L’objectif du projet METAL est l’amélioration de la qualité et de l’efficacité de l’apprentissage, en particulier pour la maîtrise des langues à l’écrit comme à l’oral. Nous proposons un dispositif générique permettant la personnalisation des apprentissages pour les élèves et leur suivi individualisé par les enseignants, reposant sur l’exploration des traces digitales laissées par les apprenants lors de leurs interactions avec l’environnement et les outils d’apprentissage.
Le dispositif intègre un double mécanisme d’analyse des traces :
- un module transversal de collecte et d’analyse des traces numériques d’apprentissage (Learning Analytics), connecté aux différents outils et environnements de l’élève, de manière à construire un modèle de comportement de l’apprenant, à dégager des tendances et des analyses collectives ou individuelles d’une classe;
- un composant spécifique, inclus dans l’outil d’apprentissage, qui recueille les traces disponibles dans l’outil, les transmet au module transversal et permet grâce à l’analyse de ces traces et des informations/données fournies par le module transversal une personnalisation effective de l’outil (Adaptive Learning).
Modules d’analyse de traces de METAL
Les Learning Analytics peuvent être en effet envisagés selon différents points de vue, selon la cible : un élève précis, une classe particulière, une matière spécifique, une année d’étude précise, un enseignant donné, voire un établissement scolaire ou une région. Ils peuvent être destinés à l’élève lui‐même, à un enseignant spécifique, à une équipe pédagogique, à un responsable d’établissement ou à un financeur.
(Buckingham Shum, 2012) organise les Learning Analytics en trois niveaux selon la cible étudiée: micro (élève, matière), méso (classe, type de disciplines) et macro (année d’étude, établissement ou type d’établissements, académie). Chaque niveau a accès à des ensembles de données différents en quantité et en diversité. Il répond à des questions différentes, qui fournissent des vues précises de la cible considérée, même si dans tous les cas, les élèves restent les premiers bénéficiaires d’une approche dirigée par les données comme les Learning Analytics.
Le premier objectif du projet présenté est de mettre en place un dispositif de Learning Analytics collaborativement avec les acteurs académiques de l’éducation (rectorat, responsables d’établissements, enseignants, élèves et parents d’élèves, financeurs des collectivités locales ou territoriales), allant de la mise en place d’un plan de collecte des données à leur exploitation éthique et responsable pour améliorer la qualité et favoriser la personnalisation des apprentissages. Nous nous intéressons dans le projet METAL aux deux premiers niveaux (micro et méso) des Learning Analytics
Le second objectif de notre projet est de concevoir, de développer et d’évaluer des technologies innovantes pour un apprentissage personnalisé des langues notamment du français et de l’allemand. Les travaux seront orientés vers la conception d’un système novateur intégrant les composantes suivantes :
- La génération semi‐automatique d’exercices de grammaire du français en fonction d’un but pédagogique , du niveau de l’apprenant et éventuellement de contraintes spécifiées par l’enseignant. Les exerciseurs existants s’appuient généralement sur des données créées manuellement par des enseignants, ce qui limite leur flexibilité, leur variété, et leur modèle économique. En fournissant une méthode pour créer semi‐automatiquement des exercices, notre objectif est de permettre la création rapide de millions d’exercices adaptés aux besoins des enseignants et des apprenants.
- L’apprentissage de la prononciation par la présentation d’exemples de mots (ou groupes de mots) prononcés par une tête parlante virtuelle 3D, ce qui permet de voir les mouvements des lèvres et de visualiser l’intérieur de la bouche pour observer les mouvements de la langue et de la mâchoire. Cette animation de la tête parlante sera augmentée par une indication visuelle de la nature du son prononcé. La tête parlante permet de montrer la prononciation du « professeur ». L’apprenant pratiquera la prononciation soit à son rythme, soit à un rythme préparé selon un scénario bien précis ou dans le cadre d’un jeu. Par la suite, le système proposera des exercices pour évaluer la prononciation. Enfin, l’apprenant pourra avoir un retour sur la qualité de sa prononciation ainsi que des conseils pour l’améliorer.
- L’utilisation des traces numériques des utilisateurs pour un apprentissage personnalisé afin non seulement de résumer les activités de l’apprenant (nombre d’exercices faits,succès par type d’exercice, score global, etc.) comme dans nombreux exerciseurs, mais aussi de fournir des explications en cas d’erreur et surtout de créer dynamiquement un parcours d’apprentissage qui prenne en compte les progrès et les difficultés observées de l’apprenant.
- La conception et l’analyse de techniques de gamification favorisant l’implication et la motivation des apprenants.
