Techniques d'utilisation de l'IA dans l'évaluation sommative et formative.

Techniques d'utilisation de l'IA dans l'évaluation sommative et formative.

Firas Alhafidh, PhD Education.

Résumé :

L'intelligence artificielle (IA) transforme rapidement les pratiques d'évaluation éducative en offrant des techniques innovantes pour les évaluations formatives et sommatives. Cet article explore diverses techniques basées sur l'IA utilisées dans les contextes d'évaluation pédagogique, y compris la notation automatisée, la rétroaction personnalisée, la conception d'évaluation adaptative, l'analyse de l'apprentissage et le soutien à l'évaluation par les pairs. Grâce à l'intégration de l'apprentissage automatique, du traitement du langage naturel et de l'analyse des données, ces techniques permettent aux éducateurs d'offrir des expériences d'évaluation personnalisées, efficientes et efficaces aux élèves. De plus, les évaluations basées sur l'IA facilitent la prise de décision basée sur les données, permettant aux éducateurs d'identifier les lacunes d'apprentissage, de suivre les progrès des élèves et d'adapter l'enseignement aux besoins individuels. Cependant, l'adoption généralisée de l'IA dans l'éducation soulève également d'importantes considérations liées à la protection de la vie privée, à l'éthique et à l'équité, qui doivent être abordées de manière réfléchie. Par conséquent, l'avancement continu des technologies d'IA est extrêmement prometteur pour améliorer davantage les pratiques d'évaluation dans l'éducation, favorisant finalement la réussite et la réussite des élèves à l'ère numérique.

Mots-clés : AI, Sommatif, Formatif, Évaluation

Introduction

L'intelligence artificielle (IA) révolutionne le domaine de l'éducation en offrant des techniques innovantes pour les évaluations formatives et sommatives. Ces techniques tirent parti des algorithmes d'apprentissage automatique, du traitement du langage naturel et de l'analyse des données pour fournir des expériences d'évaluation personnalisées, efficaces et fiables aux étudiants et aux éducateurs. Voici quelques-unes des techniques clés pour l'utilisation de l'IA dans les contextes d'évaluation formative et sommative :

1. Classement automatisé :

·         Évaluations objectives : Les algorithmes d'IA peuvent automatiser le processus de notation pour des évaluations objectives telles que des questions à choix multiples, des déclarations vraies/fausses et des exercices de remplissage en blanc (Feng et coll., 2009). Les modèles d'apprentissage automatique sont formés sur un grand ensemble de données d'échantillons de réponses pour reconnaître les réponses correctes, ce qui permet une notation rapide et cohérente.

·         Évaluations basées sur les rubriques : Les systèmes d'IA peuvent également évaluer des évaluations subjectives basées sur des rubriques prédéfinies (Devasahayam & Reddy, 2017). En analysant les modèles de langage et la cohérence sémantique, les algorithmes de traitement du langage naturel peuvent évaluer les réponses écrites pour la pertinence, l'organisation et la cohérence du contenu.

2. Commentaires personnalisés :

·         Rétroaction immédiate : Les outils d'évaluation alimentés par l'IA peuvent fournir une rétroaction instantanée aux élèves lorsqu'ils terminent une tâche d'évaluation (Shute & Kim, 2014). Ces systèmes analysent les réponses des élèves en temps réel et offrent une rétroaction personnalisée, y compris des explications pour les réponses incorrectes, des suggestions d'amélioration et des liens vers des ressources d'apprentissage supplémentaires.

·         Soutien échafaudé : Les systèmes de tutorat en IA peuvent fournir un soutien échafaudé aux élèves en fonction de leurs performances et de leurs besoins d'apprentissage (VanLehn, 2011). Ces systèmes fournissent des conseils, des invites et des explications adaptatifs pour guider les élèves dans des tâches difficiles, favorisant ainsi un environnement d'apprentissage favorable.

3. Conception de l'évaluation adaptative :

·         Item Response Theory (IRT) : Les plateformes de tests adaptatifs basées sur l'IA utilisent item response theory pour ajuster dynamiquement le niveau de difficulté des éléments d'évaluation en fonction des réponses des élèves (Van der Linden & Glas, 2010). Les éléments sont sélectionnés en fonction de leur niveau de difficulté estimé et de leur capacité à faire la distinction entre les élèves très performants et les élèves peu performants, ce qui conduit à une estimation plus précise des capacités des élèves.

·         Évaluations basées sur la maîtrise : Les systèmes d'IA peuvent mettre en œuvre des modèles d'évaluation basés sur la maîtrise, où les étudiants progressent dans les évaluations à leur propre rythme et doivent démontrer la maîtrise des compétences préalables avant de passer à des concepts plus complexes (Corbett et Anderson, 1995). Les algorithmes d'apprentissage adaptatifs personnalisent la séquence et le contenu des tâches d'évaluation en fonction des compétences démontrées des élèves.

4. Analyse de l'apprentissage :

·         Aperçus axés sur les données : Les outils d'analyse de l'IA analysent de grands volumes de données sur les élèves afin d'extraire des informations exploitables pour les éducateurs (Papamitsiou & Economides, 2014). Ces informations comprennent les tendances du rendement des élèves, les trajectoires d'apprentissage et les domaines de difficulté. Les éducateurs peuvent utiliser ces analyses pour éclairer la prise de décisions pédagogiques, identifier les élèves à risque et adapter les interventions aux besoins d'apprentissage individuels.

·         Analyse prédictive : Les algorithmes d'IA tirent parti des données d'évaluation historiques pour prédire le rendement et le comportement futurs des élèves (Baker et coll., 2011). En identifiant les signes avant-coureurs de défis scolaires, l'analyse prédictive permet aux éducateurs d'intervenir de manière proactive, en fournissant un soutien et des ressources ciblés aux élèves en difficulté.

5. Traitement du langage naturel (TALN) :

·         Évaluation des essais : Les techniques de PNL permettent aux systèmes d'IA d'analyser et d'évaluer les réponses écrites des élèves dans le cadre d'évaluations ouvertes, comme des essais et des questions à réponse courte (Dikli, 2006). Ces systèmes peuvent évaluer la cohérence, la pertinence et la profondeur des arguments des étudiants, fournissant des informations précieuses sur leur pensée critique et leurs compétences en rédaction.

·         Évaluation des compétences linguistiques : Les outils d'évaluation linguistique alimentés par l'IA utilisent la PNL pour évaluer la compétence des élèves dans une langue cible (Chapelle et Douglas, 2006). Ces outils analysent les réponses orales et écrites pour la grammaire, l'utilisation du vocabulaire, la prononciation et la fluidité, fournissant des évaluations objectives des compétences linguistiques.

6. Soutien à l'évaluation par les pairs :

·         Aide à l'évaluation par les pairs : Les systèmes d'IA peuvent faciliter l'évaluation par les pairs en fournissant des lignes directrices, des rubriques et des modèles aux étudiants qui participent à des activités d'évaluation par les pairs. Ces systèmes peuvent également analyser la rétroaction des pairs pour cerner les tendances et les écarts, ce qui donne aux élèves des renseignements supplémentaires sur leurs forces et leurs domaines à améliorer (Patchan et Schunn, 2007).

·         Assurance de la qualité : Les algorithmes d'IA peuvent évaluer la qualité et la fiabilité des évaluations générées par les pairs en les comparant aux évaluations d'experts. En identifiant les valeurs aberrantes et les écarts, les systèmes d'IA assurent l'uniformité et l'équité des processus d'évaluation par les pairs (Cho et MacArthur, 2010).

7. Surveillance et intervention en temps réel :

·         Suivi des activités : Les plates-formes d'évaluation basées sur l'IA surveillent les interactions des élèves avec les tâches d'évaluation en temps réel, capturant des données sur le temps passé, les niveaux d'engagement et les modèles d'interaction. Les éducateurs peuvent utiliser cette information pour identifier les élèves qui pourraient avoir besoin d'un soutien ou d'une intervention supplémentaire, en intervenant rapidement pour résoudre les difficultés d'apprentissage (Baker et coll., 2010).

·         Alertes intelligentes : Les systèmes d'IA peuvent générer des alertes et des notifications basées sur des critères prédéfinis, tels que l'inactivité prolongée, les erreurs répétées ou les écarts par rapport aux trajectoires d'apprentissage attendues. Ces alertes intelligentes incitent les éducateurs à intervenir de manière proactive, en fournissant un soutien et des conseils en temps opportun aux élèves au besoin (Baker et coll., 2019).

Ces techniques permettent aux éducateurs de créer des expériences d'évaluation plus personnalisées, efficientes et efficaces pour les élèves, favorisant ainsi la réussite et la réussite des élèves à l'ère numérique.

Conclusion

En conclusion, l'intégration des techniques d'IA dans les évaluations formatives et sommatives représente une avancée transformatrice dans les pratiques d'évaluation éducative. Ces techniques exploitent la puissance de l'apprentissage automatique, du traitement du langage naturel, de l'analyse des données et des algorithmes d'apprentissage adaptatifs pour fournir des expériences d'évaluation personnalisées, efficientes et efficaces aux étudiants et aux éducateurs. En automatisant la notation, en fournissant une rétroaction personnalisée, en adaptant la conception de l'évaluation, en analysant l'analyse de l'apprentissage et en soutenant l'évaluation par les pairs, les techniques basées sur l'IA offrent de nombreux avantages, notamment une efficacité, une équité et une fiabilité améliorées des évaluations.

De plus, les évaluations basées sur l'IA facilitent la prise de décision basée sur les données, permettant aux éducateurs d'identifier les lacunes d'apprentissage, de suivre les progrès des élèves et d'adapter l'enseignement aux besoins individuels. Grâce à la surveillance et à l'intervention en temps réel, les systèmes d'IA permettent aux éducateurs de fournir un soutien et des conseils en temps opportun aux élèves, favorisant ainsi un environnement d'apprentissage favorable à la réussite scolaire.

Cependant, l'adoption généralisée des techniques d'IA dans l'éducation soulève également d'importantes considérations liées à la protection de la vie privée, à l'éthique et à l'équité. Les éducateurs et les décideurs doivent relever ces défis de manière réfléchie, en veillant à ce que les évaluations basées sur l'IA respectent les principes d'équité, de transparence et d'inclusion.

À l'avenir, l'avancement continu des technologies d'IA est extrêmement prometteur pour améliorer davantage les pratiques d'évaluation dans l'éducation. En adoptant l'innovation, la collaboration et l'utilisation éthique de l'IA, les éducateurs peuvent tirer parti de ces techniques puissantes pour promouvoir l'apprentissage, l'engagement et la réussite des élèves à l'ère numérique. Alors que nous naviguons dans le paysage en évolution de l'évaluation de l'éducation, il est essentiel d'exploiter le potentiel de l'IA de manière à autonomiser les éducateurs, à soutenir les apprenants et à faire progresser les objectifs de l'éducation pour tous.

Références :

Feng, M., Heffernan, N. T., & Koedinger, K. R. (2009). Addressing the assessment challenge in an intelligent tutoring system that tutors as it assesses. User Modeling and User-Adapted Interaction, 19(3), 243-266.

Devasahayam, S., & Reddy, M. (2017). Automated Essay Scoring: A Review of Systems and Applications. Computational Intelligence and Neuroscience, 2017, 1-9.

Shute, V. J., & Kim, Y. J. (2014). Formative and stealth assessment. In J. M. Spector, M. D. Merrill, J. Elen, & M. J. Bishop (Eds.), Handbook of Research on Educational Communications and Technology (pp. 311-321). Springer.

VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197-221.

Baker, R. S., D'Mello, S. K., Rodrigo, M. M., & Graesser, A. C. (2011). Better to be frustrated than bored: The incidence, persistence, and impact of learners' cognitive–affective states during interactions with three different computer-based learning environments. International Journal of Human-Computer Studies, 69(1-2), 1-20.

Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining: towards communication and collaboration. In 4th International Conference on Learning Analytics and Knowledge (LAK '14) (pp. 252-256). ACM.

Baker, R. S., Corbett, A. T., & Koedinger, K. R. (2010). Detecting student misuse of intelligent tutoring systems. In International Conference on Artificial Intelligence in Education (pp. 531-538). Springer, Berlin, Heidelberg.

Baker, R. S., Corbett, A. T., & Koedinger, K. R. (2011). Detecting emotional and cognitive student states in intelligent tutoring systems. In Workshop Proceedings of the 15th International Conference on Artificial Intelligence in Education (pp. 47-56).

Bishop, C. M. (2019). Pattern Recognition and Machine Learning. Springer.

Williamson, B. (2019). Governing by numbers: Data infrastructures and the politics of identity. Information, Communication & Society, 22(7), 907-925.

Kobayashi, T., Kawase, R., & Hayashi, Y. (2013). Automatic scoring system for Japanese text based on syntax analysis. In International Conference on Intelligent Tutoring Systems (pp. 255-257). Springer, Berlin, Heidelberg.

Siemens, G., Gasevic, D., & Dawson, S. (2015). Preparing for the digital university: A review of the history and current state of distance, blended, and online learning. Athabasca University Press.

Means, B., Bakia, M., & Murphy, R. (2013). Learning online: What research tells us about whether, when and how. Routledge.

Blikstein, P., & Wilensky, U. (2014). An atom is known by the company it keeps: A constructionist learning environment for materials science using agent-based modeling. International Journal of Computer-Supported Collaborative Learning, 9(2), 131-162.

D'Mello, S. K., & Graesser, A. C. (2012). Dynamics of affective states during complex learning. Learning and Instruction, 22(2), 145-157.

VanLehn, K., Lynch, C., Schulze, K., Shapiro, J. A., Shelby, R., Taylor, L., ... & Treacy, D. (2005). The Andes physics tutoring system: Lessons learned. International Journal of Artificial Intelligence in Education, 15(3), 147-204.

Pellegrino, J. W., Chudowsky, N., & Glaser, R. (Eds.). (2001). Knowing what students know: The science and design of educational assessment. National Academies Press.

Cho, K. K., & MacArthur, C. D. (2010). Assessment of the validity of peer and self-assessment processes. In Handbook of Research on Educational Communications and Technology (pp. 1065-1075). Springer.

Chapelle, C. A., & Douglas, D. (2006). Assessing Language Through Computer Technology. Cambridge University Press.

Patchan, M. M., & Schunn, C. D. (2007). Exploring peer review as a strategy for increasing the depth of students' cognitive processing of scientific claims. Journal of the Learning Sciences, 16(3), 401-440.