L’IA pourrait-elle remplacer les examens scolaires ?

Le système de contrôle de connaissances basé sur des évaluations standardisées, qu'il s'agisse de devoirs sur table, oraux ou contrôles-surprise, est extrêmement controversé. Aujourd'hui, la question des évaluations est plus un sujet politique qu'un problème de sciences de l'éducation.

Les critiques déplorent le concept de test standardisé dans la mesure où il apprend aux écoliers et aux étudiants à « réussir un contrôle » de manière ponctuelle plutôt qu'à mettre en œuvre des compétences utiles telle que la pensée abstraite, la créativité et la pensée critique à long terme. D'autre part, l'organisation d'examens à l'échelle locale et nationale est coûteuse et demande beaucoup de temps aux enseignants.

Malgré tout, on s'attend à ce que les instances éducatives puissent certifier le bagage acquis par un individu durant des années et des années passées sous la responsabilité de l'école. L'éducation revient cher, très cher à l'État, et les citoyens attendent d'elles qu'elle puisse prouver qu'elle a "servi à quelque chose" d'une manière ou d'une autre. C'est la mission des examens, qui produisent des bilans supposément objectifs. D'autre part, l'industrie exige des travailleurs toujours plus instruits, multi-compétents et agiles ; les économies des pays développés ne proposent plus des emplois en usine aux classes moyennes, qui ne peuvent plus se permettre d'entrer sur le marché du travail sans diplôme.

Dans un commentaire publié cette semaine dans Nature Human Behavior, Rose Luckin, chercheuse en sciences de l'éducation au University College London, affirme que nous avons disposons maintenant d'une vraie alternative aux tests normalisés. Cette technologie permet d'élaborer des évaluations personnalisées grâce à une IA capable de tester individuellement et en profondeur les capacités des étudiants sous forme d'un contrôle continue personnalisé.

« L'IA a aujourd'hui des applications larges et extrêmement générales. Elle est partout », écrit la chercheuse. « Nous lui confions confiance nos données personnelles, médicales et financières sans rechigner, alors pourquoi ne pas lui confier nos enfants ? Elle est parfaite pour évaluer leurs connaissances et la subtilité de leur compréhension des programmes scolaires. »

Pour être utile dans le domaine de l'éducation, une IA doit apprendre trois choses, selon Luckin. Tout d'abord, la structure du programme enseigné : thèmes, méthodes, exercices. Ensuite il lui faudra connaître les étapes par lesquelles doit passer un élève doit passer pour atteindre le seuil de compétences et de connaissances requis. Enfin, elle devra comprendre à quoi correspond "le succès" d'un élève à chacune de ces étapes successives.

« Les techniques utilisées en IA, tels que la modélisation et l'apprentissage automatique, sont appliquées au cadre pédagogique afin que l'IA puisse évaluer l'élève sur un point précis ou dans une matière donnée », explique Luckin.

Le système d'évaluation proposé par Luckin, AIAssess, a été développé à l'UCL Knowledge Lab. Il offre aux étudiants des activités suivant une progression permettant d'évaluer et de développer leurs connaissances conceptuelles. Plus l'étudiant accomplit de tâches parmi celles proposées, plus les exercices deviennent difficiles. Les compétences évaluées par le système incluent « la connaissance de l'objet étudié, la perception métacognitive de l'étudiant et sa connaissance de ses propres atouts et faiblesses ». Ces quatre points seraient de bons marqueurs de l'efficacité de l'étudiant, et d'excellents prédicteurs de ses futures performances.

AIAssess comporte deux volets. L'un consiste en un corpus intégré de connaissances qui peut être utilisé pour vérifier les réponses des élèves. Il ne s'agit pas d'un ensemble de réponses toutes faites, mais d'une banque d'informations qui peut être utilisée par l'étudiant pour trouver la bonne réponse par lui-même. En tant que tel, il peut être utilisé pour évaluer le travail des élèves de façon plus pointue et plus subtile que ce que permet une simple vérification de bonne/mauvaise réponse à un questionnaire.

Le second volet consiste en un modèle qui permet de décrire les étudiants de manière individuelle. Ce portrait est actualisé en permanence, et décrit non seulement sa compréhension d'un sujet donné, mais également sa compréhension de ses propres processus d'apprentissage (c'est ce qu'on appelle la métacognition). Ainsi, on espère pouvoir analyser comment un élève spécifique apprend, et en quoi il apprend différemment des autres. Enfin, l'IA permettra de prédire son potentiel.

Sur la base des dépenses consacrées à d'autres programmes d'IA très ambitieux, telles que 4 milliards de dollars alloués au projet de voitures autonomes à l'initiative du président Obama, Luckin estime que l'intégration de ce système aux Etats-Unis ou au Royaume-Uni coûtera environ 600 millions de dollars par an. C'est un peu moins cher que le système d'évaluation standard utilisé actuellement au Royaume-Uni.

Tout ceci est un peu effrayant ne nous le cachons pas. Luckin n'est pas insensible à la défiance que peut susciter AIAssess: « Les questions éthiques liées à l'IA sont délicates, et deviennent d'autant plus épineuse lorsque l'éducation des jeunes entre en jeu. Le partage des données suscite une multitude de questions portant sur la vie privée, la propriété intellectuelle et la propriété tout court. Si nous voulons créer des systèmes d'évaluation par IA susceptibles d'être acceptés et adoptés par les étudiants, les enseignants et les parents, il faudra une collaboration étroite entre éducateurs et développeurs afin de définir des normes qui facilitent le partage des données tout en garantissant le respect de contraintes éthiques. »

Autre problème : faire la promotion de ce concept dans le climat politique actuel. Certes, évaluer « la perception métacognitive » d'un élève est très politiquement correct, mais dès qu'il s'agira de parler budgets, investissement et disparités économiques. De plus, l'évaluation continue et ininterrompue de l'étudiant assortie de méthodes d'analyses fines s'apparentant au data mining afin de prédire son succès futur a quelque chose de légèrement dystopique. Peut-être faut-il commencer plus petit, et utiliser des données déjà existantes sur les élèves pour construire de meilleurs modèles d'apprentissage, plus individualisées. La seule idée sur laquelle tout le monde se mettra sans doute d'accord, et qui est au cœur du programme de Luckin, c'est qu'il est temps d'arrêter de traiter les élèves comme s'ils étaient tous égaux face à l'apprentissage.