L’apprentissage est devenu numérique au début de 2020 lorsque les pays ont fermé les établissements scolaires pour faire face à la pandémie de COVID-19. Au cours de l’année qui a suivi, les enseignants, les élèves et les responsables scolaires ont dû suivre des cours accélérés pour apprendre à utiliser les technologies numériques. De multiples problèmes ont alors émergé : de la fatigue générée par l’utilisation des écrans d’ordinateur au stress lié à la nouveauté des outils, en passant par le manque d’équipement approprié ou impréparation à apprendre par soi-même. La réalité a forcé les systèmes d’éducation à saisir la balle au bond et à rapidement progresser vers un enseignement intelligent, cheminement qui aurait été autrement bien plus long.

La transformation numérique ouvre de nouveaux horizons à l’éducation. Si l’éducation n’a jamais manqué de données, qu’il s’agisse des notes ou des renseignements administratifs autour de l’absentéisme scolaire, ce n’est que depuis peu que celles-ci sont mises au service d’un meilleur apprentissage, d’un meilleur enseignement et des prises de décisions administratives. La relation des acteurs de l’éducation avec la technologie, loin d’être un long fleuve tranquille, oscille entre enthousiasme et scepticisme. Les technologies numériques, et tout particulièrement les technologies intelligentes axées sur l’intelligence artificielle (IA), l’analyse de l’apprentissage ou la robotique, sont-elles susceptibles de changer la face de l’éducation de la même façon qu’elles révolutionnent le reste de la société ? Si oui, comment ? Cet ouvrage tente d’apporter des éléments de réponse.

Ce premier chapitre est une introduction générale et présente quelques conclusions et recommandations politiques. Après avoir souligné l'importance de la numérisation en tant que tendance sociétale pour l'éducation, il présente l'axe principal de l’ouvrage : nous partons à la découverte des frontières de la technologie éducative. L'intelligence artificielle et l'analyse des données de l'apprentissage ont déjà commencé à transformer les pratiques éducatives, tout comme d'autres technologies intelligentes de pointe telles que la robotique et la blockchain. Comment peuvent-elles améliorer l'enseignement en classe et la gestion des établissements et des systèmes éducatifs ? Après avoir présenté les objectifs et les différents chapitres de l'ouvrage, ce premier chapitre met en évidence les possibilités offertes par les technologies intelligentes à destination des systèmes éducatifs et passe en revue certaines questions et dimensions politiques émergentes à prendre en compte avant de formuler quelques conclusions tournées vers l'avenir.

L’intelligence artificielle a donné naissance à une génération de technologies éducatives qui sont destinées à être utilisées dans les salles de classe et, plus largement, dans les systèmes scolaires. Elles présentent de manière indéniable un potentiel considérable pour faire progresser l’éducation. Ce chapitre donne un aperçu général des technologies actuellement utilisées, de leurs principales applications et de leur potentiel pour l’avenir. Il définit également certains termes clés qui seront utilisés tout au long de cet ouvrage. Il se termine par une discussion sur les perspectives qu’ouvrent ces technologies si on les intègre dans un écosystème, sur l’évolution de la réflexion qui concerne tant l’aide aux apprenants par le biais d’expériences d’apprentissage individuelles que les manières d’influencer plus largement les systèmes, et sur d’autres orientations clés pour la R–D et les politiques éducatives à mener à l’avenir.

Ce chapitre présente l’état de la recherche et du développement en matière d’apprentissage personnalisé dans les laboratoires et instituts de recherche des pays de l’OCDE. Il décrit les dernières avancées dans le domaine de l’apprentissage personnalisé en s’appuyant sur un modèle d’automatisation à six niveaux qui structure les rôles de l’IA, des enseignants et des apprenants. Ce modèle montre dans quelle mesure les solutions mixtes combinent les forces de l’humain et de l’intelligence artificielle pour produire un apprentissage personnalisé. Les technologies d’apprentissage actuelles s’attachent surtout à diagnostiquer l’état des connaissances des élèves et à adapter les commentaires, les tâches et/ou les programmes de cours. Les frontières du développement sont délimitées par la prise en compte d’un éventail plus large de caractéristiques propres à l’apprenant comme l’autorégulation, la motivation et l’émotion.

L’apprentissage ne va pas sans une implication de soi, mais arriver à véritablement mobiliser l’élève et à encourager un apprentissage en profondeur n’est pas chose facile. Les technologies numériques sont‑elles un atout en ce sens ? Ce chapitre propose de passer en revue certaines pistes prometteuses pour mesurer le niveau d’implication des élèves au cours de leur apprentissage grâce aux technologies numériques et d’examiner comment ces technologies peuvent être amenées à renforcer l’implication au début de l’apprentissage ou dès les premiers signes de désinvestissement. Il explique pourquoi l’implication est essentielle dans l’apprentissage, comment mesurer cette implication à l’aide des technologies numériques, et liste différentes méthodes d’utilisation des données et de la technologie en vue d’améliorer le niveau de mobilisation et l’apprentissage des élèves.

Par technologies d’apprentissage, on entend habituellement les activités exécutées par un ou quelques apprenants à l’aide d’un dispositif numérique. Comment les technologies tiennent-elles compte du plus grand nombre en classe ? L’analyse des données de la classe procure aux enseignants un soutien en temps réel dans la gestion de classe : suivre l’implication des élèves dans une classe ; décider quand et comment intervenir dans leurs activités d’apprentissage ; réutiliser le résultat d’une activité dans une autre ; former des groupes d’élèves ; intégrer le travail d’un apprenant dans un cours ; décider quand passer à une nouvelle activité ; ou aider les enseignants à réguler leur propre comportement. Ce chapitre aborde la classe comme un système numérique. Il imagine comment cette vision peut devenir réalité, et ce que l’on peut déjà en retirer, à savoir que le rôle des enseignants dans le succès de l’enseignement numérique est essentiel.

Ce chapitre examine comment les technologies peuvent soutenir les élèves ayant des besoins spécifiques d’éducation. Les technologies peuvent aussi bien faciliter l’accès des élèves handicapés aux programmes d’enseignement que leur fournir un soutien bien ciblé afin qu’ils puissent s’intégrer à des environnements scolaires inclusifs. Ce chapitre s’attache à démontrer qu’il est essentiel d’aider les élèves ayant des besoins spécifiques et décrit comment les technologies peuvent répondre à une variété de ces besoins. Il se penche ensuite sur trois technologies de pointe qui visent à : 1) soutenir le développement des compétences sociales des enfants autistes, 2) diagnostiquer et accompagner les élèves atteints de dysgraphie et 3) donner accès à du matériel graphique aux élèves non-voyants et malvoyants. Les exemples dans ce chapitre illustrent l’importance d’impliquer les élèves et les parties prenantes dans l’élaboration de solutions et qu’il est impératif que les développeurs considèrent l’accessibilité comme un élément essentiel de leur développement.

Les robots dans les systèmes éducatifs se divisent en deux catégories : les robots qui servent à enseigner et à insuffler de l’enthousiasme aux enfants dans les matières STIM, et, plus récemment, les robots enseignants. Si le potentiel pédagogique des robots dans les STIM a été largement étudié depuis les années 1970, les robots enseignants constituent une nouvelle technologie, issue des récents développements dans l’intelligence artificielle et la robotique. Ces robots font actuellement l’objet de recherches et d’essais de faisabilité. Ils assistent les enseignants dans leur tâche pédagogique en proposant aux élèves des expériences de tutorat spécifiques. Leur potentiel tient principalement à leur capacité d’offrir du tutorat individuel et une présence physique, celle‑ci ne faisant pas partie de l’apprentissage classique assisté par ordinateur. Bien qu’il n’existe pas encore sur le marché de robots destinés à l’éducation formelle, la recherche semble indiquer que les robots sociaux offrent des avantages que les solutions informatiques n’offrent pas. Leur nature physique se prête aux interactions avec les apprenants du monde réel, et leur présence sociale est plus grande, ce qui améliore les résultats d’apprentissage. Leur entrée dans les salles de classe se heurte, toutefois, à des difficultés techniques, économiques et logistiques.

Au cours de cette dernière décennie, l’utilisation de l’analyse de l’apprentissage dans les structures éducatives a fait l’objet de discussions. Pourtant, il existe peu d’exemples d’adoption systématique et holistique de cette pratique à l’échelle d’une organisation. Ce chapitre explore les cadres d’action et les modèles à adopter qui pourraient permettre d’intégrer l’analyse de l’apprentissage dans les organisations éducatives dans la perspective d’un changement organisationnel. Les établissements d’enseignement supérieur sont certes conscients des avantages de l’analyse d’apprentissage et ils ont commencé à expérimenter des tableaux de bord pour les étudiants et les enseignants, mais ils sont encore loin d’une transformation organisationnelle. Les travaux de recherche sur la mise en œuvre et la pratique de l’analyse des données de l’apprentissage dans les écoles primaires et secondaires sont également rares.Un examen des modèles à adopter et des recommandations politiques dans un contexte international plus large permettrait de diffuser les expériences isolées dans le grand public.

Ce chapitre passe en revue la littérature scientifique et se penche sur la pratique concernant l’utilisation des technologies émergentes pour prédire et prévenir le décrochage scolaire dans le deuxième cycle du secondaire. Tout d’abord, il présente les recherches actuelles sur les systèmes et indicateurs d’alerte précoce et analyse la précision des variables prédictives du décrochage. Il montre l’intérêt des recherches en question et présente une typologie des profils de décrochage. Ensuite, il donne un aperçu des méthodologies numériques émergentes issues de l’analyse des modèles, de la science des données, de l’analyse des big data, de l’analyse de l’apprentissage et de l’apprentissage automatique, et comment elles sont appliquées pour identifier des variables prédictives fiables du décrochage scolaire. La conclusion se penche sur l’avenir des systèmes et indicateurs d’alerte précoce, tant du point de vue de la recherche que de la politique. Elle préconise le recours à des algorithmes et des codes en accès libre tout en soulignant la nécessité d’inclure les utilisateurs dans leur conception et mise en œuvre. Un cadre de référence, précis, accessible, exploitable et redevable, dit des 4A en anglais (accurate, accessible, actionable et accountable), est appelé à régir les indicateurs d’alerte précoce.

Ce chapitre examine comment les progrès récents de la technologie numérique pourraient conduire à une nouvelle génération d’évaluations éducatives par le jeu. Les systèmes d’éducation disposeraient alors d’évaluations capables de tester des compétences plus complexes que les tests standardisés classiques. Après avoir souligné certains des avantages des évaluations par le jeu par rapport aux autres tests, ce chapitre aborde la manière dont ces tests sont construits, comment ils fonctionnent, mais aussi certaines de leurs limites. Si les jeux présentent un grand potentiel pour améliorer la qualité des tests et étendre l’évaluation à des compétences complexes à l’avenir, ils viendront probablement compléter les tests classiques, qui ont aussi leurs avantages. Trois exemples d’évaluations par le jeu qui intègrent des technologies avancées illustrent cette perspective.

La technologie blockchain est en train de révolutionner le monde des services financiers en fournissant des réseaux distribués pour les transactions en monnaies numériques. La même infrastructure numérique peut servir à vérifier d’importantes assertions ou des attestations portant sur les compétences, notamment les dossiers scolaires et universitaires. Dans le domaine de l’éducation du monde entier, on assiste à un important essor de l’utilisation de la technologie blockchain afin de délivrer, partager et vérifier les expériences et les qualifications éducatives. Le présent chapitre donne un aperçu de la technologie blockchain et met en lumière son utilisation dans l’éducation pour produire des justificatifs numériques portables, interopérables et contrôlés par l’utilisateur. Ces titres vérifiables constituent une forme de monnaie sociale qui donne aux étudiants et aux travailleurs la possibilité de transférer leurs compétences et leurs aptitudes partout dans le monde où ils choisissent de vivre, étudier ou travailler.