Depuis un bon moment, les universités tentent de collecter et de consolider une importante quantité de données. On veut ainsi donner au personnel les moyens d’innover en matière de réussite étudiante. Grâce à l’intégration de l’IA, les responsables des différents systèmes de données pourraient…
- mieux valoriser les données disponibles,
- y découvrir des indicateurs de réussite et
- réagir proactivement au comportement des étudiants de façon à favoriser leur réussite.
Toutefois, devant la complexité de la collecte, du traitement et de l’interprétation des données, il apparaît de plus en plus clair que cet objectif ne pourra être atteint qu’en combinant l’intelligence humaine (IH) et l’intelligence artificielle (IA) pour traiter et analyser les données recueillies.
C’est en associant la machine à l’humain qu’il devient possible de voir émerger des tendances et de concevoir des modèles de réussite des étudiantes et étudiants; modèles qui maximisent les résultats tout en minimisant les risques. Nous en savons plus aujourd’hui sur le comportement des étudiantes et étudiants et sur quelles activités mènent à la réussite (ou, au contraire, sur lesquelles peuvent augmenter les risques d’échec). L’analyse des données combinées pourrait augmenter la persévérance aux études. Comme l’explique Diana Oblinger :
“Machine learning allows computers to ‘consume’ information such as medical records, financial data, purchases, and social media and then develop predictions or recommendations. . . . These machines can create their own guidelines and discover patterns invisible to humans.”
Un modèle qui permet de mieux comprendre la relation qui existe entre l’IA et l’IH est le cycle de vie de l’analyse durable:
Ce modèle est centré sur l’intégration de l’IA et de l’IH afin de résoudre des problèmes en enseignement supérieur. Ce modèle permet de distinguer les différentes étapes de l’analyse formelle des données (collecte, traitement et visualisation) et les étapes de la satisfaction des besoins humains (socialisation, autonomisation et défense des droits individuels et collectifs). Toute initiative en cette matière est “socialisée” afin de gérer non seulement la façon dont on utilise les connaissances acquises, mais aussi pourquoi et quand utiliser ces connaissances. Les professionnels de l’enseignement supérieur devront donc bien comprendre comment l’IA peut venir soutenir leur travail afin qu’ils se sentent habilités à intégrer l’IA dans leurs actions au quotidien.
Au final, l’IA et l’IH doivent travailler ensemble pour:
- comprendre qui est à risque, pourquoi c’est le cas et ce qui peut faire avancer la réussite des étudiants;
- organiser les données existantes et en améliorer la saisie;
- effectuer un audit des programmes et des initiatives actuelles en utilisant des analyses d’impact pour découvrir ce qui fonctionne et pour quelles clientèles;
- associer les étudiantes et étudiants à risque à des programmes qui influencent la réussite de groupes d’étudiants comparables;
- créer des connaissances sur la réussite des étudiantes et étudiants fondées sur des données probantes grâce à la gestion du cycle de vie de l’apprentissage et à l’évaluation continue, au fur et à mesure que les programmes sont adaptés pour intégrer les interventions ciblées;
- élaborer un plan d’action à partir de données d’intervention fondées sur des données probantes et évaluer les résultats.
À lire!
Source: Baer, Hagman et Kil. Preventing a Winter of Disillusionment, EDUCAUSE Review, 24 février 2020.
