’éducation. Le chapitre conclut par des recommandations en vue d’éventuelles initiatives politiques en ce sens.
Comme indiqué ci-dessus, à l’heure actuelle, l’innovation en matière d’IA dans l’éducation se concentre dans des cercles indépendants qui évoluent en vase clos. De surcroît, c’est un modèle linéaire d’innovation qui prévaut (Carayannis et Campbell, 2009[8]). Dans ce modèle, l’innovation voit le jour sous forme de recherche universitaire fondamentale avant d’être convertie en recherche appliquée dans des établissements d’enseignement supérieur puis enfin, en travaux de développement expérimental et applications commerciales au sein d’entreprises. Pour surmonter les défis et les dangers que représente l’IA dans l’éducation, des modèles d’innovation non linéaires, c’est-à-dire plus complexes, ainsi que des processus dynamiques de création, de diffusion et d’utilisation des connaissances s’imposent (Elias et E., 2016[9] ; Carayannis et al., 2018[10]). Contrairement au modèle d’innovation traditionnel linéaire, ses pendants non linéaires privilégient la mise en parallèle de la recherche fondamentale, de la recherche appliquée et du développement expérimental. Ils donnent la priorité aux interactions collectives et à l’échange de connaissances au sein de réseaux d’innovation hybrides qui font converger les universités, les entreprises commerciales et universitaires et les pouvoirs publics.
Cet écosystème innovant, souvent qualifié de modèle de la triple hélice, donne la priorité à la coopération dans l’innovation et au processus de cocréation de la part des différents acteurs de trois sous-systèmes : les universités et les sciences (sous-système éducatif), les industries et les entreprises (sous-système économique) et les pouvoirs publics (sous-système politique). Il met en avant le rôle égal joué par chacune de ces catégories dans la création de produits, services et solutions innovants. Carayannis et Campbell (2016[9]) ont proposé d’ajouter un quatrième sous-système, la société civile, pour obtenir un modèle à quatre hélices. En rapprochant l’écologie sociale de la production de savoir et de l’innovation, ce modèle fait des utilisateurs de l’innovation (la société civile) le cœur du système : ce sont eux qui possèdent et stimulent les processus d’innovation. Dans le cas de l’éducation, il consiste à impliquer les enseignants, les chefs d’établissement, mais aussi les élèves et les familles le cas échéant.
L’actuel cloisonnement des parties prenantes n’est pas propice à l’innovation en matière d’IA dans l’éducation. Faire du modèle de la triple hélice une stratégie opérationnelle afin de faciliter la coopération et la cocréation entre plusieurs parties prenantes dans les réseaux d’innovation en matière d’IA dans l’éducation représente un enjeu international. Différents laboratoires d’innovation et centres d’expertise faisant appel à divers modèles de partenariat ont vu le jour partout dans le monde pour favoriser la cocréation et la contribution multipartite. Les pouvoirs publics peuvent les soutenir afin d’encourager la coopération et la cocréation dans des réseaux innovants hybrides et ainsi, contribuer à appliquer l’IA de façon responsable, sociale et éthique dans l’éducation. En encourageant l’intégration de différents modes de création, de diffusion et d’utilisation des connaissances sur l’IA dans l’éducation, ces écosystèmes d’innovation aideront à mettre au point et à évaluer des dispositifs pertinents et bénéfiques pour le milieu éducatif.
La coopération et la cocréation entre différents scientifiques interdisciplinaires, professionnels de l’éducation et entrepreneurs pourraient entraîner, dans une optique didactico-pédagogique, des pratiques susceptibles de transformer la création et l’utilisation d’applications d’IA dans l’éducation (voir le graphique 13.1).
Source: Version adaptée de la conceptualisation d'un écosystème d'innovation telle que développée par Carayannis et Campbell (2009[8])
Il est important d’inclure des scientifiques et des professionnels de l’éducation versés dans les processus d’apprentissage, des scientifiques spécialistes de l’IA ayant un intérêt interdisciplinaire à son application dans l’éducation ainsi que des philosophes et des avocats spécialisés dans le versant éthique et de la protection des données de ces innovations.
La première étape du processus de cocréation consiste à définir une vision conceptuelle commune du contexte éducatif dans lequel la technologie sera déployée. Il est ensuite possible de définir avec précision le fonctionnement de l’IA dans ce contexte et le rôle des élèves, des enseignants et de l’IA. Dans un cycle de conception itératif (McKenney et Reeves, 2013[11]), la mise au point d’une nouvelle technologie peut enrichir les connaissances techniques et didactico-pédagogiques et ainsi, favoriser la compréhension mutuelle et une conceptualisation plus poussée de la technologie de l’IA. C’est à ce stade qu’il est possible de créer les éléments technologiques ainsi que le matériel de support des enseignants et des élèves, et d’affiner l’approche didactico-pédagogique. L’expérience des utilisateurs en classe permettra de comprendre encore davantage de quelle manière les innovations techniques et didactico-pédagogiques se renforcent mutuellement. Ces nouveaux développements technologiques devraient se concrétiser à la faveur de collaborations entre les chercheurs et les professionnels de l’éducation lors de cycles itératifs. L’intégration étroite du développement et de l’application en classe peut contribuer à parachever l’IA, à mieux définir le rôle des acteurs et à créer une interface propice à des interactions réciproques. Les technologies d’IA ainsi développées favorisent l’implication, tiennent compte de leurs propres limites et fixent un cadre conforme aux normes et aux standards en matière d’éducation. La conception de technologies en partenariat aboutira à des relations réciproques entre humains et IA dans le domaine de l’éducation, ce qui devrait s’avérer propice à l’innovation et à une meilleure compréhension des relations hybrides entre humains et IA dans ce contexte.
La dernière étape consiste à valider ces nouvelles technologies d’IA à grande échelle, à évaluer leur intérêt pédagogique et à comprendre en quoi elles contribuent à l’apprentissage et à l’enseignement. Au cours de ce processus de validation, les technologies d’apprentissage développées sont mises à l’essai dans une multitude de classes et d’établissements afin d’évaluer leur caractère applicable et pertinent dans divers contextes. En parallèle, leurs effets sur les résultats scolaires ou d’autres indicateurs d’apprentissage sont évalués. Lors de cette phase, les technologies d’apprentissage sont instrumentées : en d’autres termes, les chercheurs peuvent procéder à des essais contrôlés randomisés ou à d’autres formes pertinentes de recherche afin d’obtenir des données d’une grande fiabilité en étroite collaboration avec les établissements. Cette infrastructure d’ingénierie de l’apprentissage peut aussi appuyer des expériences en cours à grande échelle dans ce domaine (Koedinger, Corbett et Perfetti, 2012[12]). Ce partenariat à long terme entre la recherche et les établissements d’enseignement peut à la fois aboutir à une amélioration des technologies et amener à mieux comprendre, d’un point de vue théorique, la façon dont les technologies d’IA peuvent soutenir l’apprentissage et l’enseignement.
La cocréation et la coopération entre des scientifiques, des professionnels de l’éducation et des entrepreneurs d’horizons différents peuvent alimenter un langage commun relatif à l’IA dans l’éducation qui, à son tour, permet de formuler une perspective commune quant au rôle de l’IA dans l’éducation et la création de dispositifs hybrides combinant l’humain et l’IA.
L’IA peut contribuer à l’éducation à de nombreux égards ; cela étant, un élément important distingue ce secteur d’autres domaines d’application (Selwyn, 2019[13] ; Holmes et al., 2018[3]). Dans l’éducation, l’IA vise à optimiser l’enseignement et l’apprentissage humains au sein d’un système où l’intelligence humaine et l’intelligence artificielle vont de pair (Molenaar, 2022[4]), contrairement aux autres domaines où l’IA vise souvent à remplacer l’humain. Par exemple, l’IA finira par se substituer aux conducteurs humains dans les voitures autonomes. Le modèle de l’augmentation, selon lequel l’IA optimise l’apprentissage et l’enseignement humains, part du principe que l’intelligence humaine et son homologue artificielle possèdent des atouts différents. L’intelligence artificielle est performante quand il s’agit de collecter, d’analyser et d’interpréter rapidement de grandes quantités de données ; les humains demeurent plus compétents pour ce qui a trait à l’évaluation, aux interactions sociales, à la créativité et à la résolution de problèmes (Dieterle, Dede et Walker, 2022[6]).
Ces atouts sont à la base du modèle de l’augmentation consistant à accorder à l’intelligence artificielle (IA) un rôle important dans l’éducation afin de faciliter et de renforcer l’apprentissage des élèves avec l’enseignant. Il se distingue du modèle du remplacement, qui part du principe que l’IA peut optimiser l’apprentissage à elle seule. Le modèle de l’augmentation est en synergie avec la notion d’intelligence hybride, conçue comme l’alliance de l’intelligence humaine et de l’intelligence artificielle (Akata et al., 2020[14]). Selon l’intelligence hybride, les humains et l’IA sont considérés comme des coéquipiers qui mènent à bien des tâches en collaborant. Les systèmes d’intelligence hybride visent à coordonner l’intelligence artificielle et l’intelligence humaine afin qu’elles se complètent et soient plus performantes ensemble que séparément. Ce modèle implique de définir le rôle des enseignants, des élèves et de l’IA lors de la création d’innovations intelligentes. Pour comprendre cette interaction, il est impératif de disposer de plus de données relatives à deux caractéristiques cohérentes : 1) le fonctionnement de l’IA et 2) la répartition des rôles entre l’IA, l’enseignant et les élèves.
Pour cela, ce chapitre passe en revue le cadre de détection-diagnostic-actions (le fonctionnement de l’IA) ainsi que le modèle d’automatisation à six niveaux (la répartition des rôles entre l’IA, l’enseignant et les élèves) décrits par Molenaar (Molenaar, 2022[4]). Ces modèles posent les bases d’un langage commun qui donne à différentes parties prenantes les moyens d’échanger sur des cas d’utilisation de l’IA dans l’éducation. Les enseignants et les professionnels de l’éducation peuvent se retrouver dans cette explication relativement simple de l’IA qui les aide à comprendre différentes applications dans le domaine de l’éducation. Une vision commune du rôle de l’IA dans l’éducation permet aussi aux scientifiques de différents horizons de comparer des cas d’utilisation et d’envisager leurs implications. Enfin, la description générale des solutions technologiques aide les entreprises à positionner leur produit sur le marché des technologies éducatives.
Le cadre détection-diagnostic-actions
Le cadre détection-diagnostic-actions distingue trois mécanismes qui sous-tendent le fonctionnement de l’IA : la détection, le diagnostic et les actions (voir le graphique 13.2).
Source: Illustration - Anne Horvers et Inge Molenaar, Source: Adaptive Learning Lab, https://www.ru.nl/bsi/research/group-pages/adaptive-learning-lab-all. (Molenaar, 2021[15]).
La phase de détection met en évidence les données utilisées par l’IA pour comprendre l’apprentissage ou l’enseignement. Par exemple, de nombreuses technologies d’apprentissage adaptatives s’appuient sur les réponses des élèves pour évaluer leur compréhension d’un domaine. La phase de diagnostic s’attarde sur les concepts analysés par l’IA pour comprendre le processus d’enseignement ou d’apprentissage, comme les connaissances, les compétences ou les émotions d’un élève. Par exemple, l’IA diagnostique le vocabulaire d’un élève dans une langue étrangère ou ses connaissances des fractures. Enfin, la phase d’actions décrit de quelle façon le concept mesuré donne lieu à des actions didactico-pédagogiques (ou autres). Le système peut transposer le diagnostic sous forme d’informations, par exemple en les présentant dans un tableau de bord, ou encore d’activités menées par l’IA, par exemple lorsque la technologie choisit les commentaires donnés à un élève. Ce modèle donne aux parties prenantes des éléments de base pour comprendre la manière dont l’IA fonctionne dans une multitude d’applications tout en ouvrant le débat sur son application à des technologies précises.
Les solutions actuelles d’IA dans l’éducation font souvent appel à des données de journal pour la phase de détection ; pour la plupart, elles diagnostiquent les connaissances des élèves dans des domaines précis et par conséquent, agissent en fournissant des commentaires, en ajustant les tâches ou en choisissant le prochain sujet à étudier. Les limites de la technologie actuelle résident dans l’inclusion de plusieurs flux de données lors de la phase de détection, comme des mesures physiologiques ou contextuelles ; dans l’inclusion de concepts plus généraux relatifs aux élèves, comme le développement émotionnel ou les compétences d’apprentissage autorégulé, lors de la phase de diagnostic (Molenaar et al., 2023[16]) ; et enfin, dans la diversification des actions, notamment les interactions avec des élèves de différents niveaux.
Le modèle d’automatisation à six niveaux
Dans un second temps, il convient de définir la répartition des rôles entre l’IA, l’enseignant et les élèves. Le « modèle d’automatisation à six niveaux » est un outil utile en ce sens (voir le graphique 13.3). Il distingue six niveaux d’automatisation en fonction du degré de contrôle de l’enseignant, de l’élève et de l’IA (Molenaar, Forthcoming[7]).
Source: Anne Hovers et Inge Molenaar, Adaptive Learning Lab.
Le modèle passe du contrôle total de l’enseignant à l’automatisation totale, c’est-à-dire le contrôle total de l’IA. Il permet de comprendre diverses combinaisons d’automatisation entre l’humain et l’intelligence artificielle. Par exemple, des enseignants qui sont assistés par des données et des classifications établies par l’IA ont beau garder le contrôle, leur comportement est influencé par les informations données par l’IA. En revanche, lorsque les élèves font appel à des applications d’IA générative pour leurs devoirs, la réponse est générée par l’IA sans supervision humaine (à moins que les élèves ne révisent la production de l’IA ou la prennent pour simple point de départ à leur propre travail).
Ce modèle aide à mieux comprendre les relations entre l’IA, les enseignants et les élèves et ainsi, à définir plus finement les exigences relatives à la technologie et à l’interface sans laquelle les enseignants ne pourront pas l’utiliser (Molenaar, 2022[4]). Grâce à lui, les enseignants peuvent aussi intégrer la technologie dans leur pédagogie afin d’élaborer de nouvelles pratiques d’enseignement (Cijvat et al., 2022[17] ; Van Schoors et al., 2023[18]). En outre, ce modèle peut favoriser le dialogue entre les différents acteurs de l’éducation quant aux utilisations actuelles et futures de l’IA dans l’éducation et contribuer à l’élaboration d’une vision commune de nouveaux dispositifs hybrides alliant l’humain et l’IA. Il aide également à comprendre en quoi l’IA peut faciliter, et non remplacer, les tâches et le travail humains, et à réfléchir aux cas de figure où les humains doivent intervenir quand l’IA entre en jeu, et par quels moyens.
Cette section présente 11 laboratoires d’innovation et centres d’expertise situés en Europe, aux États-Unis et en Australie (voir le tableau 13.1). Ces exemples illustrent différents modèles de partenariat dont l’ambition est de créer des collaborations et des cocréations multipartites axées sur l’expansion de l’IA dans l’éducation. Leur description complète se trouve à l’annexe 13.A3.
Cette sélection présente une vue d’ensemble de la façon dont différents laboratoires d’innovation et centres d’expertise entendent rendre l’IA plus utile aux parties prenantes de l’éducation. Différentes associations de parties prenantes et approches d’innovation sont mises en œuvre dans différents pays. La plupart des initiatives s’intéressent à tous les niveaux de l’éducation formelle (SMART@EDUCATION, Collider, TüCeDE, EDUCATE), exception faite de NOLAI et d’Engage qui mettent l’accent sur l’enseignement primaire et secondaire, et d’AI-ALOE qui cible l’enseignement professionnel, l’enseignement supérieur et le développement professionnel. La plupart de ces initiatives sont financées par les pouvoirs publics (locaux) et des universités même si certaines sont cofinancées par l’industrie. Les enveloppes budgétaires peuvent aller de 1 à 90 millions EUR. La plupart des initiatives relèvent de programmes ou d’objectifs à moyen terme (5 ans), exception faite de quelques programmes sur un horizon plus long (10 ans).
La collaboration multipartite
La plupart des initiatives incluent les acteurs du modèle de la triple hélice (milieu universitaire, industrie et établissements d’enseignement en guise d’utilisateurs finaux) et sont soutenues par un réseau qui comprend les pouvoirs publics. Le rôle des acteurs impliqués varie nettement d’un laboratoire à l’autre. Les universités occupent une place centrale et sont épaulées par l’industrie tandis que les utilisateurs finaux dans les établissements d’enseignement interviennent souvent à l’étape de la mise en œuvre (Engage, AI-ALOE, AI Playground).
Les utilisateurs finaux passent au premier plan dans le cas de NOLAI et d’IMEC Smart Education, où ce sont leurs questions qui donnent matière à l’innovation en cocréation avec les sciences et l’industrie. Dans deux laboratoires, EDUCATE et Edtech Collider, la place centrale revient à l’industrie, tandis que les universités interviennent en qualité de facilitateurs. TüCeDE est la seule initiative à reposer sur la communication de données scientifiques aux établissements d’enseignement. Enfin, plusieurs laboratoires (CELLA, RCL, GRAILE) mettent l’accent sur la collaboration scientifique afin de favoriser les échanges internationaux de connaissances dans ce domaine.
Les modèles de gouvernance de ces laboratoires illustrent les dynamiques entre les partenaires concernés. Ces initiatives sont généralement chapeautées par des universités, exception faite d’EDUCATE, qui est une filiale d’une université. Certaines ont pour partenaire des instituts de recherche indépendants (TüCeDE), des entreprises d’innovation nationales (SMART@EDUCATION), des organisations à but non lucratif (Engage et AI-ALOE) ou des fondations (Collider, CIRCLES et CELLA). Les organisations de développement commercial sont à la tête de laboratoires axés sur l’industrie, mais sont de simples partenaires dans d’autres initiatives (NOLAI, IMEC Smart Education et AI-ALOE). Fait surprenant, seul le modèle de gouvernance de NOLAI inclut des conseils d’établissement (ou des professionnels de l’éducation) ; dans les autres laboratoires, les établissements sont des collaborateurs sans représentation directe au sein de la gouvernance.
Modèles d’innovation dynamiques
Bien que chaque initiative soit dotée d’un enjeu et de domaines d’expertise qui lui sont propres, quelques modèles d’innovation semblent sous-tendre les différents laboratoires.
Un premier modèle consiste à adapter l’approche linéaire de l’innovation : la recherche scientifique est transposée au réel sous forme de développement de produits et de débouchés commerciaux. Par exemple, de nouveaux produits voient le jour à la suite de travaux de recherche sur l’IA, comme des environnements d’apprentissage narratifs et des agents relationnels avancés dans le cas d’Engage. Autre exemple, celui du projet Cognitive Support in Manufacturing Operations (COSMO, « Support cognitif des activités de fabrication ») d’IMEC Smart Education : il met au point des techniques guidées par les données pour créer du contenu destiné à des applications de formation en assemblage faisant appel à la réalité augmentée et à la réalité virtuelle. Les contenus de formation peuvent ainsi être adaptés aux compétences de l’opérateur. Dans ces exemples, l’innovation linéaire est accélérée et enrichie en collaborant avec l’industrie et en incluant les professionnels de l’éducation, qui en sont les utilisateurs finaux.
D’autres modèles d’innovation non linéaires sont également représentés dans ces laboratoires. Par exemple, AI Playground fait converger les connaissances scientifiques relatives à l’apprentissage des enfants et les dernières avancées en matière de traitement d’observations vidéo par IA afin de détecter le comportement des élèves. Cette méthode ouvre la voie à de nouvelles approches dans le champ des sciences de l’éducation et de l’enseignement de la pensée computationnelle. Dans le cas de NOLAI, les questions des professionnels de l’éducation sont le point de départ, et donc le pilier, du processus d’innovation. Elles permettent d’envisager de futurs cas d’utilisation en fonction des nouvelles données scientifiques et des dernières avancées de l’industrie. Par exemple, le projet Happy Readers (« Lecteurs heureux ») a associé une demande d’enseignants de l’enseignement primaire, qui souhaitaient avoir plus de données sur la façon dont les élèves acquièrent leurs compétences techniques en lecture, aux connaissances des partenaires universitaires et industriels sur les capacités technologiques actuelles : de nouvelles données issues de recherches sur la lecture alliées à de nouveaux algorithmes de reconnaissance vocale automatique mis au point par une start-up ouvrent le champ à de nouvelles méthodes d’enseignement de la lecture.
Un deuxième modèle est davantage tourné vers le développement industriel. Il vise à aider les start-ups à améliorer leurs produits (propositions) à l’aide de connaissances scientifiques et à consolider un écosystème favorable à la croissance des entreprises. Les initiatives de ce type font appel à diverses activités de développement commercial, de l’aide au développement de prototypes, en passant par l’optimisation de produits dans plusieurs établissements et la diversification dans différentes branches de l’éducation, jusqu’à la validation de l’efficacité des produits en vue de favoriser le développement d’outils et de ressources éducatives fondées sur des techniques éprouvées dans les établissements. Dans les laboratoires axés sur le développement commercial, comme EDUCATE et Collider, la cocréation prend sa source dans l’industrie, que ce soit en collaboration avec les établissements pour procéder à des essais en classe (Collider) ou en incitant le secteur des technologies éducatives à collaborer avec la recherche (EDUCATE). Par exemple, Swiss EdTech Collider accompagne les entreprises afin qu’elles réalisent des tests dans des établissements scolaires, ce qui favorise le développement de produits et renforce le dialogue avec les professionnels de l’éducation. De son côté, EDUCATE épaule également les entreprises en ce qui concerne leur théorie du changement et met à leur disposition un tableau de bord stratégique pour stimuler le développement de produits. Ce modèle a été mis à l’essai lors de plusieurs appels à projets afin d’encourager la collaboration entre le secteur des technologies éducatives, le milieu universitaire, les enseignants et les élèves. Par exemple, il a été testé au niveau de l’Union européenne avec le projet Community AI de l’Institut européen d’innovation et de technologie, ou dans certains pays avec notamment le partenariat d’innovation et d’IA pour favoriser l’apprentissage du français et des mathématiques en France4. Toutes ces actions aident les entreprises du domaine des technologies éducatives à mûrir, à élargir leur marché en rendant leurs produits plus utiles aux professionnels de l’éducation et à tenir compte des nouvelles connaissances scientifiques lors du développement de leurs produits. Ici aussi, bien que des modèles d’innovation non linéaires voient le jour, le point de mire demeure le versant de l’industrie.
Un troisième modèle vise à appliquer les connaissances scientifiques au développement professionnel des enseignants et aux innovations dans les établissements. Dans ce cas, la transposition de l’innovation des universités aux établissements d’enseignement est capitale. Par exemple, TüCeDE vise à amener les enseignants à mieux comprendre la technologie, et notamment la façon dont elle peut améliorer l’enseignement et l’apprentissage. La mise en œuvre de différents outils de technologies éducatives dans les établissements conduit à utiliser l’IA à bon escient dans les classes. Cet exemple représente un modèle d’innovation relativement linéaire qui passe de la science aux établissements d’enseignement, souvent négligés en dépit de leur rôle essentiel à l’innovation dans l’éducation publique.
Un dernier modèle s’attache à resserrer les liens et à orchestrer la recherche à l’échelle internationale (CELLA, CIRCLS et GRAILE). Ces initiatives favorisent les échanges de connaissances et méthodes scientifiques afin de dynamiser la recherche dans ce domaine. Par exemple, dans le Center for Living and Learning with AI (CELLA), cinq groupes de chercheurs mènent un programme de recherche commun visant à mieux comprendre comment aider les jeunes élèves à acquérir des compétences à l’heure de l’IA. Une étude comparative internationale unique en son genre se penche sur l’apprentissage autorégulé des jeunes élèves dans le cadre d’une technologie d’enseignement assistée par IA afin de tenter d’identifier les compétences qui devront être acquises avec l’IA dans le monde. L’industrie et les établissements d’enseignement pourront se servir de ces conclusions pour mettre au point des produits et transformer les pratiques éducatives. Cet exemple entend stimuler les connaissances scientifiques et l’innovation dans un écosystème plus traditionnel.
En dépit de ces modèles différents, la plupart des initiatives mettent au point des produits techniques innovants avec l’IA et encouragent les pratiques innovantes transformatrices dans les établissements. Leurs autres activités englobent des publications scientifiques décrivant les processus de conception, le développement d’algorithmes ainsi que des études d’évaluation, dont des essais contrôlés randomisés. En outre, la plupart des initiatives éditent, à l’intention des professionnels de l’éducation, des publications se penchant sur l’IA dans l’éducation, les avancées en la matière et leurs répercussions sur l’enseignement et l’apprentissage.
Les laboratoires d’innovation et les centres d’expertise, des écosystèmes d’innovation
Les différentes initiatives représentent différentes approches en matière d’utilisation de l’IA à bon escient dans l’éducation en plaçant différents acteurs au cœur de ce processus et en adoptant différentes dynamiques d’innovation. Même si toutes les initiatives allient des processus d’innovation non linéaires et des modèles linéaires, leur point de départ et leur moteur diffèrent d’un projet à l’autre, de la recherche scientifique conduisant au développement d’un produit avec l’industrie jusqu’aux innovations dans les établissements d’enseignement visant à stimuler le développement des professionnels de l’éducation. Les universités y jouent un rôle important aux côtés de plusieurs fondations et organisations à but non lucratif. Ces initiatives ne laissent cependant que peu de place à la direction des établissements et aux professionnels de l’éducation. Impliquer et motiver les enseignants et les professionnels de l’éducation dès l’amorce du processus de cocréation peut être la clé pour combler l’écart entre la théorie et la pratique et répondre aux besoins des établissements tout en mettant au point et en évaluant des dispositifs d’IA au service de l’éducation.
L’élargissement des connaissances, ainsi que leur transfert, est primordial dans la plupart des initiatives. Une grande part de la recherche scientifique interdisciplinaire stimule et favorise les processus consistant à cocréer des dispositifs d’IA au service de l’éducation. Afin de mettre au point des prototypes à la pointe de la technologie, ces initiatives établissent des bases didactico-pédagogiques solides et intègrent les connaissances des sciences de l’apprentissage ; elles réalisent des avancées technologiques majeures en alliant l’informatique, la recherche en intelligence artificielle, l’ingénierie de l’apprentissage et l’analyse de l’apprentissage. Les études auprès d’utilisateurs et la recherche axée sur la conception garantissent leur convivialité. Des chercheurs en éducation et des formateurs d’enseignants sont associés aux projets afin de formuler des stratégies d’application en bonne et due forme dans les écoles et autres établissements d’enseignement. Il est important d’impliquer et de mobiliser les enseignants et les établissements dès le début du processus de cocréation afin de mettre en œuvre des dispositifs probants d’IA qui répondent bel et bien aux besoins des professionnels de l’éducation.
Les initiatives décrites illustrent clairement qu’une approche multipartite qui stimule et favorise la collaboration et la cocréation interdisciplinaires est employée pour créer des applications judicieuses de l’IA dans l’éducation. La collaboration multipartite peut non seulement faciliter un dialogue structuré en faisant appel à un langage commun pour échanger sur les cas d’utilisation de l’IA dans l’éducation, mais aussi assurer que la raison d’être de la technologie soit de servir le milieu éducatif. Les initiatives montrent des moyens institutionnalisés prometteurs pour décloisonner les parties prenantes. Le défi consiste à trouver des solutions institutionnelles durables pour impliquer les enseignants, les établissements, les scientifiques, l’industrie et les pouvoirs publics dans ce dialogue structuré reposant sur la collaboration constructive et la co-construction, et à essayer différents modèles de partenariats efficaces qui permettront d’intégrer l’IA à l’éducation de demain.
Ce chapitre a montré que la mise au point et l’utilisation d’applications d’IA judicieuses pour l’éducation constituent une entreprise complexe qui exige une collaboration multipartite et interdisciplinaire au sein de modèles d’innovation dynamiques non linéaires. Cette approche aidera à remédier aux lacunes systémiques issues du cloisonnement des différents acteurs et, trop souvent, de modèles d’innovation linéaires qui négligent la perspective des utilisateurs finaux en matière d’éducation. Ces lacunes brident l’innovation numérique dans le secteur de l’éducation, situation problématique à l’heure de l’IA. La création de technologies hybrides combinant l’humain et l’IA dans le domaine éducatif peut améliorer l’apprentissage et l’enseignement humains et le renforcement des compétences humaines, qui s’impose désormais. Les parties prenantes internationales reconnaissent qu’il est nécessaire d’automatiser davantage l’éducation, sans que l’écosystème d’innovation actuel soit en mesure d’y parvenir.
Ce n’est qu’à condition de travailler en collaboration avec les utilisateurs finaux, synonyme d’adoption et de déploiement à grande échelle des nouvelles technologies à l’école, que l’IA pourra percer dans l’éducation. L’utilisation responsable de l’IA dans l’éducation, vision qui en est à ses balbutiements, a besoin d’une perspective scientifique interdisciplinaire conjuguant les sciences de l’apprentissage, la psychologie de l’éducation, les professionnels de l’enseignement, les chercheurs informatiques, les chercheurs en IA, les philosophes, les éthiciens internes ainsi que les avocats. Un domaine scientifique foncièrement interdisciplinaire conjuguant ces disciplines pourrait être envisagé afin de prendre la pleine mesure du renforcement des compétences nécessaires à l’heure de l’IA, ainsi que de la façon dont l’IA peut faciliter la transition à l’enseignement de compétences dont les jeunes élèves auront besoin demain.
Le chapitre a passé en revue la façon prometteuse dont les approches multipartites relèvent différents défis afin de favoriser l’expansion de l’IA dans l’éducation. Un écosystème riche et varié, un langage commun et l’implication active des pouvoirs publics sont autant d’éléments essentiels à une expansion de l’IA. Différents laboratoires d’innovation et centres d’expertise se penchent déjà sur cette idée ; l’étude des différentes approches permettra aux pays d’avancer en ce sens. Ces différentes initiatives répondent aux besoins de différentes parties prenantes, en choisissant de se concentrer sur des approches différentes en fonction des acteurs sur lesquels repose leur écosystème d’innovation. Toutes ces initiatives mettent en exergue la nécessité (et la possibilité) de renforcer les capacités dans ce domaine afin d’aider les établissements d’enseignement, l’industrie et la science à progresser en collaborant. Le franchissement des limites de façon transitoire, sous de nombreuses formes, est essentiel afin de progresser et de repenser, d’un point de vue structurel, la façon dont les humains apprennent, la façon dont l’enseignement permet de renforcer les compétences et dont l’IA peut avoir des répercussions positives sur l’éducation.
Références
[14] Akata, Z.; D. Balliet; M. De Rijke; F. Dignum; V. Dignum; G. Eiben et M. Welling (2020), « A research agenda for hybrid intelligence: augmenting human intellect with collaborative, adaptive, responsible, and explainable artificial intelligence », Computer, vol. 53/8, pp. 18-28.
[8] Carayannis, E. et D. Campbell (2009), « ’Mode 3’ and ’Quadruple Helix’: Toward a 21st century fractal innovation ecosystem », International Journal of Technology Management, vol. 46/3/4, pp. 201-234, https://doi.org/10.1504/IJTM.2009.023374.
[10] Carayannis, E.; E. Grigoroudis; D. Campbell; D. Meissner et D. Stamati (2018), « ’Mode 3’universities and academic firms: thinking beyond the box trans-disciplinarity and nonlinear innovation dynamics within coopetitive entrepreneurial ecosystems », International Journal of Technology Management, vol. 77/1-3, pp. 145-185.
[17] Cijvat, I.; E. Denessen; P. Sleegers et I. Molenaar (2022), « Wat leraren doen: de inzet van adaptieve leermiddelen in het basisonderwijs », Pedagogische Studiën, vol. 100.
[6] Dieterle, E., C. Dede et M. Walker (2022), « The cyclical ethical effects of using artificial intelligence in education », AI & Soc, https://doi.org/10.1007/s00146-022-01497-w.
[9] Elias, C. et G. E. (2016), « Quadruple Innovation Helix and Smart Specialization: Knowledge Production and National Competitiveness », Foresight and STI Governance, vol. 10/1, pp. 31-42, https://doi.org/10.17323/1995-459x.2016.1.31.42.
[3] Holmes, W.; S. Anastopoulou; H. Schaumburg and M. Mavrikis (2018), Technologyenhanced Personalised Learning: Untangling the Evidence.
[1] Kasneci, E.; K. Seßler; S. Küchemann; M. Bannert; D. Dementieva; F. Fischer; U. Gasser; G. Groh; S. Günnemann; E. Hüllermeier et S. Krusche (2023), « ChatGPT for good? On opportunities and challenges of large language models for education », Learning and Individual Differences, vol. 103.
[12] Koedinger, K., A. Corbett et C. Perfetti (2012), « The Knowledge‐Learning‐Instruction framework: Bridging the science‐practice chasm to enhance robust student learning », Cognitive science, vol. 36/5, pp. 757-798.
[11] McKenney, S. et T. Reeves (2013), « Systematic review of design-based research progress: Is a little knowledge a dangerous thing? », Educational researcher, vol. 42/2, pp. 97-100.
[4] Molenaar, I. (2022), « Towards hybrid human-AI learning technologies », European Journal of Education, vol. 57/4, pp. 632-645, https://doi.org/10.1111/ejed.12527.
[15] Molenaar, I. (2021), « Personalisation of learning: Towards hybrid human-AI learning technologies », dans OECD Digital Education Outlook 2021, Pushing the Frontiers with Artificial Intelligence, Blockchain and Robots, OECD Publishing, https://doi.org/10.1787/589b283f-en.
[7] Molenaar, I. (Forthcoming), « Current status and future visions on Hybrid Human-AI learning technologies », British Journal of Educational Psychology.
[16] Molenaar, I. et al. (2023), « Measuring self-regulated learning and the role of AI: Five years of research using multimodal multichannel data », Computers in Human Behavior, vol. 139, https://doi.org/10.1016/j.chb.2022.107540.
[5] OECD (2021), OECD Digital Education Outlook 2021: Pushing the Frontiers with Artificial Intelligence, Blockchain and Robots, OECD Publishing, Paris, https://doi.org/10.1787/589b283f-en.
[2] OECD (2019), Going Digital: Shaping Policies, Improving Lives, OECD Publishing, Paris, https://doi.org/10.1787/9789264312012-en.
[13] Selwyn, N. (2019), Should Robots Replace Teachers? AI and the Future of Education, John Wiley & Sons, Inc.
[18] Van Schoors, R.; J. Elen; A. Raes et F. Depaepe (2023), « Tinkering the Teacher–Technology Nexus: The Case of Teacher-and Technology-Driven Personalisation », Education Sciences, vol. 13/4, p. 349.
Partenaires
NOLAI a pour partenaires stratégiques quatre établissements universitaires (Université Radboud, Université d’Utrecht, Université de Maastricht et Université des sciences appliquées HAN), trois conseils d’établissement (Lucas Education, Klasse et Quadraam) et deux centres de développement commercial (Oost.nl et Brightlands). Il est situé dans la Faculté des sciences sociales de l’Université Radboud.
Objectifs principaux
Le laboratoire d’intelligence artificielle de l’éducation nationale (NOLAI) des Pays-Bas entend mettre au point des technologies intelligentes innovantes pour améliorer l’enseignement primaire et secondaire. Son objectif est de développer des prototypes innovants qui font appel à l’intelligence artificielle et d’obtenir des connaissances sur l’utilisation responsable de l’IA dans l’éducation.
Effectifs et durée
De 30 à 40 personnes travailleront au laboratoire NOLAI, qui financera 10 à 20 projets de cocréation chaque année. L’établissement a reçu un financement initial de 80 millions du Fonds de croissance national des Pays-Bas pour une durée de 10 ans ainsi qu’un fonds de réserve de 63 millions pour le développement commercial et l’amélioration de prototypes reposant sur des données probantes.
Axes principaux :
définition des besoins des établissements d’enseignement
cocréation d’utilisations innovantes de l’IA dans l’éducation
développement commercial de prototypes reposant sur des données probantes
élargissement et transfert des connaissances aux établissements scolaires et aux entreprises
Population cible :
enseignement primaire et secondaire
Description du programme
NOLAI possède deux programmes principaux : le programme de cocréation et le programme scientifique. Le programme de cocréation met au point des prototypes et applications innovants en matière d’IA en cocréation avec des établissements scolaires, des scientifiques et des entreprises. Chaque année, ce programme appuiera 10 à 20 innovations faisant appel à l’IA dans l’éducation. Le programme scientifique met au point des connaissances sur les aspects didactico-pédagogiques, techniques, infrastructurels et éthiques de l’utilisation responsable de l’IA dans l’éducation. Une équipe de professeurs, de chercheurs postdoctoraux et de doctorants développe des connaissances interdisciplinaires sur l’IA dans l’éducation.
Activités principales
Le laboratoire NOLAI s’attache en particulier à dresser un état des lieux de l’IA et à concevoir des applications à la pointe de la technologie. État des lieux : nous dialoguons avec des établissements scolaires pour déterminer leurs besoins en matière d’IA afin d’améliorer l’éducation, avec des scientifiques pour cartographier les connaissances et le développement de prototypes, et avec des entreprises pour étudier les applications actuelles des produits d’IA et les ambitions en la matière. En ce qui concerne les applications de pointe, nous cocréons des prototypes innovants et des applications de l’IA dans l’éducation. Dans le cadre de notre programme scientifique, nous développons des connaissances pédagogiques et éthiques ainsi que des innovations techniques pour favoriser les applications de pointe de l’IA dans l’éducation.
Résultats
Les travaux de recherche interdisciplinaire donnent lieu à des rapports annuels sur les avancées du domaine, des prototypes conçus lors des projets en cocréation, de nouvelles démonstrations des applications de l’IA à des dispositifs pédagogiques, des données sur l’efficacité de l’IA dans l’éducation, de nouvelles connaissances pédagogiques et éthiques, des avancées techniques et des publications.
Exemple de produit typique
Un projet de cocréation a permis de mettre au point une fonction de visualisation des données scolaires collectées par différentes technologies d’apprentissage adaptatif, technologies de gestion de l’enseignement et évaluations sommatives. Les enseignants ont demandé que les données soient intégrées de façon à mieux différencier et personnaliser l’apprentissage des élèves. Ce projet est le fruit d’une collaboration entre trois établissements, une entreprise de technologie d’apprentissage adaptatif, un cabinet d’évaluation ainsi que des chercheurs en pédagogie et IA. L’approche conceptuelle itérative est la clé pour rapprocher la pratique éducative, la science et le développement commercial.
Partenaires
L’Université EPFL, des fondations, des entités gouvernementales, des partenaires privés, des établissements scolaires (publics/privés), des établissements d’enseignement et des centres de formation des enseignants (liste sur le site web https://www.edtech-collider.ch/partners/).
Objectifs principaux
Créer un marché pour les start-ups et renforcer la visibilité des entreprises du secteur des technologies éducatives en créant un écosystème unique en réseau entre l’éducation et les technologies éducatives, propice à des rencontres avec des organisations partenaires potentielles, des clients, des investisseurs et des chercheurs ainsi qu’à des synergies entre les start-ups.
Effectifs et durée
NPO Association, fondée en 2017, 1 ETP, 90+ membres du secteur des technologies éducatives (au 1er janvier 2023).
Population cible :
Tous niveaux d’enseignement : de la maternelle à la fin du deuxième cycle de l’enseignement secondaire, formation en entreprise, apprentissage tout au long de la vie
Axes principaux :
Défragmentation du marché des technologies éducatives
Rapprochement des start-ups et des laboratoires
Facilitation d’essais pilotes dans les établissements scolaires (programme de bancs d’essai)
Partage des défis et des difficultés (p. ex. dispositifs de protection des données divergentes)
Description du programme
Bien que de nombreux accélérateurs entendent stimuler la création de start-ups à court terme, l’initiative Swiss EdTech Collider se situe dans une perspective plus lointaine. Composée de membres du secteur, elle vise à faire croître l’écosystème suisse des technologies éducatives en rapprochant ses parties prenantes comme les entreprises de technologies éducatives, les clients et les décideurs du système d’éducation public et privé, les responsables de formation, les investisseurs, les chercheurs, les organisations gouvernementales et d’autres initiatives et pôles du secteur.
Activités principales
Le programme appuie les start-ups du secteur des technologies éducatives à tous les stades de leur cycle de vie, de jeunes pousses à entreprises chevronnées, en créant des possibilités de « collision » et en les mettant en contact avec des clients, des partenaires et des investisseurs potentiels ; en facilitant la tenue d’essais pilotes de produits de technologies éducatives dans les établissements scolaires (Swiss National EdTech Testbed Program, https://www.edtech-collider.ch/testbed/) ; en favorisant la recherche translationnelle en sciences de l’apprentissage en soutenant des mémoires de master d’étudiants dans des entreprises du secteur ; ou en mettant les start-ups en lien avec des experts du secteur privé (p. ex. juridiques, financiers) en fonction de leurs besoins.
Résultats
Plus de 130 start-ups ont participé au programme depuis 2017. Certaines l’ont quitté ou ont disparu depuis. En moyenne, une douzaine de start-ups intègrent le Swiss EdTech Collider chaque année après un processus de sélection : le programme compte en moyenne entre 90 et 100 start-ups membres (au 1er janvier 2023). Certaines ont fusionné, acquis d’autres start-ups ou été acquises par des tiers. Dix mémoires de master en sciences de l’apprentissage ont été menés dans des start-ups depuis 2019. Swiss EdTech Collider est également un partenaire ou un membre de divers initiatives et systèmes pédagogiques (pôles européens d’innovation numérique, centre LEARN avec le ML4ED Lab de l’EPFL, EETN, EEA, BeLEARN) et s’est imposé comme la référence du secteur des technologies éducatives en Suisse.
Exemple de produit typique
Dynamilis (https://dynamilis.com/en/), une application d’apprentissage automatique pour améliorer l’écriture : lorsque les enfants écrivent sur une feuille de papier, seule la forme statique des lettres permet d’évaluer leur écriture. Lorsqu’ils écrivent sur une tablette, il devient possible d’analyser la dynamique des mouvements des doigts qui génèrent les mots écrits. L’analyse repose sur des données dynamiques comme la vitesse du stylet, la pression que ce dernier exerce sur la tablette ainsi que son inclinaison par rapport à la surface de la tablette, autant de points de données collectés 240 fois par seconde, pendant plusieurs minutes, et ce auprès de plus de 10 000 élèves. Dynamilis utilise l’apprentissage automatique pour interpréter ces immenses ensembles de données. Les algorithmes extraient les propriétés des mouvements de la main imperceptibles à l’œil nu, comme la dérivée seconde de la pression du stylet, après quoi la solution utilise des méthodes de réduction de la dimension pour calculer la position de la production de chaque enfant dans un espace en 3D. Dans cet espace, elle peut mesurer l’écart entre un enfant donné et un enfant avec des compétences satisfaisantes en écriture. Cette méthode tient compte de l’âge, du sexe ainsi que de la latéralité (droitier/gaucher) de l’enfant. Les résultats des méthodes d’analyse conduisent ensuite à proposer des jeux, mis au point en collaboration avec des thérapeutes, propres aux points faibles de cet enfant. Les enseignants, les parents et les professionnels peuvent ensuite suivre les progrès de l’enfant.
Partenaires
Tübingen possède un riche écosystème en matière d’éducation numérique et d’intelligence artificielle. Des partenaires universitaires stratégiques, des réseaux d’éducation numérique (p. ex. l’Institut de recherche Hector pour les sciences de l’éducation et la psychologie [HIB], l’École supérieure et le réseau de recherche LEAD, l’École d’éducation Tübingen [TüSE]) et de technologies éducatives (par exemple, l’apprentissage intelligent des langues assisté par ordinateur, le Département d’informatique, le Groupe d’excellence pour l’apprentissage automatique des sciences) et des instituts de recherche indépendants (par exemple, Leibniz-Institut für Wissensmedien [IWM], l’Institut allemand d’éducation des adultes [DIE]) prennent une part active au centre.
Objectifs principaux
Nous entendons renforcer l’expertise en matière de transfert des connaissances dans l’éducation numérique. Le centre est conçu comme un pôle de recherche et de transfert des connaissances visant à aider les instituts de recherche participants à passer à la pratique et à préparer les enseignants à exercer avec des technologies disponibles et de pointe.
Effectifs et durée
Plus de 30 chercheurs issus de domaines comme la recherche pédagogique, la psychologie, la linguistique informatique, la didactique appliquée, les sciences humaines numériques, l’informatique et la médecine travaillent main dans la main. Le centre TüCeDE a reçu un financement initial de 1.35 million (pour 5 ans) de la fondation Vector, et le même montant sous forme de financement interne à l’université. De plus, il a décroché des financements externes afin d’établir des centres de compétences fédéraux (9.5 millions) visant à élargir la stratégie de transfert des connaissances.
Population cible :
enseignement primaire, secondaire et supérieur
Axes principaux :
élargissement et transfert des connaissances
professionnalisation du secteur de l’éducation
Description du programme
TüCeDE s’articule autour de trois domaines. Le domaine du transfert et du développement professionnel met en œuvre des stratégies de transfert et de professionnalisation. Le domaine de l’apprentissage appuyé par la technologie élabore des concepts pédagogiques reposant sur des données probantes afin d’aider les élèves dans des disciplines précises. Le domaine des technologies innovantes met au point et étudie des technologies de pointe dans l’objectif de déployer des environnements d’apprentissage pertinents à grande échelle (p. ex. à l’aide des mégadonnées, de l’intelligence artificielle, de systèmes de tutorat intelligents, de capteurs ou de la réalité virtuelle).
Activités principales
TüCeDE se consacre aux activités de transfert et de recherche. Nous établissons des canaux de transfert (p. ex. un centre d’échanges sur l’éducation numérique ou la mise en œuvre de programmes de développement professionnel) et appuyons la recherche en étroite collaboration avec des parties prenantes locales de renom (LEAD, HIB et IWM). Ces activités s’attachent tout particulièrement à impliquer le milieu éducatif (comme les enseignants ou les responsables éducatifs) dans une démarche de conception conjointe.
Résultats
Les travaux de recherche interdisciplinaire donnent lieu à des prototypes évolutifs de transfert et de professionnalisation, à des données relatives à l’efficacité de technologies éducatives ainsi qu’à des publications.
Exemple de produit typique
Les travaux de recherche interdisciplinaires (p. ex. via LEAD ou TüSE) ont donné lieu à la mise au point et à l’évaluation de prototypes évolutifs, comme des systèmes de tutorat intelligents, des interfaces d’évaluation de l’attention des élèves ou des modules d’enseignement propres à une matière pour l’enseignement adaptatif. Ces prototypes servent d’exemples de bonnes pratiques, composante essentielle à nos programmes de développement professionnel et nos canaux de transfert. En outre, ces canaux de transfert sont enrichis de données méta-analytiques via notre centre d’échanges.
Partenaires
Swedish EdTest, ISTE, Institut DXtera, Unthinkable.
Objectifs principaux
Aider les membres de l’écosystème des technologies éducatives à obtenir et appliquer plus efficacement des données factuelles, et à tirer profit des données et de l’IA. Pour cela, nous procédons de deux façons. Premièrement, nous formons des experts des technologies éducatives, des investisseurs et des professionnels de l’éducation de la maternelle à la fin du deuxième cycle de l’enseignement secondaire, de la formation continue et de l’enseignement supérieur à créer ou mettre des produits reposant sur des éléments factuels au profit de l’apprentissage humain ; et deuxièmement, nous fournissons des services de conseil qui aident les organisations à mieux comprendre les comportements d’apprentissage humains grâce à l’IA et à la science des données.
Effectifs et durée
EDUCATE Ventures intervient dans le milieu des technologies éducatives depuis 5 ans et compte actuellement 15 membres dans son équipe, soit l’équivalent de 7 ETP. EVR a déclaré des recettes de 500 000 GBP pour la dernière année fiscale en date.
Population cible :
Entreprises du secteur des technologies éducatives et investisseurs
Professionnels de l’éducation et de la formation
Départements de formation et de développement
Établissement de formation et d’apprentissage/Entreprises
Apprenants
Axes principaux :
Conception de structures de données (notamment factuelles), processus et préparation des organisations : théorie du changement et modèle logique
Définition des besoins organisationnels en matière d’éducation ou de formation
Éthique de l’IA dans l’éducation
Élargissement et transfert des connaissances
IA et science des données
Description du programme
EVR assure deux services principaux :
Formation modulaire aux données, aux éléments factuels et à l’IA. Notre expertise en matière de recherche éducative permet de soutenir, de former et d’accompagner la communauté des technologies éducatives lors de l’acquisition de compétences de recherche, ce qui assure la performance des produits conçus pour l’enseignement et l’apprentissage.
Renforcement des capacités et conseil personnalisé pour permettre aux organisations de mieux exploiter l’IA et les données au profit de l’éducation. Nous sommes les artisans de l’IA : nous nous en servons pour identifier, démontrer et visualiser les comportements d’apprentissage complexes qui composent l’intelligence humaine.
Activités principales
Le programme d’accélérateur EDUCATE
Nous accélérons un esprit de recherche chez les experts des technologies éducatives et les aidons à mettre au point des produits reposant sur des éléments factuels afin d’améliorer l’apprentissage humain. Nous avons dispensé notre formation sous différentes formes à plus de 350 entreprises du milieu des technologies éducatives. Elle se compose d’une série d’ateliers et de séances de mentorat afin de les aider à définir leur théorie du changement et leur modèle logique, ainsi qu’à procéder à une étude de la littérature pour identifier les méthodologies de recherche qui leur permettront d’évaluer leurs résultats pédagogiques. Notre équipe de recherche se compose entièrement de titulaires d’un doctorat ou de doctorants spécialisés dans les différents aspects de l’enseignement et de l’apprentissage appuyé par la technologie.
Services de conseil
Nous aidons les organisations à collecter et utiliser des données pour comprendre les comportements d’apprentissage humains. Pour commencer, nous amenons nos clients à définir ce qu’ils envisagent en guise de « fil conducteur », c’est-à-dire l’impératif pédagogique qui sous-tend leurs objectifs. Cette étape est généralement suivie d’une série d’analyses rapides des données, de la création d’une ontologie, de l’analyse de leurs sources de données et de recommandations afin de se préparer à l’IA. Dans certains cas, ces étapes sont démontrées à l’aide d’un tableau de bord pour les PMV.
Résultats
Les modèles logiques et les théories du changement des participants ayant terminé le programme d’accélérateur, qui font office de tableau de bord stratégique pour le secteur des technologies éducatives. Plusieurs participants ayant terminé le programme ont été récompensés par un prix EdWard de niveau 1 pour avoir mis sur pied une proposition de recherche évaluée avec rigueur. Les PMV mis au point dans le cadre des conseils personnalisés. Des ontologies de concepts pédagogiques abstraits (comme la métacognition, l’efficacité personnelle, etc.) et des publications de recherche connexes.
Exemple de produit typique
Le programme d’accélérateur EDUCATE (voir ci-dessus). Des participants ont élaboré des modèles logiques lors de cinq itérations du programme. Busuu, Century Tech, MyTutor, Kano, Yoto et Pobble comptent parmi nos anciens élèves les plus performants sur le plan financier.
Partenaires
Les partenaires principaux sont des groupes de recherche des établissements de recherche KU Leuven, de l’Université de Gand et Vrije Universiteit Brussel affiliés à IMEC, le pôle de recherche et d’innovation en nanoélectronique et technologies numériques de la Flandre.
Objectifs principaux
IMEC Smart Education est un programme stratégique de recherche et d’innovation qui vise à élaborer des technologies de pointe afin de résoudre les défis d’envergure qui attendent le domaine de l’éducation et de la formation. En cocréation avec l’industrie et les établissements scolaires, il vise aussi à incuber des solutions et services novateurs et à accélérer leur adoption sur le marché, ce qui contribuera de façon durable à la transformation numérique de l’éducation et de la formation.
Effectifs et durée
Le programme a vu le jour en 2017 et devrait se poursuivre au moins jusqu’en 2026. Il emploie environ 40 chercheurs sur une base annuelle grâce à des fonds d’amorçage annuels de 1 million EUR et à des demandes de subventions externes.
Population cible :
La population cible se compose d’élèves et d’enseignants à tous les niveaux de la scolarité obligatoire, de l’enseignement supérieur, de la formation professionnelle et de l’apprentissage tout au long de la vie.
Axes principaux :
recherche fondamentale stratégique
cocréation de technologies éducatives en majorité axées sur l’IA
définition des besoins des établissements d’enseignement
développement commercial
élargissement et transfert des connaissances
Description du programme
Le programme axe ses efforts sur la recherche en matière de technologies intelligentes (capteurs, algorithmes, plateformes d’apprentissage adaptatif, etc.) ancrées dans l’intelligence artificielle et facilitant les interactions et la collaboration au cours du processus d’apprentissage, ce qui pose les bases de solutions d’apprentissage sur mesure. Ces technologies sont élaborées et mises au point d’après des théories des sciences de l’apprentissage. Pour réaliser ses ambitions, le programme réunit des chercheurs de l’IMEC issus d’un vaste éventail de disciplines et de domaines scientifiques, comme la technologie et la psychologie pédagogique, les statistiques, l’apprentissage automatique et l’intelligence artificielle, la technologie langagière, l’ingénierie, les neurosciences et les sciences sociales. Il a également conclu une alliance stratégique avec l’industrie locale via la création d’EdTech Station, l’alliance belge des entreprises du secteur des technologies éducatives.
Activités principales
Études d’efficacité, recherche sur de nouvelles méthodologies d’analyse computationnelle des données, développement technologique, création et gestion d’infrastructures de recherche, cocréation de prototypes.
Résultats
Connaissances scientifiques sur l’efficacité de l’apprentissage, nouvelles méthodes d’analyse des données, démonstrateurs, prototypes de nouvelles solutions de technologies éducatives
Exemple de produit typique
La diversification des produits de l’industrie manufacturière nécessite un renforcement des compétences ou une reconversion rapides, et donc des solutions de formation souples. Le projet COSMO (Cognitive Support in Manufacturing Operations, « Support cognitif lors des activités de fabrication ») a étudié et mis au point des techniques guidées par les données pour créer du contenu destiné à des applications de formation en assemblage faisant appel à la réalité augmentée et à la réalité virtuelle, qui seront adaptées aux compétences de chaque opérateur. Le projet a démontré qu’il est possible de générer plus efficacement des instructions pour les plateformes de formation numériques en soumettant des enregistrements d’opérateurs chevronnés à une analyse par le biais de la vision par ordinateur et du traitement du langage naturel. Il a aussi montré que des instructions adaptatives, dont le degré de détail est adapté aux compétences, réduisent l’effort mental des opérateurs et accélèrent l’assemblage. Le projet impliquait deux entreprises des technologies pédagogiques, deux fabricants, cinq groupes de recherche et quatre établissements secondaires (enseignement professionnel et spécialisé). https://vimeo.com/624275559.
Partenaires
Le projet est mené sous la houlette de Digital Promise, avec pour partenaires EDC, SRI International et l’Université de Pittsburgh. Digital Promise, EDC et SRI sont des organisations sans but lucratif.
Objectifs principaux
Le CIRCLS (circls.org) est un pôle qui rapproche des projets de recherche financés séparément par la National Science Foundation, mais qui portent tous sur les technologies émergentes en matière d’enseignement et d’apprentissage. Depuis peu, des thèmes de recherche et développement liés à l’IA font leur apparition dans le portfolio de ces projets.
Effectifs et durée
Le CIRCLS existe en tant que tel depuis une dizaine d’années, bien qu’il ait été en activité auparavant sous d’autres noms. En soi, le CIRCLS est financé à hauteur de 3 millions USD et devrait se poursuivre au moins jusqu’en janvier 2024. Une cinquantaine de projets de recherche financés séparément en font partie, chaque projet bénéficiant d’une subvention comprise entre 100 000 et 1 million USD. La taille de la liste de diffusion du CIRCLS est révélatrice de son envergure globale.
Populations cibles :
Le CIRCLS construit un réseau de recherche rassemblant notamment des informaticiens et des chercheurs en apprentissage qui s’attachent à montrer en quoi les technologies avancées peuvent s’avérer utiles aux enseignants et aux élèves.
Le CIRCLS se met au service des chercheurs en début de carrière et s’efforce de les impliquer à ce réseau.
Il mobilise également les professionnels de l’éducation.
Axes principaux :
Synthèse des projets de recherche individuels
Projection des prochains thèmes et projets de recherche
Mobilisation du réseau afin qu’il s’empare de problèmes à son échelle, par exemple comment mener des recherches en partenariat et encourager l’égalité.
Description du programme
Le CIRCLS bâtit et anime un réseau qui étudie les technologies émergentes en matière d’enseignement et d’apprentissage. Celles-ci peuvent inclure, entre autres, l’IA, la réalité virtuelle et augmentée, l’apprentissage automatique, l’analyse de l’apprentissage, des simulations, des visualisations, des jeux, des technologies portables, des robots et des technologies d’accessibilité. Les théories et approches des sciences de l’apprentissage peuvent porter sur des recherches liées à la conception, l’apprentissage collaboratif assisté par ordinateur, la cognition incarnée, l’analyse du discours et de l’argumentation, l’analyse de l’apprentissage, l’exploration des données éducatives, etc. L’égalité des élèves en matière d’apprentissage compte parmi les priorités du réseau.
Activités principales
Les activités du CIRCLS s’articulent autour de quatre volets : (1) pour construire le réseau, nous nous rapprochons de personnes ayant été distinguées par des prix, des professionnels de l’éducation, des chercheurs en début de carrière et d’autres personnes susceptibles d’enrichir notre réseau, et nous les mettons en relation ; (2) Pour faciliter le travail collectif, nous organisons des activités participatives comme des groupes de travail qui définissent de nouvelles thématiques ou approches de recherche et nous organisons également un congrès d’envergure tous les deux ans environ ; (3) pour cartographier et synthétiser les travaux, nous analysons le portfolio ou le projet tout en faisant appel à des équipes pour rédiger des rapports sur l’actualité du réseau ; (4) pour diffuser nos conclusions, nous publions un bulletin d’information, une série de rapports rapides du réseau, des ressources, etc. Deux activités sont spécialement importantes : nos séances de mentorat pour les chercheurs en début de carrière et CIRCLS Educators, un groupe de chercheurs et de professionnels de l’éducation.
Résultats
Les activités du CIRCLS ont notamment permis de : (a) passer de projets de recherche individuels à une collaboration entre les projets ; (b) impliquer une plus grande diversité de professionnels aux travaux de recherche ; (c) comprendre et diffuser les résultats des travaux ; (d) donner au réseau les clés pour prévoir et proposer la prochaine étape des thématiques et des projets de recherche.
Exemple de produit typique
Un produit « caractéristique » du CIRCLS est une synthèse des connaissances et des orientations au sein d’un vaste réseau. Nos congrès ne sont pas des « colloques de chercheurs principaux » classiques, mais des événements interactifs avec un objectif et un résultat. Le dernier en date, CIRCLS’21, a rassemblé environ 350 chercheurs et autres pour réfléchir à la façon dont notre dessein pourrait passer de « l’élargissement des horizons » à « l’autonomisation » – c’est-à-dire ne plus simplement atteindre les élèves, mais leur donner les outils et les méthodes pour mettre leur parcours d’apprentissage sur la bonne voie. Ce congrès a suivi un scénario aboutissant à une séance de discussion ouverte où les équipes ont présenté leur vision de l’avenir du secteur. Ces présentations ont été consignées dans un rapport sous forme graphique disponible ici : https://circls.org/circls21report.
Partenaires
Le principal partenaire est l’Université d’État de la Caroline du Nord. Les partenaires stratégiques sont Digital Promise (organisation à but non lucratif), l’Université de la Caroline du Nord, l’Université Vanderbilt et l’Université de l’Indiana.
Objectifs principaux
Pendant des milliers d’années, la narration a été le principal support de l’apprentissage humain – mais avec la démocratisation de l’éducation, les approches pédagogiques l’ont reléguée au second plan. L’apprentissage suscite moins d’intérêt et les efforts pour améliorer les résultats scolaires dans la population sont au point mort. L’objectif de cet institut est de stimuler l’implication et d’améliorer l’apprentissage en créant une nouvelle catégorie d’environnements d’apprentissage narratifs, où les élèves peuvent participer de façon collaborative à des intrigues personnalisées, avec des personnages de synthèse et des interactions réalistes.
Effectifs et durée
Engage AI est l’un des quatre instituts consacrés à l’IA dans l’éducation, chacun doté de 20 millions USD pendant 5 ans par la National Science Foundation. Environ 30 à 40 chercheurs y participeront chaque année.
Populations cibles :
enseignement primaire et secondaire
éducation dans les musées et autres établissements informels
Axes principaux :
recherche fondamentale
traitement du langage naturel
vision par ordinateur
apprentissage automatique
recherche inspirée par la pratique
apprentissage narratif
agents conversationnels incarnés
analyse multimodale des données de l’apprentissage
communication entre les chercheurs, les professionnels de l’éducation et le grand public
Description du programme
Pour atteindre son objectif, à savoir revitaliser l’apprentissage narratif, l’InstitutEngage AI (engageAI.org) mène des recherches sur les technologies d’apprentissage narratives, les agents conversationnels incarnés et les analyses multimodales des données de l’apprentissage afin de créer des expériences d’apprentissage éminemment motivantes. Notre ambition : que les environnements d’apprentissage reposant sur l’IA suivent les avancées en matière de traitement du langage naturel, de vision par ordinateur et d’apprentissage automatique. Nous nous consacrons à créer des environnements d’apprentissage narratifs par IA qui encouragent l’apprentissage collaboratif par l’expérimentation dans des contextes autant formels qu’informels. Les avancées des principales technologies d’IA s’accompagnent de nouveaux degrés d’interactivité et d’implication multimodale, tout en favorisant la création de modèles prédictifs performants en matière d’apprentissage.
Activités principales
L’Institut entend enrichir les techniques fondamentales d’IA nécessaires à l’éducation en étudiant des prototypes d’environnements d’apprentissage narratifs et en impliquant notamment des enseignants et des élèves dans ce travail. Il mettra au point des moyens pour superviser et adapter l’apprentissage grâce à différentes données, comme des données visuelles et audio et des interactions avec la technologie. L’éthique et l’égalité sont des enjeux fondamentaux inclus dans chaque projet, du début à la fin. L’activité Nexus, sous la houlette de Digital Promise, créera une implication réciproque pertinente entre le personnel relevant de l’Institut et celui de l’industrie, de l’éducation, de la recherche et de la politique à l’extérieur de l’Institut.
Résultats
Des prototypes d’environnements d’apprentissage narratifs assistés par IA seront mis au point et évalués chaque année. Les progrès en matière d’IA fondamentale donneront naissance à des outils et techniques qui seront partagés. Les avancées en matière d’analyse multimodale des données de l’apprentissage seront également communiquées au secteur de la recherche. Les avancées en matière d’intégration de l’éthique et de l’égalité dans les travaux seront diffusées. L’activité Nexus partagera ses connaissances avec le public et l’invitera à y participer.
Exemple de produit typique
Un produit typique sera un environnement d’apprentissage immersif et ludique pour les élèves de la maternelle à la fin du deuxième cycle de l’enseignement secondaire. Les élèves pourront être chargés d’étudier un phénomène ou de résoudre un problème en parcourant un espace virtuel, comme une île, et en parlant aux personnes qu’ils rencontrent. Ils découvriront et interagiront avec des ressources susceptibles de les aider dans leur quête. Les éléments d’IA permettront de créer une intrigue personnalisée et évolutive, de synthétiser de nouveaux personnages et de générer leurs comportements et leurs dialogues. Ils permettront aussi d’adapter l’histoire aux élèves afin de maximiser leur implication et leur apprentissage.
Partenaires
AI-ALOE (https://aialoe.org) a pour partenaires stratégiques des établissements universitaires (Institut de technologie de la Géorgie, Université de l’État de la Géorgie, Université Vanderbilt, Université d’Harvard, Réseau d’enseignement supérieur technique de la Géorgie, Université de la Caroline du Nord à Greensboro), des organisations à but non lucratif (1EdTech) et des entreprises (Boeing, Wiley, IBM, Accenture).
Objectifs principaux
Les principaux d’objectifs d’AI-ALOE sont les suivants : 1) élargir l’accès à des emplois de qualité et améliorer la reconversion et le renforcement des compétences de la main-d’œuvre en mettant les capacités actuelles de l’IA au service de la transformation de l’éducation en ligne chez les apprenants adultes ; 2) faire évoluer l’IA fondamentale, en particulier les interactions entre les humains et l’IA comme la personnalisation, l’enseignement automatique, la théorie de l’esprit mutuelle et la visualisation des données ; et 3) mettre au point des recherches conceptuelles éthiques, inclusives et axées sur l’utilisateur ainsi qu’une IA responsable.
Effectifs et durée
Environ 75 personnes participent aux initiatives d’AI-ALOE, dont une cinquantaine reçoit un appui direct. AI-ALOE est financé par la fondation américaine National Science Foundationà hauteur de 20 millions USD pour la période 2021-26.
Populations cibles :
Enseignement professionnel/technique
Enseignement supérieur et continu
Formation d’entreprise
Apprentissage professionnel informel des adultes
Axes principaux :
Mise au point d’assistants évolutifs reposant sur l’IA qui permettent à la fois aux enseignants et aux apprenants adultes d’adapter l’enseignement à leurs besoins.
Création et amélioration des boucles de rétroaction entre enseignants, apprenants et agents d’IA.
Renforcement de l’implication cognitive en ligne, de la présence des enseignants et des interactions sociales grâce à l’IA.
Modèles linguistiques d’envergure et IA générative
Conception participative et développement éthique afin d’inclure une plus grande diversité d’apprenants
Renforcement des capacités des concepteurs qualifiés et des chercheurs en matière d’IA et d’éducation
Description du programme
Les technologies d’AI-ALOE comprennent actuellement :
1. Apprentice Tutors : système de tutorat intelligent assurant un soutien personnalisé et adaptatif pour acquérir des compétences et résoudre des problèmes en mathématiques.
2. Jill Watson : assistante d’enseignement virtuelle qui permet aux enseignants d’aider et d’impliquer tous les élèves
3. SAMI (interactions facilitées par un agent social) : agent d’IA qui rapproche les élèves et crée une communauté d’apprentissage en ligne
4. SMART (modèle d’analyseur mental des élèves pour la recherche et l’enseignement) : système d’évaluation formative et de rétroaction par IA
5. VERA (assistante de recherche expérimentale virtuelle) : laboratoire virtuel favorisant l’apprentissage fondé sur le questionnement dans l’écologie
Au cours des quatre années à venir, AI-ALOE élargira ses innovations technologiques afin de faciliter l’apprentissage en ligne des adultes dans différents contextes (universitaires, professionnels et informels/tout au long de la vie).
Activités et résultats principaux
AI-ALOE identifie des défis et des possibilités en matière d’apprentissage des adultes en ligne ; apporte des améliorations fondamentales à l’IA pour améliorer les résultats scolaires à l’échelle ponctuelle, d’un cours, d’un programme et d’une carrière ; et étudie l’effet de ces innovations parmi un éventail d’élèves, d’organisations et de contextes, en s’intéressant au particulier à l’accès des groupes marginalisés au marché du travail.
Partenaires
Université de l’Australie-Méridionale, Université du Texas à Arlington, Université de l’État de l’Arizona, Université Monash, Université du Queensland, Université Texas A&M et Université Southern Methodist.
Objectifs principaux
L’objectif principal de GRAILE est de faire progresser la recherche sur l’IA dans l’éducation et d’aider les prestataires de services éducatifs à adopter l’IA pour la mettre au service des systèmes d’éducation. GRAILE oriente et développe les politiques et les compétences d’encadrement dans les domaines où l’IA coïncide avec l’apprentissage, que ce soit dans l’enseignement de la maternelle à la fin du deuxième cycle de l’enseignement secondaire, l’enseignement supérieur ou les contextes professionnels. GRAILE fournit des orientations et de bonnes pratiques afin de formuler une vision et d’appliquer l’IA à l’éducation.
Effectifs et durée
GRAILE est un réseau conçu pour des organisations qui s’intéressent à la façon dont l’IA coïncide avec les systèmes d’éducation. Les membres de GRAILE font partie d’un réseau soudé d’établissements favorables à l’IA qui entendent étoffer les connaissances et renforcer les compétences d’encadrement pour favoriser les changements organisationnels et leur propre transformation numérique.
Axes principaux :
définition des besoins en matière d’IA en consultation avec des établissements d’enseignement et des entreprises
renforcement des capacités, développement professionnel et développement des compétences d’encadrement
mise au point et démonstration d’infrastructures intégrant l’IA pour améliorer les systèmes d’éducation, les processus d’apprentissage et les résultats scolaires
préparation des changements organisationnels et du développement commercial
élaboration de politiques et de bonnes pratiques pour la mise en œuvre de l’IA dans les systèmes d’éducation
co-création de travaux de recherche et d’innovation
transposition de la recherche au réel, transfert et diffusion des connaissances
Population cible :
enseignement primaire et secondaire
enseignement professionnel
enseignement supérieur
entreprises
Description du programme
Les missions de GRAILE s’articulent autour de deux domaines d’activité. Le premier domaine consiste à faire progresser la recherche et l’innovation sur l’IA afin de développer et d’évaluer des systèmes d’éducation dont l’environnement intègre pleinement la capacité de l’IA. Il est consacré à comprendre l’IA ainsi qu’à tester et à piloter des infrastructures, des outils et des solutions en la matière pour appuyer les processus et les résultats d’éducation. Le deuxième domaine porte sur la transposition de la recherche en pratique, le renforcement des capacités et le développement des compétences d’encadrement pour encourager les changements organisationnels et les politiques qui favoriseront la transformation numérique et l’adoption de l’IA.
Activités principales
La recherche et les connaissances doivent être transposées au réel, tâche qui nécessite un écosystème d’information ciblant les besoins en matière de connaissances des dirigeants ainsi qu’une application pratique de la recherche dans les classes. GRAILE met à la disposition de ses membres une plateforme où ils peuvent participer à des travaux de recherche et à des études pilotes, des cours de courte durée, des webinaires, des débats et des conférences. En complément de ces événements publics d’envergure, GRAILE propose des programmes sur mesure offrant aux organisations membres un soutien direct ainsi que des programmes de renforcement des capacités adaptés à leurs besoins.
Résultats
GRAILE publie des rapports annuels sur la situation de l’IA et ses répercussions sur les systèmes d’éducation et les changements organisationnels. Il diffuse un podcast sur les tendances et avancées majeures pour l’IA dans l’éducation et propose à ses membres des retraites d’encadrement annuelles avec des spécialistes reconnus, des cours de courte durée et des webinaires à des fins de développement professionnel. GRAILE publie ses résultats de recherche dans des revues spécialisées et de vulgarisation.
Exemple de produit typique
La conférence annuelle Empowering Learners for the Age of AI (ELAI) est un exemple d’événement organisé par GRAILE. Cette conférence virtuelle mondiale ouverte se tient pendant deux jours sur tous les fuseaux horaires. Ses événements principaux sont organisés dans des pôles de conférence en Australasie, en Europe et en Amérique. Avec plus de 1500 inscriptions, elle est considérée comme une plateforme indispensable au renforcement du réseau et aux échanges sur la façon dont l’IA est en train de transformer les systèmes d’éducation. Cette année (décembre 2023), l’ELAI sera organisée par l’Université de l’État de l’Arizona selon un format hybride alliant participation en personne et en ligne.
Objectifs principaux
La société de demain sera dominée par l’IA, la technologie avancée et l’automatisation, et la prochaine génération de citoyens et de main-d’œuvre devra savoir s’en servir pour continuer à faire la différence. Cet avenir commence dès aujourd’hui, et nos écoles ont besoin d’un programme d’enseignement axé sur l’IA pour préparer les élèves à apprendre à développer des IA, à interagir avec des acteurs non humains et à prendre part à des discussions critiques sur l’éthique afin de s’approprier leur avenir et faire preuve d’inventivité dans la société. Avec AI Playground, les élèves peuvent développer une IA et par des moyens ludiques, faire l’expérience des mécanismes de l’IA, participer à des discussions éthiques sur les effets de leurs algorithmes et comprendre ce que nécessite le développement d’une IA.
Effectifs et durée
AI Playground propose aux établissements un environnement d’apprentissage dématérialisé grâce auquel les enseignants peuvent offrir des expériences d’apprentissage reposant sur l’IA à leurs élèves.
Axes principaux :
AI Playground offre un environnement sûr dans lequel il est possible :
d’acquérir des compétences de réflexion computationnelle et critique, de travail en équipe et de réflexion conceptuelle
d’apprendre à utiliser l’IA et à l’orienter pour résoudre des problèmes complexes
d’apprendre à évaluer l’IA d’un point de vue critique et éthique
d’acquérir des compétences d’apprentissage en réseau prêtes à l’emploi dans des partenariats hybrides combinant l’humain et l’IA
d’acquérir une capacité d’agir fluide dans un monde où la cohabitation avec des acteurs non humains est de mise
d’accéder aux plans de cours et aux ressources du programme d’enseignement destinés aux enseignants
d’accéder à des ressources de renforcement des compétences et de développement professionnel des enseignants
d’accéder à un réseau virtuel d’enseignants
Population cible :
enseignement primaire et secondaire
enseignement professionnel
formation des enseignants
Description du programme
AI Playground propose un espace social sûr, ludique et enrichissant où se familiariser avec l’IA. Notre mission est de créer un terrain de jeu avec l’IA où les élèves peuvent s’approprier cette technologie de façon ludique et l’entraîner à suivre leur imagination. AI Playground est un environnement d’apprentissage numérique grâce auquel les professionnels de l’éducation peuvent inviter l’IA en classe. Il donne aux élèves un moyen d’apprendre à résoudre, en collaboration avec l’IA, des problèmes complexes que les humains peinent à résoudre par eux-mêmes. Pour cela, AI Playground propose des défis, à savoir des plans de cours, qui encouragent les élèves à s’approprier l’IA de façon ludique et à l’entraîner à suivre leur imagination.
Activités principales
AI Playground met à la disposition des établissements un environnement ludique reposant sur une série d’exercices qui permettent d’apprendre avec l’IA. Ces exercices permettent aux élèves de se familiariser activement avec l’IA dans le monde réel, de comprendre ses mécanismes, voire de l’entraîner à résoudre des problèmes complexes. En outre, AI Playground fournit les ressources et le matériel pédagogique pour aider les enseignants à proposer ces exercices en classe, ainsi que des conseils sur la façon d’utiliser de façon judicieuse cette plateforme comme un monde propice à l’imagination avec des problèmes prêts à être résolus. AI Playground donne aussi accès à une communauté virtuelle d’enseignants en pleine croissance, où partager des idées et des ressources pour contribuer collectivement à l’adoption d’AI Playground dans les établissements.
Résultats
Dans AI Playground, les élèves collaborent avec l’IA pour résoudre des problèmes complexes reposant sur des défis. De cette façon, ils acquièrent une expérience pratique des capacités de l’IA ainsi que les compétences pour créer et entraîner l’IA à résoudre les problèmes et les tâches d’apprentissage auxquels ils sont confrontés.
Exemple de produit typique
Un exemple de plan de cours proposé par AI Playground est celui du défi du robot d’exploration de Mars (voir le graphique annexe 13.A.2). Dans ce cas, les élèves collaboreront avec l’IA pour en savoir plus sur l’exploration de Mars. En groupe, le premier problème que les élèves doivent résoudre consiste à construire un robot mobile destiné à explorer Mars : ainsi, ils découvrent comment est conçu un robot mobile et comment utiliser des capteurs pour collecter des données sur l’environnement martien. Les élèves utiliseront des briques LEGO pour construire le robot mobile en classe, processus assisté par la vision par ordinateur de l’IA au sein d’AI Playground. Les élèves peuvent faire équipe avec l’IA pour découvrir et identifier les briques LEGO nécessaires à la conception du robot mobile. Lorsqu’ils placent des briques LEGO sur leur bureau, l’IA les reconnaît et donne des commentaires sur celles qu’elle identifie (couleur, taille, nom, etc.). En interagissant avec AI Playground, les élèves apprennent à trier les briques et à sélectionner toutes celles dont ils ont besoin pour la pièce de robot mobile sur laquelle ils travaillent. Ce processus est illustré sur l’image de gauche ci-dessous. Sur la droite de l’illustration, les élèves voient les données de sortie de la caméra d’AI Playground, où la vision par ordinateur est utilisée en temps réel pour identifier les briques. Sur les fiches présentées au pied de l’illustration, les élèves reçoivent des commentaires sur les briques LEGO reconnues par l’IA. C’est à ce stade que les élèves apprennent si ces briques sont nécessaires à la pièce à laquelle ils travaillent. Ils recevront aussi plus d’informations sur chacune de ces briques et sur le nombre de briques dont ils ont besoin. Sur la gauche de cette même illustration, les élèves peuvent voir un modèle en 3D de la pièce du robot mobile à laquelle ils travaillent. Les élèves peuvent utiliser ce modèle en 3D pour tourner la pièce qu’ils essaient de construire, l’étudier en gros plan ou de plus loin. Il s’agit d’un problème complexe à résoudre et AI Playground peut aider les élèves en temps réel. Grâce à l’IA, les élèves peuvent connaître la place de chaque brique. Chaque brique LEGO (une ou plusieurs pièces) placée sur le bureau est mise en lumière dans le modèle en 3D. De cette façon, les élèves peuvent collaborer avec l’IA lors du processus de construction, notamment pour faire correspondre les pièces. Au fur et à mesure, l’IA collecte des informations sur les mécanismes de conception des élèves et l’ordre dans lequel ils construisent leur robot : elle peut alors émettre des recommandations sur la prochaine brique que l’élève doit utiliser.
Dès qu’ils ont fini de construire leur pièce de robot, les élèves peuvent la présenter à AI Playground pour une inspection finale afin de voir si elle a été bien réalisée. Une fois le robot mobile construit dans son intégralité et les capteurs programmés et testés, les élèves peuvent se rendre sur Mars et conduire le jumeau numérique de leur robot mobile en briques LEGO dans une simulation d’environnement martien (voir la deuxième illustration, à droite). Ils peuvent se promener à bord de leur robot et en savoir plus sur de vrais robots partis à la découverte de Mars, par exemple sur leurs capteurs et leurs capacités, ou suivre les traces du rover Persévérance de la NASA. En outre, les élèves peuvent utiliser leurs capteurs pour commencer à collecter des données sur Mars afin de les analyser eux-mêmes. Une fois leur mission sur Mars terminée, ils peuvent revenir sur Terre.
Partenaires
Sous la co-direction de Sanna Järvelä de l’Université d’Oulu (Finlande) et d’Inge Molenaar de l’Université Radboud (Pays-Bas), le centre a pour partenaires Maria Bannert de l’Université technique de Munich (Allemagne), Dragan Gašević de l’Université Monash (Australie) et Roger Azevedo de l’Université de la Floride centrale (États-Unis).
Objectifs principaux
Le CELLA est un centre de recherche collaboratif mondial qui entend donner aux jeunes élèves les clés pour apprendre, vivre et travailler à l’heure de l’IA. Son but est de mettre au point des technologies d’apprentissage par IA fondées sur la recherche qui stimulent les compétences d’apprentissage des enfants et assurent leur bien-être.
Effectifs et durée
Le centre est appuyé par une subvention de 2 millions CHF (1.9 million EUR) octroyée par la fondation Jacobs pour une durée de 5 ans. L’équipe se compose de cinq chercheurs principaux supervisant cinq doctorants et deux chercheurs postdoctorants coordonnant l’équipe et les activités de recherche.
Population cible :
enseignement primaire et secondaire
Axes principaux :
définition des besoins des établissements d’enseignement
cocréation de l’innovation
élargissement et transfert des connaissances
Description du programme
Notre centre réunit les connaissances et les compétences d’équipes intervenant dans différents domaines afin de concevoir, de valider et de mettre en œuvre de nouvelles technologies d’apprentissage reposant sur l’IA et ainsi, d’aider les élèves de tous les âges à améliorer leur apprentissage autorégulé, c’est-à-dire la façon dont ils procèdent à leur apprentissage. De plus, nous mettons au point et testons des pratiques et des principes de conception inclusifs qui stimulent la capacité d’action des élèves afin qu’ils puissent prendre des décisions d’apprentissage éclairées lorsqu’ils travaillent avec une IA.
Activités principales
Les principales activités du CELLA dans le monde sont divisées en quatre phases de recherche. Lors de la première phase, tous les sites se concentrent sur la détection de processus d’apprentissage autorégulé similaires dans un contexte d’enseignement secondaire faisant appel au même système d’IA. Lors de la deuxième phase, chaque site étudie ces processus d’apprentissage autorégulé dans des situations pédagogiques plus ouvertes et variées. La troisième phase implique de concevoir et de dispenser un soutien personnalisé pour l’apprentissage autorégulé, tandis que la quatrième phase met l’accent sur le développement et le soutien à long terme de cet apprentissage. Les phases de recherche sont le fruit d’une collaboration entre des chercheurs, des établissements et des entreprises du secteur des technologies éducatives.
Résultats
Les résultats des quatre phases de recherche sont communiqués par différents moyens, comme des publications scientifiques, des blogs et des conférences comme EARLI et ses groupes d’intérêts spéciaux (p. ex. SIG27). La thèse de chaque doctorant porte sur le travail de recherche qu’il ou elle effectue au CELLA.
Exemple de produit typique
Lors de la première étude en cours, nous évaluons les processus d’apprentissage autorégulé d’élèves âgés de 12 à 15 ans lors de la rédaction de dissertations. Pour cela, nous faisons appel aux données de traçage d’un environnement d’apprentissage numérique (N = 250). Cette évaluation est menée par les cinq équipes des différents pays dans des classes d’établissements d’enseignement secondaire. L’expérience est intégrée au programme de cours. Les résultats servent à valider un système d’IA détectant l’apprentissage autorégulé et la façon dont les élèves procèdent à l’apprentissage.
← 1. https://www.nesta.org.uk/project/future-work-and-skills/
← 2. Voir https://www.ai4t.eu/.
← 3. Les exemples ont été choisis d’après le réseau personnel de l’auteur principal et de ses relations pour présenter une vue d’ensemble représentative de l’écosystème de l’IA et de l’éducation, qui n’entend toutefois pas être exhaustive.