Qu’est-ce que l’adaptive learning ?

23 Mai 2019 | Innovation et tendances | 0 commentaires

De plus en plus tendance, l’adaptive learning est une méthode d’apprentissage dans laquelle une ou plusieurs caractéristiques de l’environnement d’apprentissage s’adaptent à l’apprenti. Nous avons déjà abordé, dans un précédent article, les grands principes et les bénéfices de l’adaptive learning. Aujourd’hui, examinons plus en détail cette modalité et ses différentes formes.

Les data au cœur de l’adaptabilité des solutions d’adaptive learning

Dans un monde idéal, chaque apprenant devrait se voir attribuer un formateur personnel qui prendrait en considération toutes ses caractéristiques : sa capacité à mémoriser, ses préférences pour la découverte et la bonne compréhension des contenus, son rythme…  L’objectif de l’adaptive learning est de prendre en compte toutes ces différences pour proposer à l’apprenant une approche pédagogique adaptée à l’apprenant un parcours pédagogique unique et adapté.

Pour y parvenir, l’adaptive Learning récupère et utilise des data qui permettent au système de mesurer au fur et à mesure le niveau de compréhension et de connaissances de l’apprenant, afin de prendre les décisions pédagogiques les plus appropriées tout au long du parcours. Les données capturées au fil de l’apprentissage rendent ainsi possible un ajustement automatisé du rythme, de l’itinéraire d’apprentissage ou du contenu.

En résumé, l’adaptive learning repose sur trois éléments :

  • l’analyse des comportements des apprenants, puis l’adaptation permanente du contenu et du déroulement de la formation ;
  • la collecte des données sur les apprenants pour nourrir l’IA ;
  • l’analyse des résultats de l’apprenant pour ajuster la progression et le niveau de difficulté.

Les apprenants bénéficient ainsi de parcours de formation adaptés à leur niveau personnel, de types de contenus correspondant à leurs préférences d’apprentissage, de révisions adaptées en termes de rythme et de format pour une mémorisation optimale, voire des recommandations de formations complémentaires en fonction de la progression de chacun.

Besoin de simplifier la recherche de vos prestataires de formations ?

Une démarche applicable aux formations brèves ou longues

Le volume et la qualité des data collectées conditionnent le niveau d’efficacité des formations en adaptive learning. Il est aisé de comprendre qu’une formation courte permet de collecter et d’analyser moins de données qu’une formation longue. En fonction des objectifs et de la durée de la formation, la démarche d’adaptive learning va se concentrer :

  • sur le contenu des modules de formation

Sont concernées les formations brèves d’une à deux journées au plus dont l’objectif est la bonne rétention d’un contenu ou d’une notion précise. Cette personnalisation du contenu peut s’effectuer sur chacun des modules formant la totalité d’un parcours de formation.

  • sur le parcours de formation

Cette approche est davantage réservée aux formations de longue durée, par exemple les  MOOC ou les COOC étalés sur plusieurs semaines. La démarche consiste à personnaliser tout un parcours de formation comprenant plusieurs modules, dans lequel le formé doit acquérir le contenu de chaque module avant de passer au suivant.

La durée de la formation permet de recueillir un grand nombre de données qui sont alors analysées de façon prédictive pour une adaptation optimale du parcours de formation. Notons qu’on se situe moins là dans le domaine des sciences cognitives que dans celui de la déduction construite sur des statistiques. Cependant, l’analyse prédictive ne sera pertinente qu’en s’appuyant sur des milliers d’apprenants, ce qui réserve la démarche à des formations diffusées massivement, par exemple pour l’apprentissage des langues.

Un lent chemin vers l’hyperpersonnalisation des formations

Pour les concepteurs de solutions en adaptive learning, le nerf de la guerre réside dans l’aptitude à proposer une personnalisation toujours plus poussée de l’apprentissage.

Des algorithmes de plus en plus élaborés évaluent par exemple, en se basant sur le taux de clic ou de rebond, si  l’apprenant est distrait, bloqué ou agacé, et de lui proposer alors une pause, un encouragement ou un indice correspondant à  son état d’esprit.  De la même façon, les algorithmes sont à même de mesurer si l’apprenant est plus à l’aise avec une vidéo ou un fichier en PDF et de lui proposer le format le plus adapté.

En se plaçant sur plan purement technique, il serait possible d’aller beaucoup plus loin dans la personnalisation. Cependant, dans le domaine de l’adaptive learning comme dans celui de la formation en général, c’est la notion de ROI qui fixe la limite. A ce jour, l’investissement financier et humain (compétences spécifiques en ingénierie pédagogique, en data analyse, en maîtrise du big data…) dans des formations 100% adaptive learning est encore trop élevé pour permettre à celles-ci de prendre le pas sur les autres types de formation.

De même que le développement de l’e-learning n’a pas conduit à la disparition des formations en présentiel, l’intelligence artificielle des dispositifs d’adaptive learning n’est pas en mesure de remplacer les qualités profondément humaines du formateur, comme l’intuition ou l’empathie. Risquons-nous à dire que ce n’est pas son objet. L’adaptive learning comble aujourd’hui un manque, celui d’automatiser la personnalisation des formations pour un grand nombre de personnes en même temps. Et cela constitue déjà un grand pas pour la formation professionnelle.