Environnements intelligents centrés sur l’apprenant : définition, cadre et mise en œuvre

Article historique publié sur ce site le 15 octobre 2024. Statistiques, fonctions et systèmes proposés sont présentés dans leur contexte de publication.

QI Binbin (1), BAO Haogang (2), ZHENG Yafeng (3), LI Yanyan (1)

1. Centre national de recherche en ingénierie pour l’apprentissage en réseau et les technologies intelligentes, Université normale de Pékin, Pékin 100875, Chine.

2. Institut de recherche sur l’éducation de base, Académie nationale chinoise des sciences de l’éducation, Pékin 100088, Chine.

3. Centre des sciences et technologies éducatives, Université normale de Pékin, Zhuhai, Guangdong 519087, Chine.

Résumé : Les environnements d’apprentissage fondent la transformation numérique de l’éducation et l’évolution des façons d’apprendre et d’enseigner. Les rénover, les rendre intelligents, les centrer sur l’apprenant et fournir des services précisément adaptés répond aux besoins d’une éducation numérique de qualité. L’article les définit selon quatre dimensions : perception et suivi multimodaux ; enregistrement et analyse des processus dans différents scénarios ; modélisation et recommandation de situations entre plusieurs milieux ; construction et soutien de communautés collaboratives humain-machine. Suivant la logique traitement des données, entraînement des modèles et services intelligents, il propose un cadre de rénovation physique et d’agrégation, d’indicateurs et de modèles algorithmiques, puis de soutien adaptatif précis. Les applications éducatives contextualisées de l’IA orientent la mise en œuvre : normes de conception et d’évaluation entre milieux, moteurs de calcul, suivi des classes intelligentes à grande échelle et démonstrations fondées sur les preuves. Sont aussi examinés les infrastructures nuage–périphérie–terminal, l’interprétabilité éducative, la collaboration et la conception des interactions, ainsi que la sécurité et la vie privée.

Mots-clés : environnement intelligent d’apprentissage ; centré sur l’apprenant ; collaboration nuage–périphérie–terminal ; éducation intelligente ; transformation numérique de l’éducation.

Le rapport au XXe Congrès national du Parti communiste chinois appelle à promouvoir la numérisation de l’éducation et à construire une société et un pays apprenants offrant l’apprentissage tout au long de la vie à tous ^[1]. La numérisation ouvre de nouvelles voies et de nouveaux atouts pour l’éducation chinoise. Les environnements d’apprentissage sont essentiels à l’évolution des pratiques ^[2]. Ils passent de campus traditionnellement fermés à des espaces fondés sur internet, étendus aux familles et à la société ^[3]. Depuis près de vingt ans, les politiques nationales ont soutenu successivement l’initiative Trois Connexions et Deux Plateformes, les grandes plateformes Internet Plus Éducation et les nouvelles infrastructures éducatives, transformant les équipements numériques. Les chiffres cités indiquent plus de 498 300 établissements de tous niveaux et types ^[4], une connexion internet dans 100 % des écoles primaires et secondaires, y compris les sites d’enseignement, et plus de 5,8 millions de classes multimédias connectées, soit environ 68 % des classes. Pourtant cet avantage matériel n’alimente pas suffisamment la réforme. Coordonner écoles, lieux culturels et scientifiques et foyers reste difficile, comme articuler proximité et distance, présentiel et ligne, tandis que le soutien personnalisé demeure insuffisant.

Rénover globalement ces environnements et les rendre intelligents, les centrer sur l’apprenant et fournir des services ciblés constitue donc une nécessité. Le Plan de développement de la nouvelle génération d’intelligence artificielle préconise des environnements pédagogiques complets et multidimensionnels, centrés sur l’apprenant, délivrant des services précis et personnalisant l’éducation quotidienne et permanente ^[5]. Des avancées sont nécessaires dans la perception et le suivi physiques, l’enregistrement et l’analyse des processus, la modélisation des scénarios et les services, ainsi que la connexion et le soutien des communautés entre milieux. De grandes plateformes de suivi peuvent créer des environnements ubiquitaires reliant plusieurs contextes, centrés sur la classe, associant présentiel et ligne et percevant intelligemment l’espace. Cela peut améliorer expérience et résultats, accélérer transformation numérique et modernisation intelligente et offrir une base technique à une éducation de qualité, à la stratégie Chine numérique et au renforcement éducatif national.

L’environnement intelligent améliore l’environnement numérique en plaçant l’apprenant et ses activités au centre de la rénovation. Il vise un environnement centré sur l’humain présentant trois caractéristiques.

(1) Un environnement humaniste attentif aux transformations de l’apprentissage. À l’ère intelligente, apprendre signifie acquérir connaissances, compétences et attitudes par construction collaborative avec pairs, enseignants et agents interconnectés, dans un milieu d’internet des objets et d’outils intelligents ^[6]. Fondé sur la numérisation et le développement bas carbone, il doit être digne de confiance, connecté et intégré. Son amélioration continue enrichit l’expérience et soutient l’apprentissage entre milieux et scénarios.

(2) Un environnement intégrant trois espaces. Application innovante de l’IA éducative, il contribue à une éducation numérique associant société humaine, monde physique et espace informationnel. Les caractéristiques spatiotemporelles permettent perception intelligente et modélisation des situations pour analyser les comportements entre milieux et fournir des services adaptatifs.

(3) Un environnement intégré améliorant expérience et résultats entre milieux. La technologie soutient les activités pour permettre un apprentissage effectif, concrétiser l’apprentissage numérique et développer les élèves. Des partenariats école–lieu ou base éducative–foyer peuvent coordonner l’action des familles, écoles et acteurs sociaux.

L’environnement intelligent se concentre sur les activités de l’apprenant. La figure 1 présente quatre éléments essentiels.

(1) Perception et suivi multimodaux. L’internet des objets permet de percevoir et réguler le milieu, améliorer le confort et réduire l’énergie consommée, avec des effets sur la santé physique et mentale et le déroulement de l’enseignement. Des capteurs et nœuds périphériques collectent dynamiquement données acoustiques, lumineuses, électriques, thermiques, d’humidité et de réseau dans classes, laboratoires, bibliothèques et musées scientifiques. Ils alimentent des bases multimodales d’états. Les flux bruts permettent représentations dynamiques et jumeaux numériques pour suivre l’espace, la qualité du réseau et les équipements.

(2) Enregistrement et analyse dans plusieurs scénarios. Les données de processus apportent une base plus objective et fine que les études reposant sur observation et expérience. Il faut des normes et outils multidimensionnels pour classes multimédias, environnements virtuels et espaces hybrides. Une collecte et une agrégation sans intervention et discrètes enregistrent l’ensemble des activités. L’annotation de plusieurs acteurs crée des bibliothèques de codage pour lecture, discussion, exercices et expériences. Le calcul transmédia peut alors reconnaître les comportements, suivre activation des connaissances, engagement et interactions entre pairs et générer des comptes rendus interprétables d’observation des classes.

(3) Modélisation et recommandation entre milieux. Des modèles associant contexte et participants représentent foyers, écoles et autres lieux, reconnaissent des activités complexes et produisent des profils contextuels individuels et collectifs à différentes granularités. Les suites temporelles de situations permettent de repérer intérêts et intentions potentielles pour recommander contenus adaptatifs et parcours personnalisés.

(4) Construction et soutien de communautés humain-machine. Les spécifications de collecte et de mesure des profils cognitifs couvrent niveau scolaire, acquis antérieurs, engagement, style d’apprentissage et charge cognitive pour constituer une bibliothèque multidimensionnelle. Les interactions entre apprenants, participants et milieux sont reconnues et les topologies communautaires dessinées en combinant conditions spatiotemporelles, ressources et comportements cognitifs. Connaissances expertes et réseaux d’interaction pédagogique peuvent fonder une bibliothèque de recommandations et d’interventions avec humain dans la boucle, human-in-the-loop ^[7], pour des services adaptatifs. L’intégration de ces éléments et technologies crée des milieux connectés soutenant des activités authentiques centrées sur l’apprenant.

Données, algorithmes et puissance de calcul sont les trois éléments de l’IA et des services éducatifs intelligents, personnalisés et de qualité. Le cadre comprend les couches équipements, données, modèles et services. Des appareils collectent les données ; traitement et analyse construisent les indicateurs ; des modèles sont entraînés pour offrir ressources et soutien personnalisés. Selon la logique traitement, entraînement et services, la figure 2 présente rénovation et agrégation, indicateurs et modèles, puis soutien adaptatif précis.

Collecter et enregistrer les données des apprenants et du milieu est un préalable. Classes multimédias, laboratoires et espaces pratiques doivent être renforcés par capteurs IoT, caméras et dispositifs intelligents captant paramètres et audiovisuel en temps réel. Les nœuds périphériques agrègent données acoustiques, lumineuses, électriques, thermiques, d’humidité et de fonctionnement du réseau, ainsi que dimensions, matériaux et agencements, pour constituer des indicateurs environnementaux. La perception des activités en présentiel utilise texte, parole, images et vidéo pour annoter et extraire regard, gestes, postures, expressions, contenu et ton de la voix ; la fusion forme des données comportementales. Les plateformes fournissent clics, séquences de consultation, discussions, commentaires et partages. Échelles et questionnaires mesurent acquis, styles, états psychologiques et niveaux cognitifs. Ces sources hétérogènes, issues des classes et plateformes et de modalités audiovisuelles, textuelles et géographiques, sont nettoyées et agrégées. Les horodatages structurent un réservoir de données sur milieux, apprenants, ressources, activités et réseaux sociaux.

Détection d’objets, suivi multiple et reconnaissance d’attributs identifient enseignants, élèves et objets dans images et vidéos. Pour limiter l’exposition des visages dans l’analyse spatiotemporelle, l’article propose la réidentification des personnes, ReID ^[8], afin de retrouver une même personne entre caméras ou séquences. Des modèles de reconnaissance d’activités dans plusieurs scénarios transforment ensuite les données multimodales individuelles en suites d’apprentissage et d’enseignement. Avec notes de cours, questions-réponses et expressions faciales, elles permettent d’estimer activation des connaissances et évolutions de l’engagement et des interactions enseignant–élève et entre pairs.

Outre les activités en classe, les journaux de plateforme contiennent clics, messages et devoirs décrivant apprentissage individuel et échanges communautaires. Ils comprennent texte, audiovisuel, relations de réseau et données spatiotemporelles. Les adresses IP et lieux indiqués à l’inscription peuvent situer villes et campus ; les données temporelles concernent visionnages et discussions. Programmes, supports et vidéos MOOC recèlent, dans des médias non structurés, entités et relations pour des graphes de connaissances. Les différentes modalités éclairent aussi capacités cognitives, parcours et interactions. L’extraction d’entités et de relations révèle par exemple des topologies implicites des échanges. Un graphe peut intégrer espace-temps, ressources et comportements cognitifs : lieux, notions et comportements forment les nœuds ; relations spatiales, conceptuelles et comportementales forment les arêtes. Des encodeurs et décodeurs adaptés permettent apprentissage et raisonnement dans plusieurs situations. Les réseaux neuronaux de graphes, GNN, captent relations et traits locaux et analysent nœuds clés, communautés et chemins de propagation. Visualiser des réseaux couplés multicouches dynamiques aide à comprendre ces relations et à découvrir des motifs complexes cachés.

Indicateurs de situation, caractéristiques du milieu et comportements peuvent constituer des ensembles multimodaux pour écoles, foyers et espaces sociaux. La détection d’objets par apprentissage profond identifie les participants. Les séries d’activités alimentent des réseaux de mémoire à long et court terme, LSTM, pour reconnaître les situations entre milieux et en analyser étapes et déroulement. Comportements, profils cognitifs, interactions et activation des connaissances permettent des profils multiscalaires individuels et collectifs : habitudes, évolution des résultats, préférences méthodologiques et façons d’apprendre. De nouvelles données peuvent les actualiser régulièrement pour les rendre sensibles au contexte.

Le calcul sur les milieux physiques, processus, profils et communautés peut offrir suivi et régulation, compréhension interprétable des comportements, recommandations adaptatives, soutien communautaire et interventions pédagogiques.

(1) Des modèles de perception régulent le confort. Les indicateurs intègrent effets de l’éclairage sur la santé visuelle et du bruit sur l’immersion. Les nœuds périphériques fournissent les flux acoustiques, lumineux, électriques, thermiques, d’humidité et de réseau aux réseaux neuronaux profonds. Ceux-ci adaptent l’encodage audiovisuel à la connexion et prédisent et régulent le confort intérieur en temps réel.

(2) Les règles et indicateurs d’observation produisent un retour interprétable. Suites individuelles et états des scénarios, expérience des praticiens et savoirs disciplinaires fondent des critères contextualisés. L’analyse hiérarchique peut calculer engagement, interaction, enseignement et organisation, pour générer des rapports interactifs aidant enseignants et responsables à améliorer pratiques et résultats.

(3) Les profils sensibles aux activités personnalisent les ressources. Activités complexes entre milieux, profils individuels et collectifs et situation présente permettent de générer des consignes ou prompts adaptés. En travaux pratiques, les recommandations aident à préparer et cibler l’enseignement. Guidage des étapes et avertissements d’erreurs soutiennent réflexion et compréhension. Ressemblances et différences entre apprenants orientent aussi les ressources communes, favorisant discussion et coopération.

(4) Les structures communautaires permettent des interventions précises. Un prototype de réseau multicouche aide à regrouper et explorer les données pour comprendre structures et fonctionnement. Réseaux et bibliothèque experte d’interventions — accompagnement psychologique des apprentissages, entraide et action conjointe famille–école–communauté ^[9] — peuvent constituer une boucle d’interaction fiable humain-machine adaptée aux scénarios.

Cadre, modèles et services doivent être appliqués à des situations réelles pour soutenir les démonstrations à grande échelle. Quatre voies sont étudiées : conception et évaluation entre milieux ; moteurs de calcul événementiels ; suivi des classes nuage–périphérie–terminal ; démonstrations à grande échelle orientées par les preuves.

Les applications éducatives contextualisées de l’IA sont centrales pour rénover les milieux ^[10]. L’innovation guidée par les scénarios utilise les situations pour orienter les percées techniques et faire évoluer ensemble offre et demande éducative ^[11]. D’abord, examiner des cas de cours collectifs, apprentissage collaboratif et formation enseignante, travaux pratiques et autoformation en ligne ; analyser les infrastructures ; définir normes et guides de modernisation. Événements, activités, acteurs, appareils et espaces sont modélisés sous forme de données structurées. Ensuite, identifier comportements, émotions, difficultés et besoins selon les étapes, pour établir des cartes de parcours centrées sur l’apprenant ^[12]. Les théories éducatives guident les services adaptatifs et la logique du soutien technologique. Enfin, solliciter enseignants, élèves et experts pour évaluer et améliorer les conceptions par itérations.

Appareils IoT, capteurs audiovisuels et plateformes sont des sources de données importantes. Leurs actions constituent des événements : états de capteurs, opérations d’utilisateurs ou réponses de services externes. Une bibliothèque de modèles doit intégrer perception, enregistrement des processus, reconnaissance des situations et connexion des communautés dans un moteur événementiel détectant comportements et changements d’état entre milieux complexes. L’architecture événementielle, EDA ^[13], déclenche et traite les événements par publication–abonnement, offrant faible couplage, extensibilité et flexibilité. Files, ordonnanceurs, canaux et gestionnaires répondent aux types et propriétés et fournissent proactivement des services à partir des flux. Une base de connaissances doit aussi représenter relations et causalités entre états, codes comportementaux, profils cognitifs et d’apprentissage et stratégies de soutien. Descriptions d’entités et règles d’inférence orientent ainsi les services précis entre contextes.

La plateforme de suivi se concentre sur le calcul et le traitement intelligent. La collaboration en couches ^[14] associe grappes de calcul du nuage, nœuds périphériques et terminaux IoT pour percevoir, apprendre et décider. Zigbee, LoRa et Wi-Fi assurent des connexions entre fabricants, appareils et services. Les passerelles relient objets, terminaux pédagogiques et nuage : collecte et prétraitement, conversion de protocoles, analyse et décision immédiates, suivi et commande à distance. Elles coordonnent la perception entre périphérie et terminaux. Pour les images clés vidéo, les nœuds exécutent des modèles dans des environnements locaux d’exécution de confiance ou appellent le nuage, puis transmettent les résultats à une base de séries temporelles. Le nuage gère nœuds et entraînement. Les modèles d’objets éducatifs définissent propriétés, fonctions et événements et enregistrent nœuds et sous-appareils. Données contextuelles et ressources numériques servent à entraîner et ajuster les grands modèles ; les règles de communication et de distribution organisent entraînement central et déploiement périphérique. Les plateformes à grande échelle intègrent simulation, suivi d’état et évaluation d’efficacité, enregistrant et analysant apprenants et milieux pour un soutien adaptatif continu.

Un cycle conception et développement, mise en œuvre et validation, analyse et évaluation, puis amélioration doit guider expériences ou quasi-expériences. Comparer des groupes recevant différents retours permet d’étudier processus et résultats et effets des comptes rendus, recommandations et soutiens adaptatifs sur connaissances, compétences pratiques et motivation émotionnelle des élèves et enseignants. Il s’agit de dégager les mécanismes du soutien technologique, principes et stratégies efficaces et preuves interprétables de la centralité de l’apprenant. Les environnements pédagogiques complets et multidimensionnels optimisés sont appliqués en situation réelle. La traçabilité précise les rôles essentiels des technologies et leur aide effective. Théorie de l’activité et conception pédagogique systématique identifient événements et facteurs déterminants. Les modèles théoriques éclairent les mécanismes d’intégration et les principes adaptés aux différents scénarios. Des démonstrations régionales à grande échelle valident ensuite la solution et ses effets et soutiennent les services pédagogiques entre milieux.

Maturité technologique, risques éthiques et infrastructures limitent les environnements centrés sur l’humain. Quatre défis sont examinés : infrastructure de calcul nuage–périphérie–terminal, interprétabilité éducative, collaboration humain-machine et expérience d’interaction, sécurité et vie privée.

La collaboration distribuée exige de moderniser les réseaux éducatifs existants. Les scénarios entre milieux reposent sur données, algorithmes et calcul et nécessitent l’appui de capacités publiques. Les validations à grande échelle peuvent utiliser le système national intégré de services de calcul pour fournir dynamiquement des ressources mixtes et hétérogènes aux établissements, pour construction, entraînement et inférence. Les besoins variés appellent un appariement intelligent du calcul, du stockage et du transport de données et une coordination distribuée des réseaux et du calcul selon plusieurs stratégies. Les nœuds offrent généralement CPU, GPU et NPU pour inférence, rendu 3D et décodage vidéo. Si les moyens locaux manquent, des pôles régionaux peuvent fournir les capacités entre milieux pour répondre aux exigences de puissance et de faible latence.

Les modèles généraux ne se transposent pas directement aux comportements éducatifs. Un seul algorithme ne peut traiter toutes les situations complexes et risque de généraliser abusivement. L’interprétabilité est essentielle : les décisions humaines dépendent de connaissances antérieures, et il faut relier sémantique compréhensible et caractéristiques des données ^[15]. L’expertise éducative doit orienter les codages d’activités, situations et états d’apprentissage, fournissant des connaissances préalables au calcul. Les activités pédagogiques relient données informatiques élémentaires et significations éducatives supérieures. Visualisation et interaction peuvent aussi expliquer les boîtes noires de l’apprentissage profond ^[16], rendre leur logique et fonctionnement intelligibles et réduire la défiance causée par l’opacité.

L’interaction humain-machine et l’IA centrée sur l’humain soutiennent les tâches et augmentent la cognition, améliorant perception, pensée, action et création ^[17]. Interfaces et mécanismes doivent être conçus selon des principes humanistes pour répondre aux incidents et activations des apprenants, signaler les erreurs et guider l’apprentissage. Utilisabilité et indicateurs psychologiques et physiologiques évaluent une expérience sereine, engagée et efficace. Caractéristiques des apprenants, apparence et rôle de l’IA influencent perceptions et volonté d’usage ^[18]. Processus d’activité, répartition des rôles et émotions doivent favoriser l’intégration naturelle de l’IA ou des agents pédagogiques. Combiner expérience humaine et résultats calculés améliore qualité et efficacité des tâches interactives.

Les données, nouveau facteur de production, sont une ressource stratégique pour l’éducation. Les environnements agrègent données du milieu, des personnes, des activités, des communautés et des ressources. Gérer les actifs publics et les utiliser conformément aux règles est essentiel. L’infrastructure doit définir responsabilités et limites et organiser partage et ouverture pour une circulation fiable et efficace entre établissements et services. Vie privée des élèves et enseignants, désidentification des données sensibles et risques de conformité demandent une attention particulière. Des règles de gestion et spécifications techniques strictes doivent renforcer chiffrement et contrôle d’accès. Calcul sécurisé ^[19], calcul préservant la confidentialité et apprentissage fédéré ^[20], associant logiciels et matériels, peuvent permettre un usage multimodal sûr, conforme et efficace tout en protégeant les données.

Les besoins urgents d’une éducation de qualité et la complexité et l’incertitude des nouvelles technologies, notamment l’IA, continuent de défier leur intégration éducative. Les environnements intelligents fondent transformation numérique et innovation. Intégrer leurs éléments aux technologies et avancer dans perception multimodale, enregistrement des processus, modélisation entre milieux et soutien communautaire humain-machine permet des environnements centrés sur l’apprenant. Traitement, entraînement et services articulent rénovation physique, agrégation, indicateurs, modèles et soutien précis. Applications contextualisées, normes entre milieux, moteurs de calcul et suivi à grande échelle favorisent l’IA éducative. Ils soutiennent techniquement apprentissage personnalisé et permanent et accès élargi aux ressources de qualité. Ils contribuent aussi à des systèmes en réseau, numériques, personnalisés et permanents et à une société où chacun apprend en tout lieu et à tout moment.

Publié initialement dans E-education Research, numéro 10 de 2024. Pour toute nouvelle republication, contacter la rédaction à son adresse officielle : dhjyyj@163.com.

Référence conseillée : QI Binbin, BAO Haogang, ZHENG Yafeng, LI Yanyan. A Learner-centered Intelligent Learning Environment: Connotation, Framework and Implementation Paths. E-education Research, 2024, 45(10) : 72–78. DOI : 10.13811/j.cnki.eer.2024.10.010.

Les références conservent leur langue de citation, leurs auteurs et leur numérotation d’origine pour faciliter la recherche.

Financement : Projet national majeur scientifique et technologique pour la nouvelle génération d’intelligence artificielle de 2022, Technologies clés et démonstration d’applications du calcul intelligent des environnements d’apprentissage (2022ZD0115900).

Informations biographiques publiées en 2024 : QI Binbin, homme né en 1992 à Yancheng, Jiangsu, est chercheur assistant et docteur, spécialisé dans les environnements intelligents et la réalité virtuelle éducative. Courriel : qidoublebins@163.com. LI Yanyan est l’autrice correspondante ; courriel : liyy@bnu.edu.cn.

Le texte suit l’article archivé de la Chaire. Les figures proviennent des pages imprimées 73 et 74 du PDF officiel. Leurs titres originaux emploient environnement intelligent d’apprentissage. Il s’agit de propositions de recherche, sans implication de déploiement de cette collecte ou analyse sur ce site.

Entre milieux désigne les connexions et transitions entre écoles, foyers et autres lieux d’apprentissage. Les traductions suivent le sens chinois ; l’annexe conserve la formulation du résumé anglais publié.