explication du développement de compétences et de l'autonomie dans les environnements d'apprentissage humains – xCALE

Nous privilégions une approche agile et itérative, pour coordonner les processus de modélisation, de développement et d'expérimentation, orientés vers les objectifs du projet.

- Le pilotage pédagogique fournira progressivement un soutien et des interventions SRL affinés.
- Les modèles bayésiens mesureront d'abord l'apprentissage cognitif, puis incluront progressivement des stratégies SRL et fourniront les mesures correspondantes.
- Le développement de la plateforme fournira la gestion et l'accès aux données, ainsi qu'un soutien aux interactions liées à la configuration pédagogique et aux modèles bayésiens.
-L'expérimentation permettra de connaître les besoins et les retours des utilisateurs. Les terrains d’expérimentation passeront progressivement de petites cohortes pour obtenir des résultats qualitatifs à de grandes cohortes pour fournir des résultats quantitatifs.

L’objectif du projet xCALE est de développer, d'expérimenter et d'évaluer une approche générique qui permet de fournir un support personnalisé et interprétable pour (i) l'acquisition de compétences et (ii) l'autorégulation des apprentissages afin de soutenir l'autonomie des apprenants.

La mesure de l'acquisition de compétences et de l'autorégulation des apprentissages seront basés sur des modèles d'apprenants - ayant des caractéristiques de personnalisation et d'autorégulation - et des techniques de modélisation bayésienne.


résulats attendus

Les résultats attendus et les indicateurs vérifiables comprennent ce qui suit :
- Une méthodologie pour développer et évaluer des modèles d'apprenants ouverts sur les niveaux de compétences des apprenants dans des disciplines didactiquement bien définies qui fournissent des indications personnalisées et interprétables aux utilisateurs.
Des exemples éprouvés d'interventions personnalisées interprétables dans des cours de programmation et d'algorithmique, fondés sur les données des apprenants et les connaissances des praticiens experts, seront fournis.
- Un modèle générique sur les processus métacognitifs, basé sur la progression des apprenants et les interactions d'apprentissage basées sur la SRL. Ce modèle permettra de prédire les stratégies métacognitives afin de fournir des interventions pertinentes.
- Un moteur de recommandation qui fournira, d'une part, des activités personnalisées pour l'acquisition de compétences en fonction du support SRL, et d'autre part, des interventions pertinentes et personnalisées pour développer la SRL (notamment des tableaux de bord visuels, des outils dédiés, comme la planification du temps ou la gestion des objectifs, des conseils, etc.)
- Une étude d'impact sur la transformation des pratiques pédagogiques, ainsi que la diffusion des propositions de soutien SRL auprès d'autres cours et disciplines.

Ce projet aborde les questions relatives à l'éducation et à la formation, dans le but de contribuer à la recherche sur les plateformes d'apprentissage à grande échelle telles que les MOOC et les plateformes d'exercices en ligne. Cela aura des répercussions sur les avancées dans le domaine de l'autorégulation des apprentissages et de l'apprentissage facilité par l'intelligence artificielle.
Nous attendons de ce projet de nombreux effets positifs sur la manière dont les nouvelles générations apprennent, en fournissant des outils utiles renforçant l'autonomie et l'engagement des étudiants ainsi que pour l'apprentissage adaptatif.
A court et moyen terme, ce travail aura des implications sur l'apprentissage et l'enseignement de l'informatique dans l'enseignement secondaire, et dans les MOOC, avec le matériel pédagogique déployé par France-IOI, répondant au manque de ressources et d'outils pédagogiques en informatique.
De plus, une connaissance intéressante du processus d'apprentissage instrumenté que cette recherche fournira est une contribution pour documenter la formation des éducateurs. Comme le montrent les récents événements, la communauté mondiale des éducateurs aux prises avec l'impact du Coronavirus sur les institutions et les communautés d'étudiants, voit ses pratiques transformées. La capacité de concevoir et de soutenir une relation d'apprentissage à distance est de plus en plus nécessaire. Ce projet répond aux besoins réels d'amélioration de la qualité de l'hybridation des formations, comme le montre l'urgence sociale induite par le Coronavirus.
A long terme, ce travail peut avoir un impact sur l'enseignement supérieur et secondaire à un niveau plus large. Nos résultats et conclusions de recherche seront étendus et généralisés pour couvrir d'autres domaines d'apprentissage et aller au-delà du domaine de l'informatique. Ce projet doit également permettre la généralisation et la transférabilité, puisque nous disposons de données provenant de grandes populations, pour mener des recherches expérimentales. Plus important encore, des expériences complètes sur une grande population d'étudiants peuvent révéler la manière dont l’autorégulation des apprentissages peut être améliorée par notre approche et peut être encouragée dans des environnements en ligne ouverts.

Publications

Djelil, F., Gilliot, J. M., Garlatti, S., & Leray, P. (2021, August). Supporting Self-Regulation Learning Using a Bayesian Approach. Some Preliminary Insights. In International Joint Conference on Artificial Intelligence IJCAI-21, Workshop Artificial Intelligence for Education.

Roche, M., Gilliot, J.-M., Pentecouteau, H., Lameul, G., Bertrand, E., et Eneau, J. (septembre, 2022). L’autorégulation des apprentissages dans une formation pour adulte. L’exemple de la demande d’aide avec l’utilisation d’une plateforme d’apprentissage [Communication orale]. Colloque AREF, Lausanne, Suisse.

Roche, M., Gilliot, J.-M., Pentecouteau, H., Lameul, G., Bertrand, E., et Eneau, J. (novembre, 2022). L’autorégulation environnementale dans les formations en ligne en France [Communication orale]. Forum Citoyen international de l’Éducation, Tunis, Tunisie.

Avec l'avènement des MOOC et le succès des plates-formes d'exercices, les environnements en ligne à grande échelle se généralisent, tant dans l'enseignement à distance que dans l'apprentissage mixte. L'apprentissage autorégulé (AAR) est connu pour son potentiel de développement de l'autonomie et de maintien de la motivation des apprenants, tant en ligne que dans l'apprentissage mixte. Le développement de stratégies d'apprentissage autorégulées est également connu pour avoir un impact positif sur les résultats scolaires. Notre objectif principal dans ce projet est d'étudier comment soutenir avec succès l'apprentissage autorégulé à grande échelle, en nous basant sur une approche qui vise à estimer les niveaux de compétences acquises et les niveaux métacognitifs des étudiants pour fournir des interventions appropriées.
Cette approche poursuit l'objectif de favoriser l'autonomie des étudiants par le biais de modèles d'apprenants ouverts (Open Learner Models, OLM). Dans la lignée de Conati et autres (2018), qui démontrent qu'un soutien efficace suppose que les modèles soient interprétables par les utilisateurs, nous défendons que le soutien devrait pouvoir fournir certaines formes d'explication sur le processus d'apprentissage pour stimuler la réflexion sur la métacognition, au-delà de simples recommandations d'activités. Nous nous intéressons aux techniques de modélisation bayésiennes pour acquérir et mettre à jour les modèles des apprenants en tant que OLM (sur leurs compétences cognitives et métacognitives et leur progression), avec une application sur des corpus de données résultant de plates-formes d'apprentissage à grande échelle disponibles, comprenant des MOOC (cours de IMT Atlantique disponibles sur les plates-formes FUN et Edx) et les cours d’une d'une plate-forme web dédiée à l'apprentissage de la programmation avec des exercices pratiques dans l'enseignement secondaire (France-IOI). Nous visons la généralisation et la transférabilité de l’approche tout en nous basant sur des données réelles.
Concrètement, le projet xCALE propose de développer, expérimenter et évaluer une approche générique qui permet de fournir un support personnalisé et interprétable pour (i) l'acquisition de compétences et (ii) un apprentissage autorégulé pour soutenir l'autonomie des apprenants. L'apprentissage personnalisé et l'apprentissage autorégulé seront basés sur des modèles d'apprenants - ayant des caractéristiques pour la personnalisation et l'autorégulation - et des techniques de modélisation bayésiennes. Les résultats escomptés et les indicateurs vérifiables sont les suivants :
- Une méthodologie pour développer et évaluer des modèles d'apprenants ouverts des niveaux de compétences des apprenants dans des disciplines didactiquement bien définies, fournissant des aperçus personnalisés et interprétables aux utilisateurs. Des exemples éprouvés d'interventions personnalisées et interprétables dans des cours de programmation et d'algorithmique, basés sur des données d'apprenants et des connaissances d'experts praticiens seront fournis.
- Un modèle générique sur les processus métacognitifs, basé sur la progression des apprenants et les interactions d'apprentissage basées sur l’apprentissage autorégulé. Ce modèle permettra d’estimer les stratégies métacognitives pour fournir des interventions pertinentes.
- Un moteur de recommandation qui fournira, d'une part, des activités personnalisées pour l'acquisition de compétences en fonction de l'accompagnement de l'AAR, et d'autre part, des interventions pertinentes et personnalisées pour développer l'AAR (y compris des tableaux de bord visuels, des outils dédiés, tels que la planification du temps ou la gestion des objectifs, l'orientation, etc.)
- Une étude d'impact sur la transformation des pratiques d'enseignement, ainsi que sur la diffusion des propositions de soutien aux activités de RSL parmi d'autres cours et disciplines.