Que S’Est-Il Passé Avec Les Systèmes De Tutorat Intelligents?
L’utilisation plus piétonne de l’ordinateur en tant que livreur de contenu et d’évaluation est la manière dominante dont les ordinateurs servent l’éducation aujourd’hui. Au mieux, la plupart des systèmes avertissent simplement les apprenants de mauvaises réponses et font peu pour guider le processus d’apprentissage. Les chercheurs ont commencé à se pencher sur une méthode « plus sensible » pour diagnostiquer non seulement si les réponses étaient fausses, mais pourquoi elles étaient fausses. Ce concept de diagnostic précis des erreurs est fondamental pour tout tutorat réussi, et les développeurs ont commencé à intégrer la compréhension de la nature des erreurs dans une nouvelle génération d’outils d’enseignement intelligents. Alors que la définition d’un outil intelligent fait l’objet de nombreux débats, il y avait un certain consensus, du moins dans le contexte de l’éducation, selon lequel « un système doit se comporter intelligemment, pas réellement être intelligent, comme un humain », selon la psychologue Valerie Shute.
Systèmes de tutorat intelligents
Les conceptions de systèmes de tutorat intelligents diffèrent considérablement de leurs prédécesseurs historiques pilotés par ordinateur. Plutôt que la stratégie unique consistant à fournir du contenu à un apprenant passif dans ces conceptions, SES conceptions sont en mesure de personnaliser l’expérience d’apprentissage que l’étudiant reçoit en fonction de facteurs tels que les connaissances préexistantes, le style d’apprentissage et les progrès de l’étudiant à travers le matériel de contenu.
Un STI typique contiendra un certain nombre de composants conceptuels, ou modèles, qui interagissent les uns avec les autres. Le modèle de contenu contient un mappage de type web du contenu à apprendre, définissant les prérequis et les dépendances entre les éléments de contenu. Le modèle étudiant est unique à chaque apprenant et fonctionne en parallèle avec le modèle de contenu pour enregistrer ce que l’élève fait et ne comprend pas encore. Enfin, il existe une méthode de transmission de l’instruction à l’apprenant, connue sous le nom de modèle pédagogique.
La plupart des systèmes ITS commencent le processus d’instruction en déterminant les connaissances que l’étudiant connaît déjà, généralement par le biais d’une évaluation, puis en mettant à jour le statut du modèle de l’étudiant au fur et à mesure que l’instruction se produit. Le système compare ce qu’il faut savoir avec ce qui est connu (c’est-à-dire comparer le modèle de l’élève avec le modèle de contenu) et fournit à l’élève l’unité d’enseignement appropriée sur le plan pédagogique (voir schéma).
L’instruction est souvent intégrée à des capacités d’évaluation et / ou de résolution de problèmes hautement interactives, de sorte que le modèle de l’élève est mis à jour dynamiquement pour toujours refléter le niveau de connaissances actuel de l’élève. Le STI tire parti du fait que la granularité du contenu est si fine et bien adaptée au modèle de l’étudiant, que juste la bonne quantité de remédiation est offerte, ce qui permet théoriquement des temps d’apprentissage plus courts.
L’un des efforts les plus réussis, du moins en termes de longévité, est la série de tuteurs de mathématiques de l’Université Carnegie Mellon pour les collégiens. Le professeur de psychologie et d’informatique John Anderson a pu marier SON ingénierie à une théorie des sciences cognitives pour simuler et comprendre la cognition humaine. Sa théorie de l’apprentissage ACT * a été utilisée pour soutenir un certain nombre de programmes ITS réussis au début des années 1980 pour enseigner la programmation informatique Lisp, appelée Lisp Tutor, et finalement les Tuteurs de géométrie et d’algèbre à succès, qui sont vendus aujourd’hui par Carnegie Learning Corporation.
La psychologue de l’éducation Valerie Shute a développé une série populaire de modules informatiques en 1994 qui utilisait une allusion à la « Dame de l’église » du sketch populaire de Dana Carvey sur l’émission télévisée Saturday Night Live de NBC pour enseigner les statistiques d’introduction. Certaines parties de la conception du modèle étudiant de Stat Lady ont été influencées par la théorie de l’ACTE * d’Anderson. Stat Lady était innovante au-delà de son animateur animé numériquement humoristique, en ce sens que le modèle étudiant était très étroitement aligné sur le modèle de contenu et était codé en éléments procéduraux, symboliques et conceptuels, et suivi avec un niveau de granularité très fin afin de fournir un séquençage et une correction appropriés à l’étudiant au moment le plus précieux.
Les Systèmes De Tutorat Intelligents Peuvent-Ils Enseigner?
Malgré le manque de visibilité de SES systèmes dans le monde réel en dehors de l’air raréfié des laboratoires de recherche universitaires, une quantité modeste de recherches suggère que les systèmes de tutorat intelligents peuvent obtenir des augmentations remarquables de l’apprentissage des étudiants par rapport à l’enseignement traditionnel en classe.
Par exemple, la performance de Stat Lady par rapport au même matériel d’introduction aux statistiques enseigné dans une classe traditionnelle et elle a trouvé l’amélioration bi-sigma très recherchée avec l’ITS. Sherlock, un STI conçu pour enseigner les procédures de maintenance sur le terrain aux mécaniciens de l’équipe au sol de l’Armée de l’air sur des chasseurs F-16, a pu obtenir le même niveau de compétence après 20 à 25 heures d’instruction que ceux qui ont suivi une formation traditionnelle sur une période de quatre ans. Carnegie Learning Corporation a rapporté que les étudiants prenant leur tuteur en algèbre I ont obtenu 85% de meilleurs résultats sur les évaluations des compétences en résolution de problèmes complexes, 14% sur les compétences de base en mathématiques et 30% sur les évaluations TIMSS.
Pourquoi les Systèmes de Tutorat Intelligents n’ont pas prospéré
Les systèmes de Tutorat Intelligents n’ont clairement pas été à la hauteur de leur potentiel, du moins lorsqu’ils sont jugés par leur adoption par la communauté éducative, bien qu’ils semblent avoir la bonne combinaison de caractéristiques. Mais il serait injuste de négliger quelque 30 années de recherche pour ce qui semble être des problèmes d’exécution. Les résultats des études sur l’efficacité de SES systèmes suggèrent qu’ils peuvent être efficaces pour atteindre l’apprentissage des élèves, mais un certain nombre de facteurs se sont alignés pour livrer « la défaite des mâchoires de la victoire. »
L’obstacle le plus important à surmonter est peut-être la difficulté de créer des didacticiels utilisés par SES programmes. Historiquement, la plupart des systèmes avaient leur contenu « codé en dur » dans le logiciel des STI, ce qui devait être fait par des programmeurs qualifiés à grands frais. Cela signifiait également que les instructeurs et autres experts en la matière n’étaient pas en mesure de participer directement à l’élaboration des parties de contenu des systèmes. La question du diagnostic de mauvaises réponses s’avère être un problème extrêmement difficile, long et coûteux à résoudre; cela nécessite de connecter fastidieusement à la main un grand nombre de mauvaises réponses potentielles avec des instructions de réparation spécifiques.
Une meilleure souricière?
En pensant aux STI, il est difficile d’envisager un système d’enseignement potentiellement plus efficace. De tels systèmes contiennent une conceptualisation sémantiquement connectée du contenu à enseigner, une façon de savoir ce que l’apprenant fait et ne comprend pas, et une méthode de livraison qui adapte cette instruction en conséquence. Il semblerait que les premiers systèmes n’étaient pas assez bien exécutés pour devenir mainstream; mais ils devraient néanmoins fournir une base riche pour que les futures machines d’enseignement puissent tirer des leçons, car ces systèmes commencent à utiliser la puissance de l’ordinateur pour plus que simplement dispenser des instructions.
