Les systèmes adaptatifs proposent à chaque apprenant des contenus choisis selon ses réponses précédentes. L’idée est séduisante : chacun avance à son rythme, sur ce dont il a besoin, sans s’ennuyer ni se perdre. La personnalisation est l’une des promesses les plus fortes de l’intelligence artificielle en éducation.
Une promesse ancienne
L’idée n’est pas nouvelle. Bloom (1984) avait montré que des élèves bénéficiant d’un tutorat individuel obtenaient des résultats bien supérieurs à ceux d’un enseignement collectif, et posait la question de la manière d’approcher ces résultats à grande échelle. Les systèmes tutoriels intelligents sont en partie nés de cette ambition ; VanLehn (2011) en a montré l’efficacité, tout en relativisant l’écart avec le tutorat humain.
Le risque de l’enfermement
Mais un algorithme qui classe un apprenant comme « faible » peut lui proposer indéfiniment des contenus simplifiés, sans jamais lui donner l’occasion de se dépasser. Le profil devient une prophétie : l’apprenant ne progresse pas parce qu’on ne lui propose pas de quoi progresser.
Ce mécanisme rappelle les effets d’attente décrits dans les travaux classiques sur l’effet Pygmalion (Rosenthal et Jacobson, 1968) : les attentes portées sur un élève peuvent influencer son parcours. Lorsqu’elles sont inscrites dans un algorithme, ces attentes deviennent invisibles et systématiques.
Les conditions d’une personnalisation éthique
Une personnalisation éthique me semble devoir respecter quelques principes :
- laisser de la place au choix de l’apprenant, qui peut accepter ou refuser la recommandation ;
- rendre compréhensibles les règles d’adaptation ;
- permettre de sortir du chemin proposé et de tenter des tâches plus difficiles ;
- réévaluer régulièrement le profil, plutôt que de le figer ;
- garder l’enseignant informé et capable d’intervenir.
L’adaptation doit ouvrir des possibles, pas les réduire.
Autonomie et dignité
Le cadre éthique proposé par Floridi et Cowls (2019) pour l’IA retient, parmi ses principes, l’autonomie : préserver la capacité des personnes à décider pour elles-mêmes. En éducation, ce principe a un sens particulier, car l’autonomie est aussi un objectif d’apprentissage. Un système qui décide tout à la place de l’apprenant l’empêche de la développer.
Un exemple concret
Une plateforme adaptative de mathématiques oriente les apprenants vers des exercices selon leurs résultats. Une enseignante remarque qu’un élève, classé en difficulté dès les premières semaines, ne reçoit plus que des exercices de base. Il s’ennuie, se démotive, et ses résultats stagnent.
Elle découvre qu’il avait échoué aux premiers tests à cause de problèmes de connexion, et non de compréhension. Le système l’a enfermé dans un profil erroné. Elle obtient de l’éditeur la possibilité de réinitialiser les profils, d’autoriser les élèves à choisir des exercices plus difficiles, et d’afficher les raisons des recommandations.
L’élève reprend confiance et progresse rapidement dès qu’il a accès à des défis à sa mesure.
Ce que cela change pour l’évaluation
Évaluer un système adaptatif ne peut pas se limiter à mesurer les performances moyennes. Il faut examiner les parcours individuels : certains apprenants sont-ils enfermés dans des chemins trop faciles ? Les profils sont-ils réévalués ? Les apprenants et les enseignants peuvent-ils intervenir ?
L’analyse des trajectoires selon les profils permet de repérer ces effets d’enfermement, invisibles dans les moyennes.
En conclusion
La personnalisation est une promesse réelle de l’IA en éducation, mais elle comporte un risque d’enfermement. Une personnalisation éthique laisse des choix à l’apprenant, rend ses règles compréhensibles, réévalue les profils et garde l’enseignant dans la boucle. L’adaptation doit élargir les possibles, pas les réduire.
Et vous ? Qui devrait décider du parcours : l’algorithme, l’enseignant ou l’apprenant ?
Références
- Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16.
- Floridi, L., et Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1).
- Rosenthal, R., et Jacobson, L. (1968). Pygmalion in the classroom: Teacher expectation and pupils’ intellectual development. Holt, Rinehart and Winston.
- VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221.
Laisser un commentaire