Industrie de la formation

Le premier exemple de ce qui allait devenir l’apprentissage adaptatif a été conçu dans les années 1950 avec les travaux du comportementaliste B.F. Skinner. Skinner a développé une machine d’enseignement axée sur le renforcement des compétences incrémentielles. La machine a adapté les questions présentées en fonction des réponses correctes précédentes et a fourni aux étudiants une rétroaction immédiate et la possibilité de se déplacer à leur propre rythme.

La notion de Skinner d’adapter l’apprentissage en fonction de la performance individuelle a progressé avec le temps et la technologie. Ce que nous reconnaissons comme une technologie d’apprentissage adaptatif a ses racines dans le mouvement de l’intelligence artificielle dans les années 1970. Les chercheurs et les praticiens ont commencé à développer des systèmes qui reproduiseraient l’expérience d’instructeur individuel et tous les avantages qui en découlent. Bien que les systèmes résultant de ces travaux initiaux aient été quelque peu réussis, la puissance de calcul et les technologies d’IA à l’époque n’étaient tout simplement pas assez avancées pour une intelligence complexe ou une utilisation généralisée.

L’apprentissage adaptatif n’y est pas mort. En fait, au cours des décennies qui ont suivi, les systèmes d’apprentissage adaptatif sont devenus plus rationalisés, plus évolutifs et plus conviviaux. À leur tour, ces systèmes ont amélioré l’apprentissage de millions de personnes dans le monde. Ce qui a commencé comme une machine d’enseignement simpliste s’est transformé en une industrie de 13 milliards de dollars.

INTELLIGENT AU NOM SEULEMENT

Malgré la croissance du marché et les progrès des systèmes adaptatifs, la directive principale de l’apprentissage adaptatif – utiliser l’IA pour imiter l’apprentissage humain individuel – était toujours hors de portée. La technologie d’IA et d’apprentissage automatique était extrêmement limitée. Plutôt que d’abandonner complètement la notion d’apprentissage adaptatif, les fournisseurs ont conçu d’autres techniques pour reproduire « l’expérience intelligente » de l’IA sans réellement utiliser l’IA.

Ces types de solutions se divisent généralement en deux catégories :

Apprentissage adaptatif 1.0: Ramification de base

Ces applications effectuent des adaptations basées sur des arbres de décision et des pré-diagnostics. Par exemple, ces systèmes peuvent exiger que l’apprenant fasse une pré-évaluation. À partir de ces informations, le système crée ensuite un plan d’apprentissage « pseudo-personnalisé » pour l’individu qui se concentre sur ses besoins en connaissances générales. Parce que ces plans sont prédéfinis et fortement généralisés, cela signifie qu’ils font simplement des approximations. Pire encore, ils sont statiques et deviennent souvent déformants avec le temps.

Apprentissage adaptatif 2.0: Algorithmes limités

Ces applications effectuent des adaptations limitées basées sur des algorithmes simplifiés. Il s’agit certainement d’une avancée par rapport à Adaptive 1.0, en ce sens qu’elle automatise une partie du travail manuel initial. Il est cependant encore limité et ne s’améliore pas et devient plus intelligent avec le temps.

Bien qu’Adaptive 1.0 et Adaptive 2.0 offrent toutes deux plus de personnalisation qu’une approche universelle traditionnelle, elles ne tiennent pas vraiment la promesse de l’apprentissage adaptatif: un système évolutif et piloté par l’IA qui imite l’interaction et l’expérience d’apprentissage d’un instructeur ou d’un entraîneur humain.

FACILITER L’IA

Aujourd’hui, les progrès spectaculaires de la technologie de l’IA et le sourcing ouvert de frameworks d’apprentissage automatique ont permis à un très petit nombre de fournisseurs d’élite de se détacher du peloton et de développer des solutions entièrement alimentées par l’IA. Ces progrès créent une nouvelle catégorie d’apprentissage adaptatif – Adaptive 3.0.

Apprentissage adaptatif 3.0: IA et apprentissage automatique

L’apprentissage adaptatif 3.0 se caractérise par l’application de l’IA et de l’apprentissage automatique pour reproduire plus précisément l’expérience d’instructeur en tête-à-tête. Les solutions adaptatives basées sur l’IA exploitent les cartes de connaissances du réseau pour créer des nœuds de connaissances et de comportement, créant des relations plus profondes entre le contenu, les objectifs d’apprentissage et les types de personnages, pour n’en nommer que quelques-uns. Cela permet une expérience d’apprentissage plus efficace et plus efficace et permet:

• Adaptations complexes en temps réel basées sur les performances et le comportement de l’apprenant
• Conseils, commentaires, correctifs et renforcement des connaissances personnalisés et basés sur les données
• Courbes d’oubli prédictives et perspectives sur l’application future des connaissances
• Maîtrise complète des compétences et des connaissances au niveau de l’application
• Réduction des temps d’apprentissage

Ce n’est pas seulement l’expérience d’apprentissage qui est amplifiée. Les plates-formes qui embrassent pleinement l’IA et l’apprentissage automatique sont également en mesure d’apporter une efficacité spectaculaire au développement de l’apprentissage et à la création de contenu. Par exemple, les plates-formes alimentées par l’IA peuvent évaluer les performances du contenu d’apprentissage, signaler le contenu sous-performant et même masquer les évaluations sous-performantes jusqu’à ce qu’elles soient révisées.

RELEVER LES ANCIENS DÉFIS

Ces solutions adaptatives alimentées par l’IA ne tiennent pas seulement la promesse d’un apprentissage adaptatif intelligent, semblable à celui d’un instructeur, elles remédient également à certaines des anciennes faiblesses inhérentes aux systèmes Adaptatifs 1.0 et 2.0 systèmes. Par exemple, l’IA peut :

Éliminer les « boucles  » d’apprentissage sans fin

Dans les systèmes Adaptatifs 1.0 et 2.0, lorsqu’un apprenant n’a pas pu répondre correctement à une évaluation, l’application peut les boucler à travers les mêmes questions sans aucune correction ni prise en charge. Cette « boucle adaptative de la mort » entraîne la frustration, le désengagement et même la méfiance de l’apprenant envers le système. Les nouveaux systèmes adaptatifs alimentés par l’IA peuvent fournir une rétroaction adaptative pour guider les apprenants vers la précision et les faire avancer, afin qu’ils ne restent pas coincés dans ces boucles frustrantes.

Aller au-delà d’une méthodologie de « contenu d’abord »

Comme nous l’avons vu plus haut, certains systèmes adaptatifs 1.0 et 2.0 exigent que les apprenants examinent tout le contenu avant d’aborder la viande de l’apprentissage. Pour les apprenants qui ont déjà de l’expérience ou des connaissances sur le sujet, cela peut être un processus très frustrant et fastidieux. À mesure que les systèmes s’orientent vers davantage de voies compatibles avec l’IA, ils n’auront plus à insister pour que les apprenants examinent le contenu avant de pouvoir en sortir. Les systèmes seront en mesure de déterminer, en temps réel, ce que sait un apprenant et d’ajuster le contexte et la difficulté du contenu en conséquence.

Éliminer la stratégie d’apprentissage inefficace de la « préparation aux tests »

À l’inverse, certains systèmes adaptatifs 1.0 et 2.0 exigent que les apprenants répondent aux évaluations dès le départ avant d’avoir la possibilité de revoir le contenu. Ces plates-formes utilisent ensuite les réponses des apprenants pour orienter chaque apprenant vers un « parcours d’apprentissage » prédéfini dans lequel:

• Les apprenants répondent à une série de questions
• La plate-forme élimine les domaines de connaissances correctement traités et fournit des réponses aux évaluations incorrectes
• Le cycle se répète jusqu’à ce que l’apprenant réponde correctement à toutes les évaluations

Considérez-le comme une version technologique de flashcards. Le problème avec cette stratégie est qu’elle est conçue pour une application à court terme (comme la SAT), plutôt que pour des initiatives d’apprentissage et de développement organisationnelles à long terme où l’application continue est l’objectif. De plus, les apprenants qui ne connaissent pas le sujet se retrouvent souvent dans la « boucle adaptative de la mort » susmentionnée. »

Les plates-formes Adaptatives 3.0 offrent des ajustements de contenu dynamiques en temps réel en fonction des performances et du comportement, éliminant ainsi le besoin d’évaluations initiales et de parcours d’apprentissage prédéfinis. Cette approche est conforme à la recherche qui démontre l’importance de l’apprentissage autodirigé plutôt que d’être canalisé sur un chemin spécifique. Adaptatif 3.les systèmes 0 permettent aux apprenants d’affirmer que le contrôle augmente l’autonomie, ce qui est directement corrélé à un engagement, une satisfaction, une confiance et une maîtrise plus élevés.

Mieux interpréter les données des apprenants

Les systèmes adaptatifs 1.0 et 2.0 capturent beaucoup de données, mais souvent le fardeau de l’interprétation et de l’application des données repose sur les épaules de leurs partenaires L&D. En grande partie, ces équipes ne sont pas équipées de l’expertise en science des données nécessaire pour donner un sens à de vastes étendues de données sur les apprenants. Les solutions adaptatives basées sur l’IA fournissent non seulement une qualité de sortie de données beaucoup plus élevée – qui comprend des prédictions de suivi, des recommandations et des résultats projetés qui reflètent les KPI et les objectifs stratégiques – mais elles ont également souvent un personnel scientifique des données sur place pour aider les partenaires L& D à analyser les informations de leurs ensembles de données. De plus, parce qu’ils sont beaucoup plus robustes que les itérations précédentes, les systèmes Adaptatifs 3.0 peuvent équiper les responsables de l’apprentissage et du développement de données mesurables et quantifiables qu’ils peuvent apporter à la direction pour informer et justifier les dépenses budgétaires de formation.

Amélioration continue

Enfin, contrairement aux systèmes Adaptatifs 1.0 ou 2.0, où la mise à jour nécessite une programmation intensive et un codage manuel, les systèmes Adaptatifs 3.0 deviennent automatiquement plus intelligents à chaque interaction de l’utilisateur. Ils utilisent des algorithmes d’apprentissage automatique pour évaluer les données des utilisateurs et affiner continuellement la plate-forme. De plus, les systèmes adaptatifs qui exploitent une boucle de rétroaction complète, dans laquelle les données de performance externes d’un client peuvent être corrélées avec l’analyse de l’apprentissage de la plate-forme et la science des données, sont capables de dégager des informations jamais vues auparavant entre les données d’apprentissage et de performance.