Machine learning educatif
Definition
Le machine learning educatif (educational data mining ou learning analytics dans la litterature anglosaxonne) est l'application systematique d'algorithmes d'apprentissage automatique aux donnees produites dans des contextes scolaires. Les donnees d'entree sont les traces numeriques : temps passe sur chaque exercice, taux de reussite par competence, sequences d'erreurs, frequence de connexion, abandons en cours d'exercice. A partir de ces signaux, plusieurs types de modeles sont entraines. Les modeles de prediction identifient les eleves a risque de decrochage avant que la situation ne soit critique. Les modeles de recommandation selectionnent l'activite suivante la plus efficace pour chaque profil d'eleve — ni trop facile (ennui) ni trop difficile (frustration). Les modeles d'evaluation automatique notent des productions libres (redactions, copies de maths) avec une precision comparable a celle d'un correcteur humain. EduBoost utilise ces techniques pour adapter en temps reel la difficulte des exercices, la vitesse de progression et le type de feedback selon le profil de chaque eleve. Les avancees en apprentissage par renforcement (reinforcement learning) ont particulierement ameliore les recommandations sequentielles.
Dans quel contexte ?
Cas typiques : detection precoce du decrochage, suggestion de la prochaine activite optimale.
Comment l'appliquer ?
En pratique, le machine learning educatif fonctionne en arriere-plan sans que l'eleve n'ait besoin de le configurer. Plus l'eleve interagit avec la plateforme, plus le modele se calibre. Quelques conseils pour en tirer le maximum : soyez regulier (le modele prefere 15 min par jour a 2h le dimanche), completez les exercices jusqu'au bout meme quand vous echouez (les erreurs sont les donnees les plus informatives), et ne sautez pas les exercices de revision (ils calibrent la courbe d'oubli). Sur EduBoost, le tableau de bord parental affiche les indicateurs que le ML a identifies comme prioritaires pour votre enfant. Les algorithmes detectent egalement les periodes d'inattention et ajustent la difficulte en temps reel pour maintenir l'engagement sans generer de frustration.