Recommender : Vers une éducation plus personnalisée grâce à l’IA

Qu’ont en commun Netflix et Tinder ? Tous deux utilisent des systèmes de recommandation basés sur l’intelligence artificielle. Ces outils vont bien au-delà : ils peuvent également poser les fondations d’un apprentissage collaboratif et coopératif réussi.

Les systèmes de recommandation^[i] sont des outils logiciels qui suggèrent films, séries, partenaires potentiels, produits à acheter et autres contenus qui pourraient intéresser les utilisateurs. Ils interviennent dans le processus décisionnel humain, pouvant même susciter l’envie d’agir.

Dans le secteur éducatif, l’utilisation de ces systèmes n’est pas une nouveauté. Ils constituent, depuis plusieurs années, un élément technologique des systèmes d’apprentissage adaptatif, qui ajustent contenus et méthodes pédagogiques en fonction des besoins spécifiques des apprenants afin d’optimiser les résultats.

Mais ces systèmes de recommandation peuvent faire encore plus. Ils peuvent être la base d’un apprentissage collaboratif et coopératif efficace. Comment ces systèmes soutiennent-ils concrètement les apprenants et les formateurs ? Pourquoi sont-ils d’une plus grande valeur dans le cadre de l’apprentissage en entreprise que sur des plateformes de rencontre comme Tinder ?

Recommandations personnalisées vs non personnalisées

Il convient de noter que toutes les recommandations ne proviennent pas nécessairement d’un système de recommandation. Par exemple, les listes de livres recommandés par une rédaction ou les séries les plus regardées sur une plateforme de streaming ne constituent pas des résultats d’un tel système. Les recommandations basées sur l’IA se distinguent par leur capacité à proposer des suggestions personnalisées, répondant ainsi aux besoins individuels des utilisateurs.

Les systèmes de recommandation exploitent divers données utilisateurs. D’une part, on trouve des entrées explicites issues d’enquêtes en ligne (âge, intérêts, sexe, origine, objectifs, etc.). D’autre part, des données implicites provenant des comportements d’utilisation (films et séries visionnés, achats précédents sur des plateformes e-commerce, partenaires swipeés sur des sites de rencontre) sont également prises en compte.

Fort de ces données, les systèmes de recommandation peuvent générer, via des algorithmes, une liste de propositions adaptées à chaque utilisateur. L’évaluation de la pertinence est effectuée en fonction de la probabilité que l’utilisateur soit intéressé par les suggestions. L’optimisation des algorithmes de recommandation repose sur les retours des utilisateurs, qu’ils soient explicites (évaluations en étoiles) ou implicites (acceptation ou rejet d’une suggestion).

Le succès des systèmes de recommandation

Depuis de nombreuses années, ces systèmes permettent de répondre aux besoins individuels des utilisateurs. Leur succès repose sur le fait que, dans leurs décisions quotidiennes, les gens préfèrent souvent se fier aux recommandations des autres, qu’il s’agisse de choisir un hôtel, une série à regarder ou un vêtement à acheter. Nous sommes des êtres sociaux et, au sein de notre cercle d’amis ou de proches, nous nous arrêtons souvent à l’idée que ce qui plaît aux autres peut également nous convenir.

Les systèmes de recommandation visent à simuler cette dynamique de recommandation. Plus un algorithme fournit de recommandations pertinentes, plus la confiance des utilisateurs dans le système grandit, ce qui est particulièrement bénéfique dans le cadre de l’apprentissage en entreprise, où il est essentiel de présenter le bon contenu pour offrir un parcours d’apprentissage personnalisé et efficace.

Utilisation des systèmes de recommandation dans l’apprentissage en entreprise

Certains systèmes de recommandation apportent un support précieux pour des objectifs et projets clés. Ils ne se contentent pas de recommander des contenus d’apprentissage, mais proposent également les bons partenaires d’apprentissage, permettant ainsi de mener à bien des tâches ensemble, tout en suivant des parcours d’apprentissage adaptés à des objectifs précis.

On peut distinguer deux catégories de systèmes de recommandation : les systèmes d’item-to-people, qui suggèrent aux utilisateurs la prochaine tâche à aborder ou le cours correspondant à leurs intérêts, et les systèmes de personnes à personnes qui recommandent des individus pour des travaux collaboratifs ou de tutorat.

Scénarios d’application des systèmes d’item-to-people

Le bon cours

Un système de recommandation peut être utilisé pour sélectionner des offres de formation adéquates à partir d’une multitude d’options (cours, séminaires, ateliers, formations).

Le bon parcours

Ces systèmes ne servent pas seulement à offrir des contenus adaptés, mais collectent également des données sur l’activité et le comportement d’apprentissage des utilisateurs. Grâce à l’analyse des activités d’apprentissage individuelles, il est possible de créer des parcours d’apprentissage, apportant ainsi un soutien pédagogique considérable.

Le bon coup de pouce

Si un utilisateur n’a pas été actif sur la plateforme d’apprentissage depuis un moment, une suggestion pertinente pourrait être le moyen idéal de relancer sa motivation. Si les résultats sont insatisfaisants, un cours promettant un succès rapide pourrait raviver l’envie d’apprendre. Une méthode trop unidimensionnelle peut ne pas être efficace ; une discussion de groupe pourrait libérer la créativité, tandis qu’un retour d’information pourrait apaiser les craintes d’échec.

Scénarios d’application des systèmes de personnes à personnes

Le bon accompagnement

Les technologies d’automatisation dans l’apprentissage en entreprise risquent de mener à un travail isolé, les apprenants se retrouvant dans des situations d’apprentissage monologiques. Il est impératif d’éviter cette situation, et les systèmes de recommandation peuvent jouer un rôle clé. Pour célébrer les succès d’apprentissage ensemble et éviter la frustration, il est essentiel de disposer des bons partenaires d’apprentissage. En utilisant des données explicites et implicites comme l’âge, les antécédents, les intérêts et les progrès, ces systèmes peuvent suggérer des accompagnateurs adaptés.

La bonne équipe

Pour prévenir l’isolement, des environnements d’apprentissage collaboratifs et coopératifs sont bénéfiques. Si la contribution d’un ou plusieurs partenaires est nécessaire pour accomplir une tâche, il est possible de demander de l’aide à d’autres. Les propositions pour des partenaires d’apprentissage se basent sur des données explicites ou implicites.

Le bon tuteur

Si un apprenant rencontre des difficultés, un système de recommandation peut suggérer un tuteur ou un mentor, qu’il s’agisse d’un autre apprenant ayant déjà surmonté cette étape ou d’un mentor qualifié. Cela peut impliquer d’évaluer les progrès et/ou les expériences passées pour sélectionner la personne la plus appropriée.

Considérations à prendre en compte

Les systèmes de recommandation nécessitent prudence et gestion sensible des données utilisateurs. Étant donné que ces systèmes reposent sur des algorithmes apprenant à partir de données historiques, des biais systématiques peuvent en résulter.

Pourquoi les systèmes de recommandation d’apprentissage sont plus rentables que ceux de rencontres ?

Bien que la quête de partenaires par le biais des technologies soit similaire, la recherche d’un bon partenaire d’apprentissage reste essentielle au fil du temps. Contrairement à Tinder, où le but est de trouver rapidement une âme sœur, l’apprentissage professionnel nécessite une approche continue et durable. L’investissement dans un système de recommandation s’avère plus rentable, car, en matière d’apprentissage collaboratif, nous avons tous besoin de multiples contributeurs.

Points à retenir

• Les systèmes de recommandation personnalisent les expériences d’apprentissage en tenant compte des préférences et des comportements des utilisateurs.
• Ils améliorent la motivation et l’engagement des apprenants en offrant des contenus adaptés et les bonnes interactions avec des partenaires ou mentors.
• La protection des données et l’équité doivent être des priorités dans le développement de ces systèmes pour éviter les biais et discriminations.

Dans un monde où l’innovation technologique change rapidement la manière dont nous apprenons, il est essentiel de réfléchir à l’avenir des systèmes d’apprentissage basés sur l’intelligence artificielle. Quels engagements devons-nous prendre pour garantir que ces outils sont non seulement efficaces mais aussi éthiques et inclusifs ? Une réflexion sur la manière dont ces recommandations peuvent façonner l’avenir de l’éducation est plus que jamais d’actualité.

Article original rédigé par : Prénom Nom.