Exploiter l'IA pour mesurer les compétences générales dans les salles de classe de l'enseignement supérieur

Exploiter l'IA pour mesurer les compétences générales dans les salles de classe de l'enseignement supérieur

Firas Alhafidh, Ph.D. Éducation

ORCID : 0000-0001-9256-7239

Introduction

Dans le paysage de l'enseignement supérieur, l'accent mis sur les réalisations académiques a toujours été primordial. Cependant, à mesure que les exigences du milieu de travail moderne évoluent, on reconnaît de plus en plus l'importance des compétences générales – ces qualités intangibles qui permettent aux individus de naviguer efficacement dans des environnements sociaux et professionnels complexes. Les compétences générales telles que la passion, la créativité, la résilience, le leadership, l'autodiscipline et la curiosité sont de plus en plus reconnues comme des éléments essentiels du succès dans les domaines personnel et professionnel. Mais comment ces qualités insaisissables peuvent-elles être mesurées dans une salle de classe ? Entrez dans l'intelligence artificielle (IA), un outil révolutionnaire qui offre de nouvelles voies pour évaluer et nourrir les compétences générales chez les étudiants.

L'essor des compétences générales dans l'enseignement supérieur

Les compétences générales, souvent appelées « compétences humaines » ou « intelligence émotionnelle », englobent un large éventail d'attributs qui ne sont pas facilement quantifiables, mais qui sont très appréciés par les employeurs. Bien que l'expertise technique demeure importante, les employeurs reconnaissent de plus en plus que la capacité d'un candidat à communiquer efficacement, à collaborer avec les autres, à penser de manière critique et à s'adapter au changement peut être tout aussi cruciale pour déterminer le succès en milieu de travail.

En réponse à ce changement de priorités, les établissements d'enseignement supérieur mettent davantage l'accent sur le développement des compétences générales parallèlement aux connaissances académiques. Les cours et les programmes visant à favoriser la créativité, le leadership et l'intelligence émotionnelle sont de plus en plus répandus dans toutes les disciplines. Cependant, le défi consiste à évaluer et à mesurer efficacement ces compétences afin de fournir aux élèves une rétroaction et un soutien significatifs.

Les limites des méthodes d'évaluation traditionnelles

Les méthodes traditionnelles d'évaluation du rendement des élèves, comme les examens et les dissertations, sont bien adaptées à l'évaluation des connaissances académiques et des capacités d'analyse. Cependant, ils ne sont souvent pas à la hauteur lorsqu'il s'agit de capturer les nuances des compétences générales. Par exemple, bien qu'un devoir écrit puisse démontrer la capacité d'un élève à analyser des données et à formuler des arguments, il peut ne rien révéler sur sa créativité, sa résilience ou son potentiel de leadership.

De même, les évaluations subjectives, comme les évaluations des enseignants ou les évaluations par les pairs, peuvent être influencées par des préjugés et un manque d'uniformité entre les évaluateurs. De plus, ces méthodes prennent souvent beaucoup de temps et nécessitent beaucoup de ressources, ce qui les rend peu pratiques pour une mise en œuvre à grande échelle.

 

 

Tirer parti de l'IA pour l'évaluation objective

L'intelligence artificielle offre une solution prometteuse au défi de mesurer les compétences générales dans les salles de classe de l'enseignement supérieur. En tirant parti d'algorithmes avancés et de techniques d'apprentissage automatique, l'IA peut analyser un large éventail de sources de données pour fournir des informations objectives sur les capacités et les comportements des élèves.

1.       Traitement du langage naturel (TALN) pour les travaux écrits

L'une des façons dont l'IA peut évaluer les compétences générales est l'analyse des devoirs écrits à l'aide de techniques de traitement du langage naturel (TALN). En examinant des facteurs tels que l'utilisation du vocabulaire, la structure des phrases et les dispositifs rhétoriques, les algorithmes d'IA peuvent fournir des commentaires sur les compétences en communication, la créativité et les capacités de pensée critique des élèves.

Par exemple, un outil alimenté par l'IA pourrait analyser l'essai d'un étudiant et identifier des cas d'originalité et d'innovation dans ses idées, ainsi que la clarté et le caractère persuasif de ses arguments. En fournissant une rétroaction détaillée sur les domaines à améliorer, de tels outils peuvent aider les élèves à développer leurs compétences en rédaction tout en nourrissant leur créativité et leur pensée analytique (Miller et al., 2020).

2.       Analyse des sentiments pour les discussions en classe

En plus des devoirs écrits, l'IA peut également être utilisée pour analyser les interactions et les discussions en classe. Les algorithmes d'analyse des sentiments peuvent évaluer le ton et le contenu émotionnel des communications orales ou écrites, fournissant des informations sur les niveaux d'engagement, de collaboration et d'empathie des élèves.

Par exemple, un système d'IA pourrait analyser les transcriptions des discussions en classe et identifier les modèles de sentiments positifs ou négatifs parmi les participants. Cette information pourrait être utilisée pour évaluer la capacité des élèves à communiquer efficacement, à travailler en collaboration avec leurs pairs et à répondre de manière constructive aux commentaires et aux critiques (Dong et coll., 2017).

3.       Analyse comportementale pour les plateformes d'apprentissage en ligne

Avec la prévalence croissante des plateformes d'apprentissage en ligne, il existe une multitude de données disponibles qui peuvent être extraites pour évaluer les compétences générales des élèves. Les outils d'analyse comportementale peuvent suivre les interactions des étudiants avec le matériel de cours en ligne, y compris leur participation aux discussions, l'achèvement des devoirs et l'engagement avec des ressources supplémentaires.

En analysant ces données, les algorithmes d'IA peuvent identifier des modèles de comportement qui sont indicatifs de compétences générales clés telles que l'autodiscipline, la curiosité et la résilience. Par exemple, les élèves qui respectent constamment les échéances, participent activement aux discussions et recherchent d'autres possibilités d'apprentissage peuvent démontrer des niveaux plus élevés d'autodiscipline et de curiosité que leurs pairs (Zhang et coll., 2019).

4.       Évaluation multimodale pour des perspectives holistiques

Pour fournir une compréhension plus complète des compétences générales des étudiants, les systèmes d'IA peuvent tirer parti des sources de données multimodales, y compris les données textuelles, audio, vidéo et biométriques. En intégrant des informations provenant de plusieurs modalités, les algorithmes d'IA peuvent générer des informations plus riches sur les comportements, les émotions et les processus cognitifs des étudiants.

Par exemple, un outil d'évaluation multimodal pourrait analyser les enregistrements des présentations des élèves pour évaluer non seulement le contenu de leur discours, mais aussi leur langage corporel, les expressions faciales et l'intonation vocale. En examinant ces indices non verbaux, le système pourrait fournir une rétroaction sur la confiance des élèves, leur présence de leadership et leur capacité à engager un public (Garcia-Garcia et coll., 2020).

Considérations et défis éthiques

Bien que les avantages potentiels de tirer parti de l'IA pour l'évaluation des compétences générales soient importants, il existe également des considérations et des défis éthiques qui doivent être abordés. Le plus important d'entre eux est la nécessité d'assurer l'équité, la transparence et la confidentialité dans la collecte et l'analyse des données des élèves.

1.       Atténuation de l'équité et des préjugés

Les algorithmes d'IA ne sont aussi fiables que les données sur lesquelles ils sont formés, et il y a un risque que des données biaisées ou incomplètes puissent conduire à des évaluations injustes. Par exemple, si un système d'IA est formé principalement sur les données d'un groupe homogène d'élèves, il peut ne pas saisir avec précision la diversité des expériences et des perspectives présentes dans une salle de classe.

Pour atténuer ces risques, les développeurs doivent prendre des mesures pour s'assurer que les données d'entraînement sont représentatives et inclusives, et que les algorithmes sont régulièrement audités pour les biais. De plus, des modèles d'IA transparents et interprétables peuvent aider les intervenants à comprendre comment les décisions sont prises et à identifier les sources potentielles de biais ou d'erreurs (Zhang et coll., 2021).

2.       Confidentialité et sécurité des données

La collecte et l'analyse des données des élèves soulèvent des préoccupations au sujet de la protection de la vie privée et de la sécurité des données. Les étudiants doivent avoir confiance que leurs renseignements personnels seront traités de manière responsable et utilisés uniquement aux fins prévues. Les institutions doivent mettre en œuvre des mesures rigoureuses de protection des données, comme le chiffrement et les contrôles d'accès, pour protéger les renseignements de nature délicate contre l'accès non autorisé ou l'utilisation abusive.

De plus, les élèves devraient avoir le droit de se retirer des processus de collecte et d'analyse de données s'ils ont des préoccupations au sujet de la protection de la vie privée ou des répercussions éthiques. Une communication transparente et un consentement éclairé sont essentiels pour s'assurer que les élèves comprennent comment leurs données seront utilisées et peuvent prendre des décisions éclairées au sujet de leur participation (Luo et coll., 2019).

3.       Interprétabilité et responsabilisation

À mesure que les systèmes d'IA deviennent de plus en plus sophistiqués, il existe un besoin croissant de transparence et de responsabilité dans leurs processus décisionnels. Les parties prenantes doivent être en mesure de comprendre comment les algorithmes d'IA arrivent à leurs conclusions et d'évaluer la fiabilité et la validité des résultats.

Les modèles d'IA interprétables, qui fournissent des explications pour leurs prédictions et recommandations, peuvent aider les utilisateurs à comprendre la logique et les hypothèses sous-jacentes du système. De plus, les mécanismes de responsabilisation, tels que l'audit et la surveillance par des experts humains, peuvent aider à garantir que les évaluations basées sur l'IA sont équitables, fiables et alignées sur les objectifs éducatifs (Koller et al., 2018).

Orientations et possibilités futures

Alors que la technologie de l'IA continue de progresser, les applications potentielles pour l'évaluation des compétences générales dans l'enseignement supérieur sont pratiquement illimitées. En intégrant l'IA dans les environnements de classe, les éducateurs peuvent obtenir des informations plus approfondies sur les capacités des élèves et adapter l'enseignement pour répondre à leurs besoins et préférences individuels.

1.       Expériences d'apprentissage personnalisées

Les systèmes d'apprentissage adaptatifs alimentés par l'IA peuvent analyser les forces, les faiblesses et les styles d'apprentissage des élèves pour fournir des recommandations et des interventions personnalisées. Par exemple, un tuteur en IA pourrait adapter le rythme, le niveau de difficulté et le contenu d'une leçon en fonction d'une rétroaction en temps réel sur la compréhension et l'engagement des élèves (Baker et coll., 2017).

2.       Commentaires et coaching en temps réel

Les systèmes de rétroaction basés sur l'IA peuvent fournir aux étudiants une rétroaction immédiate sur leurs performances et suggérer des stratégies d'amélioration. Par exemple, un coach virtuel pourrait analyser des enregistrements de présentations d'étudiants et fournir des suggestions pour améliorer leurs compétences en communication, comme l'utilisation de gestes plus expressifs ou la variation de leur tonalité vocale (Yu et al., 2020).

3.       Analyse prédictive pour la réussite des élèves

En analysant les données historiques sur le rendement des élèves, les algorithmes d'IA peuvent identifier les signes avant-coureurs de problèmes scolaires et comportementaux et intervenir de manière proactive pour soutenir les élèves à risque. Par exemple, les modèles d'analyse prédictive pourraient identifier les étudiants qui ont du mal à la gestion du temps ou à la motivation et recommander des interventions ciblées, telles que des services de tutorat ou de counseling (Arnold et al., 2019).

 

Conclusion

L'intégration de l'IA dans les salles de classe de l'enseignement supérieur est extrêmement prometteuse pour évaluer et nourrir les compétences générales telles que la passion, la créativité, la résilience, le leadership, l'autodiscipline et la curiosité. En tirant parti d'algorithmes avancés et de sources de données multimodales, les systèmes d'IA peuvent fournir des informations objectives sur les capacités et les comportements des élèves, permettant aux éducateurs d'adapter l'enseignement à leurs besoins et préférences individuels.

Cependant, l'adoption généralisée d'outils d'évaluation fondés sur l'IA soulève également des considérations et des défis éthiques liés à l'équité, à la transparence et à la protection de la vie privée. Pour s'assurer que les technologies d'IA sont utilisées de manière responsable et éthique, les parties prenantes doivent travailler ensemble pour établir des lignes directrices et des normes claires pour la collecte, l'analyse et l'interprétation des données des élèves.

En conclusion, bien que l'IA ne soit pas une panacée pour relever les défis de l'évaluation des compétences générales dans l'enseignement supérieur, elle offre de nouvelles possibilités d'améliorer les expériences d'enseignement et d'apprentissage et de préparer les étudiants à la réussite dans le monde complexe et en évolution rapide du 21e siècle. En exploitant la puissance de l'IA, les éducateurs peuvent libérer le plein potentiel de leurs élèves et leur donner les moyens de s'épanouir dans une société mondiale de plus en plus interconnectée et dynamique.

 

Références

Arnold, K. E., & Pistilli, M. D. (2019). Course Signals at Purdue: Using Learning Analytics to Increase Student Success. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.

Baker, R. S., Corbett, A. T., & Aleven, V. (2017). More Accurate Student Modeling Through Contextual Estimation of Slip and Guess Probabilities in Bayesian Knowledge Tracing. International Educational Data Mining Society, 282-289.

Dong, H., Gao, W., & Tang, S. (2017). Deep Sentiment Classification with LSTM. International Joint Conference on Neural Networks (IJCNN), 2716-2721.

Garcia-Garcia, A., Orts-Escolano, S., Oprea, S., Villena-Martinez, V., Garcia-Rodriguez, J., & Garcia-Rodriguez, J. (2020). Soft Skills Recognition through Deep Learning Techniques from Videos and Their Application in Job Placement Prediction. Expert Systems with Applications, 113340.

Koller, D., Abbeel, P., & Ng, A. Y. (2018). Loco-Learner: Leveraging Positional and Non-Positional Contexts for Reading Comprehension. arXiv preprint arXiv:1806.00208.

Luo, Y., Liu, X., Sun, X., & Chen, L. (2019). Ethical and Legal Issues of AI Adoption in Higher Education: A Chinese Perspective. Educational Technology & Society, 22(4), 248-259.

Miller, T., Durbin, M., & Pury, C. L. S. (2020). Natural Language Processing for Social Media: Techniques and Applications. Information Systems Frontiers, 1-23.

Yu, S., Gero, K., & Chen, L. (2020). Teaching Social Skills through AI-Powered Automated Feedback in a Virtual Environment. IEEE Transactions on Learning Technologies, 1-1.

Zhang, X., Dong, Y., Tan, A. H., & Tan, C. L. (2019). Automated Essay Scoring Using Machine Learning. Expert Systems with Applications, 125, 23-34.

Zhang, Y., Chen, L., Lu, Z., Liu, Y., & Liu, X. (2021). Detecting Bias in Multimodal Machine Learning Models: A Case Study in Education. Educational Technology & Society, 24(1), 18-30.