Jean-François Roberge                                                Éric Caire

  Voici la copie de la publication :

• MONTRÉAL, le 14 mars 2022 /CNW Telbec/ - Le ministre de l'Éducation, M. Jean- François Roberge, a annoncé, en compagnie du ministre d la Cybersécurité et du Numérique et ministre responsable de l'Accès à l'information et de la Protection des renseignements personnels, M. Éric Caire, un investissement de plus de 10 millions de dollars afin d'amorcer un virage numérique sans précédent au sein du ministère de l'Éducation et du réseau scolaire.

Ce projet d'intelligence numérique, en adéquation avec la Stratégie de transformation numérique gouvernementale et la Stratégie d'intégration de l'intelligence artificielle dans l'administration publique pour 2021-2026, permettra de mettre à profit les données du réseau de l'éducation au service de la réussite éducative des élèves du Québec, ainsi que d'offrir une gestion plus transparente et efficiente. Il fera du gouvernement du Québec un pionnier en la matière au Canada.

Le projet vise à dresser un portrait en temps réel de l’état du réseau scolaire québécois et comporte trois volets :

• La réussite éducative des élèves ;
• Les infrastructures ;
• Les ressources humaines.

Les infrastructures et la gestion des ressources humaines sont deux domaines qui sont du recours des Centres de services scolaires et du ministère de l’Éducation, sujets sans doute politiquement intéressants mais dont je ne traiterai pas.

Ce qui me chicote à plusieurs égards est le volet qui vise la réussite éducative des élèves.

Première question : Réussite éducative ou réussite scolaire des élèves ?

La publication de 2016 du Gouvernement du Québec, Pour une politique de la réussite éducative (2) traite en page 6 de la différence entre la réussite éducative et la réussite scolaire :

La réussite scolaire est facilement mesurable et se prête à de nombreuses comparaisons nationales et internationales, ce qui procure à ce concept une grande visibilité sociale et médiatique dans les réflexions ou les débats sur la performance des élèves et des écoles.

La réussite éducative ne se prête pas à des évaluations à court terme, car elle se concrétise tout au long de la vie.

On peut lire au magazine Savoir, de la Fédération des Centres de services scolaires, Réussite scolaire ou réussite éducative(3), un article de Jean Jacques Dembo et Thérèse Laferrière.

La réussite scolaire rattachée exclusivement à la performance scolaire, souvent associée aux notes et à l’obtention du diplôme à la fin d’un parcours de formation, peut être limitative pour mieux comprendre certains parcours scolaires et accompagner les élèves considérés en rupture avec l’institution scolaire. Parler de réussite éducative est une manière d’ouvrir un chantier sur la révision de la définition institutionnelle de la réussite scolaire en vue de répondre à certains enjeux sociaux et sociétaux actuels.

Le tableau ci-dessous est une capture d’écran de l’article de Sylvie-Marie Coulet : Réussite scolaire et réussite éducative (4 ):

Pendant longtemps, on a souvent associé la réussite des élèves avec la notion de performance scolaire mesurée par l’obtention de récompenses (bonnes notes, diplômes) lorsque les objectifs d’apprentissage sont atteints. … … La réussite éducative englobe l’intégration de savoirs académiques, l’acquisition d’attitudes et de valeurs utiles au fonctionnement en société, le développement des compétences nécessaires à l’insertion professionnelle et la réussite d’objectifs personnels. Elle ne s’oppose donc pas à la réussite scolaire : elle en fait partie.

À quel problème le ministère de l’Éducation désire-t-il s’attaquer par son projet d’intelligence numérique en éducation, la réussite scolaire ou la réussite éducative des jeunes québécois ?

Au Québec, un problème fait l’objet de l’attention de plusieurs intervenants du milieu scolaire et aussi des médias, celui du décrochage scolaire et du faible taux de diplomation. En 2015, 69% de l’ensemble des élèves du Québec obtenaient un premier diplôme ou une première qualification cinq ans après leur entrée au secondaire, alors que les filles des établissements privés présentaient un taux de diplomation et de qualification en cinq ans de 91 % et les garçons des commissions scolaires francophones enregistraient 55 % (5)

Est-ce à ce problème que désire s’attaquer le projet annoncé par le MEQ ? Si le projet vise à diriger les intervenants vers la résolution de ce problème, les données à recueillir pour en faire l’analyse peuvent être précisées et assemblées facilement.

Par contre, si on vise la réussite éducative des élèves, le projet a une plus grande envergure et si on se réfère au tableau d’IDELLO les données à recueillir pour réaliser l’analyse des apprentissages (learning analytics) sont beaucoup plus complexes, souvent d’accès difficile. Le MEQ affirme dans ses documents de référence au projet : … En sélectionnant et exploitant les données les plus pertinentes, pour des analyses plus efficaces, en valorisant ces données pour en faire des outils d’aide à la décision … de tirer le maximum de bénéfices de la valorisation des données afin de réaliser des interventions plus promptement et mieux ciblées, notamment auprès des élèves en difficulté dit Éric Caire, ministre de la Cybersécurité et du Numérique et ministre responsable de l'Accès à l'information et de la Protection des renseignements personnels.

Les catégories de données du tableau du MEQ visent-elles la réussite scolaire ou la réussite éducative ?

Deuxième question : le terme INTELLIGENCE NUMÉRIQUE est une découverte pour moi.

L’intelligence numérique est un concept mis de l’avant par IVADO (6), un institut panquébécois à l’interface du milieu académique et des organisations. Ensemble, nous transformons les progrès en intelligence numérique en applications concrètes et bénéfices pour la société écrivent-ils.

IVADO définit ainsi le «concept-valise» : intelligence numérique

COMPRENDRE est le domaine de l’analytique descriptive, l’étape préliminaire, l’étape fondamentale sur laquelle s’appuieront les calculs de l’intelligence artificielle. C’est ce dont on nourrira la machine. Les catégories de données présentées au tableau du ministère sont principalement les données numériques attachées à l’élève, cheminement scolaire, résultats aux épreuves ministérielles, notes au bulletins, assiduité ainsi que les mesures de soutien et d’accompagnement et les engagements para-scolaire de l’écolier (d’où proviendra cette information?). Les données démographiques seront j’imagine, les informations sur la famille dont dispose l’école, parents ou famille d’accueil, fratrie, taille et poids de l’élève, etc.

J’aimerais beaucoup voir les mesures suivantes compléter cette cueillette de données :

• Distance entre le foyer de l’enfant et l’école ;
• Temps passé en autobus scolaire ;
• Échantillonnage régulier de l’alimentation habituelle de l’élève à l’école ;
• Nombre d’élèves par classe ;
• Classe mixte ou séparation des filles et des garçons :
• Âge du bâtiment de l’école ;
• Nombre de classes dans l’école :
• Qualité de l’air de l’école, des classes ;
• Variations de température des classes pendant la journée - On pourrait peut-être chercher à établir une certaine corrélation entre la température dans les classes et les comportements perturbateurs ainsi que les performances scolaires des élèves ;
• Présence ou absence d’une bibliothèque scolaire, d’un gymnase, d’une salle de musique ;
• Orientation de la classe - nord, sud, est, ouest.

PRÉDIRE, on retrouve l’analytique prédictive dans les systèmes d’aide à la décision clinique en santé ainsi que la possibilité du recouvrement financier. Le refus de votre banque à accorder le prêt demandé est le résultat de l’analyse prédictive de votre dossier de crédit. Le revenu familial, le cheminement scolaire, les résultats aux épreuves ministérielles et autres données numériques seront utiles en analytique prédictive du dossier de l’élève. Je prédis ;-) qu’il s’agit de ce à quoi le MEQ fait référence lorsqu’il écrit :

L'intelligence numérique en éducation : pour la réussite éducative de nos élèves … L'intelligence artificielle permettra également d'agir plus rapidement et de manière plus ciblée et adaptée,

Wikipedia met en garde (8) :

Il est important de noter toutefois, que l'exactitude et l'utilité des résultats dépendent grandement du niveau de l'analyse des données et de la qualité des hypothèses.

DÉCIDER : L’Analytique prescriptive (9) est un type d’analytique focalisé sur la recherche de la meilleure approche pratique d’une situation. C’est à cette étape de l’analyse des apprentissages (learning analytics) que se réfère le MEQ quand il écrit :

… des analyses pour mieux mesurer les résultats des différentes pratiques pédagogiques mises en oeuvre pour offrir aux élèves le meilleur enseignement possible.

Et ça me chicote !

L’enseignement explicite (10) est une stratégie pédagogique de nature béhavioriste dont l’efficacité n’est plus à démontrer. Il existe au Québec un certain lobby d’éducateurs qui en font la promotion alors que selon eux, les Facultés d’éducation et le ministère n’en ont que pour le constructivisme et le socio-constructivisme quand ce n’est pas un certain connectivisme. Une bataille de théories de l’apprentissage se poursuit sournoisement dans les couloirs.

Ma position est plus mitigée, le simple bon sens que rejette évidemment les «scientifiques» de l’éducation qui ne jurent que par les données probantes. C’est par notre corps que nous communiquons avec le monde extérieur. L’être humain n’est pas qu’un cerveau à meubler. Je favorise une éducation mixte, adaptée au sujet d’étude. Certains sujets s’enseignent mieux selon l’enseignement explicite, particulièrement tout ces drills en vue de la mémorisation. Il faut favoriser une certaine pédagogie de projet ou encore un apprentissage fondé sur l’investigation pour d’autres apprentissages qui tiennent davantage de l’éducation et moins de l’instruction.

Le LeMagIt, référence consultée, écrit :

L’analytique prescriptive n’est cependant pas infaillible. Il est sujet aux mêmes distorsions que les analytiques descriptive et prédictive, notamment les limites des données et les forces impondérables extérieures. L’efficacité de l’analytique prédictive dépend également de la capacité du modèle décisionnel à capter l’influence des décisions analysées.

Learning analytics

Analyse de l’apprentissage (11) ou analyse de l’éducation.

L’analyse de l’apprentissage est la discipline consacrée à la mesure, la collecte, l’analyse et la présentation de rapports basés sur des données des apprenants en contexte d’apprentissage dans le but de comprendre et d’optimiser l’apprentissage et le contexte. Wikipédia

C’est en 2019, lors d’une conférence du groupe SALTISE que j’ai entendu Alyssa Wise traiter des Learning Analytics.

SALTISE (12) est une organisation qui regroupe des enseignants d’établissements d’enseignement anglophones de Montréal : Dawson, Concordia, Vanier, McGill. SALTISE organise des événements et des ateliers conçus pour aider la communauté éducative à développer des façons de favoriser un plus grand engagement des élèves.

Alyssa Wise est professeure agrégée des sciences de l'apprentissage et de technologie éducative à l'Université de New York (NYU) et directrice de LEARN, le réseau universitaire de recherche sur l'analyse de l'apprentissage de l'Université de New York. Les recherches du Dr Wise se situent à l'intersection des sciences de l'apprentissage et des données éducatives et se concentrent sur la conception de systèmes d'analyse de l’apprentissage.

Voici le résumé de la conférence de 2019 (13) à laquelle j’ai assisté. Learning Analytics (l’analyse des apprentissages ) est une technologie émergente qui applique des méthodes de science des données aux caractéristiques, besoins et préoccupations particuliers des contextes éducatifs pour mieux comprendre et faciliter l'apprentissage.

À quoi ressemble l'avenir de l'enseignement soutenu par l'analyse des apprentissages et quels avantages peut-il apporter ? S'appuyant sur divers exemples du Learning Analytics Research Network (LEARN) de NYU et sur d’autres études, le Dr Wise a expliqué comment l'analyse qui intègre efficacement une collecte de données bien conçue, de bons algorithmes et des questions pédagogiques significatives peut générer des informations exploitables par l'enseignement et l'apprentissage. L'exposé s’est terminé par un aperçu des facteurs sociaux, techniques et institutionnels nécessaires à la création d'une activité réussie d'analyse de l'apprentissage.

J’ai conservé un vif souvenir de la conférence de madame Wise, suffisamment pour encore être très intéressée par le sujet de l’analyse des apprentissages, d’où cet article.

LEARN souligne plusieurs facteurs à considérer pour assurer le bien fondé de tels projets et les recherches en ce domaine continuent. Via LEARN, j’ai accédé à SOLAR, Society for Learning Analytics Research et au Journal of Learning Analytics où chercheurs et penseurs du domaine partagent leurs résultats et leurs inquiétudes.

Le premier article qui a attiré mon attention est Learning Analytics for Primary and Secondary Schools, (14) de Vitomir Kovanovic, University of South Australia, Claudia Mazziotti, Technical University Munich, Jason Lodge The University of Queensland .

Over the past decade, the increasing use of learning analytics opened the possibility of making data-driven decisions for improving student learning. … With the broader adoption of educational technologies in primary and secondary education and the emergence of new classroom-focused technologies, there has been a growing awareness of the potentials of learning analytics for supporting students and diagnosing their learning progress …

The 2017 Horizon K–12 report estimated 2–3 years as the time to broader adoption of learning analytics within primary and secondary domains, with main opportunities being to “predict learner outcomes, trigger interventions or curricular adaptations, and even prescribe new pathways or strategies to improve student success (Freeman et al., 2017 p. 44) (15). (version française, traduction par Google, révisée) (16)

L’article s’appuie sur de nombreuses études et en tire les conclusion suivantes ;

…young students’data privacy and parents’concerns are only two factors that need to be carefully considered when planning to implement the learning analytics tool at the school level. Other school-related factors that are not completely understood yet relate to the non-technical aspects of adoption such as the integration of different stakeholder perspectives, different needs, specifically designed professional development and potentially ways to deal with end-user reluctance (due to time limitations and student schedules) or low understanding of the functionality and use of learning analytics. (version française, traduction par Google, révisée) (17)

Un deuxième article est De-identification is Insufficient to Protect Student Privacy, or – What Can a Field Trip Reveal ? (18) par Elad Yacobson, Weizmann Institue of Science, Orly Fuhrman, The Center For Educational Technology, Sara Hershkovitz The Center For Educational Technology, et Giora Alexandron Weizmann Institute of Science.

Le problème :

Modern digital learning environments collect rich data that can be used to improve the design of these environments and to develop “intelligent” mechanisms for personalized learning. … the increasing collection of student data, its transfer between entities, and its use to make various decisions make the issue of student privacy and ethical use of student data a major concern … the disruptive effect of the Coronavirus pandemic on K–12 educational systems worldwide—moving education to the digital space may have a long-lasting effect In the context of privacy, this means that students will spend a larger portion of their time in learning contexts that are subject to automatic data collection, increasing the risk. (version française, traduction par Google, révisée) (19)

Synthèse de leurs conclusions suite à une étude de cas

This paper studies potential threats to student privacy in K–12 education and how that privacy may compete with learning analytics. Specifically, it does so using a case study that demonstrates how student information can be re-identified from de-identified data by linking publicly available information with the results of a temporal analysis–based clustering algorithm that has access to very simple student interaction data—time and correctness of student attempts. While the growing ecosystem of data-driven educational research and development carries a lot of potential for K–12 education, it amplifies the risk for student privacy. By revealing potential risks that learning analytics processes may pose to student privacy, we hope to contribute to the development of better technological solutions and data-sharing policies, which will eventually help reduce the risk and help learning analytics fulfill its potential for learners. (version française, traduction par Google, révisée) (20)

Un troisième article, What’s the Problem with Learning Analytics? Par Neil Selwyn, Monash University (21)

This article briefly sketch out some emerging critical concerns as digital data becomes ever more embedded in education… why I feel that learning analytics needs to be critiqued as much as possible. … This area of educational technology is taking hold at a speed and scale that academic researchers might not have noticed ... the genie is well and truly out of the bottle. … we need to challenge the idea that learning analytics is a neutral tool that can be used in any way … we need to give much more thought to the ideologies and politics of the technologies we find ourselves using. (version française, traduction par Google) révisée (22)

A Reduced Understanding of “Education”

… the core claims of learning analytics to precision, clarity, and predictability feel at odds with the many areas of education that rely on various ambiguities and uncertainties, the field of data science relies on the use of proxy indicators… instead, any data tends to slip quickly into being understood as a direct measure especially when presented conclusively in the form of dashboards, traffic lights, and other visualizations ignoring the Broader Social Contexts 

of Education… Reducing Students’ and Teachers’ Capacity for Informed Decision-Making … the concern persists that there are not enough data points in the world to adequately capture the complexities and nuances of who a student is, or how a school functions … learning analytics systems arguably run the risk of diminishing the ability of students and teachers to exercise judgment and expertise in the overall process… (version française, traduction par Google, révisée) (23)

A Means of Surveillance Rather than Support

Similar to this slippage between guidance and direction are concerns over the line between being “assisted” and being “supervised.” The concern here lies with the secondary (re)uses of learning analytics data by institutions and other “third parties.” For example, learning analytics offer a ready input into the “performative management” of teachers and the “statistical profiling” of students in terms of their associations and linkages with others. (version française, traduction par Google, révisée) (24)

A Source of Performativity

… what the system will reward; for example, “teaching to the algorithm” in a similar manner to the well-established phenomenon of “teaching to the test.” When working in educational settings overlaid with analytics, it is inevitable that teachers and students will focus on the things being analyze. (version française, traduction par Google, révisée). (25)

Disadvantaging Large Numbers of People

… concerns can be raised over the inequitable ways in which analytics systems are encountered and experienced by different groups of students and teachers. (version française, traduction par Google, révisée). (26)

Serving Institutional (Rather than Individual) Interests

…. it can be argued that the “end users” of learning analytics are not students or teachers per se. Instead, these products work primarily in the interests of school leaders and administrators, software vendors, and a range of other third parties who stand to benefit from claims to know how learning takes place. … might even be reasoned that the end users of learning analytics are increasingly machine-based rather than human. In this sense, the main users of the outputs from learning analytics systems are likely to be other analytics systems with data being passed around, recirculated, recombined, and (re)processed by other algorithms, systems, and bots. (version française, traduction par Google, révisée) (27) .

Questioning the Values of Learning Analytics

Remettre en question les valeurs de l'analyse de l'apprentissage

A Blind Faith in “Data

One of the core tenets of learning analytics is that data can be used to model learning processes that have taken place; and thereby provide a basis for making decisions regarding future learning. On one side are “dataphiles” who consider that everything is quantifiable, calculable, and potentially party to statistical control. On the other side are “data sceptics” who feel that education is an area where this logic is not appropriate. Indeed, many people contend that education … and in particular learning and teaching processes … simply cannot be subjected to what «Dave Beer» (2018) terms the “data gaze». version française, traduction par Google, révisée) (28)

Concerns over the Data Economy

… few students have any real choice about using the technologies implemented in their schools and universities, this might be most accurately described as “coerced labour.” All told, the suspicion remains that students and teachers do far more for the developers and owners of commercial learning analytics systems than the systems do for them. version française, traduction par Google, révisée) (29)

The Limits of Free “Choice” and Individual

Concerns regarding the focus of learning analytics on influencing individual decision-making regarding learning can also be raised. … learning analytics is essentially a form of individually focused behaviour management … students are not always able to act in agentic ways and simply “change” their behaviours and emotions if given appropriate feedback…. the logic of “nudging” in areas such as consumer behaviour usually does not seek to develop an individual’s capacity, but instead strives to exploit their susceptibility to external influences. Having one’s instincts shaped and nudged might well depower and infantilize students. version française, traduction par Google, révisée) (30)

An Implicit Techno-Idealism

… a belief that “the idea that given the right code, algorithms and robots, technology can solve all of mankind’s problems, effectively making life ‘frictionless’ and trouble-free”concerns remain that this technology-led mentality grossly underestimates the social complexity of educational settings … version française, traduction par Google, révisée) (31)

Potential Areas for Change Améliorations suggérées These suggest that analytics- driven education runs the risk of being reductive, non- representative, unjust, and exploitative. … this article has also pointed to a set of problematic values, assumptions, and ideologies that lie at the heart of the learning analytics approach and its implicit emphasis on using digital data to drive educational improvements all technologies are characterized by some degree of contestation and interpretive /flexibility,” especially during initial stages of design and implementation. version française, traduction par Google, révisée (32)

Rethinking the Design of Learning Analytics

… the design of analytics applications that are more open and accessible, that offer genuine control and oversight to users, and that “better reflect qualitative dimensions of [students’] lived reality. version française, traduction par Google, révisée (33)

Rethinking the Economics of Learning Analytics

…if students’ everyday uses of learning analytics systems result in their increased value and profitability, then it seems fair that these profits be shared with students … and the school version française, traduction par Google, révisée (34)

Rethinking the Governance of Learning

Analytics government agencies take responsibility for establishing procurement criteria for guidance to public schools when adopting systems. …. better awareness and understanding of data-related issues amongst educational professionals and the public, leading to sustained debate over what ends societies want data-driven education to achieve.

One useful initial focus for these conversations might be the “ethics” of learning analytics, and the moral implications of the increased use of data in education more generally … ethics should arguably be a collective responsibility, not left to developers to decide. This would require ongoing public conversations about learning analytics in terms of power, control, and disparities in access and outcome … need to move beyond talking about the ethics of learning analytics purely in terms of protecting personal data and avoiding harm. … conversations that recognize the power imbalances inherent in learning analytics, and practical ways of addressing these issues, are required. version française, traduction par Google, révisée (35)

#Leplusimportant (36)

En francophonie on se préoccupe également de l’analyse des apprentissages. #Leplusimportant est un think tank & action lab innovant et indépendant. Ce collectif citoyen promeut l’investissement dans l’humain pour réussir une transition écologique et numérique inclusive. Ce groupe a publié en janvier 2022 un livre blanc où se retrouvent 28 propositions pour mettre l’IA au service des enseignants, pour assurer l’inclusion et le développement des capacités de tous les élèves. Nathalie Bassaler, Dr Florian Forestier et Sonia Ouadda avec, pour le pôle Numérique et école inclusive de #Leplusimportant, Marie-Charlotte Bourgeois, Erik Campanini, Mathias Dufour, Ayind Mahamba, Marlène Martin, Claude Tran, Jean- Christophe Pierron, Eline Vivet-Maladry sont les auteurs de cette publication.

Les apports en éducation (de l’IA) sont en particulier significatifs pour :

• L’aide à la décision pour les enseignants (à l’organisation, à l’évaluation, etc.) comme pour les élèves (assistants personnels, chatbots, etc.) ;
• L’identification et la compréhension des causes de certaines difficultés et obstacles d'apprentissages (handicaps, décrochage) ;
• L’aide à la personnalisation par la conception de méthodes et de ressources pédagogiques ciblées, la mise en action et en situation des élèves et par le suivi plus fin de la progression des élèves, ce qui permet de diversifier et d’ajuster les choix pédagogiques des enseignants ; Sont ici les trois domaines qui concernent la question dont je traite.

Dès l’introduction de cette publication de près de 60 pages on peut lire:

# L’intelligence artificielle à l’école : une vigilance particulière s’impose
Remarquablement un peu partout au monde, citoyens éclairés et académiciens ont de semblables considérations.

Ça en chicote plusieurs !

l'IA marque cependant une rupture forte par rapport aux outils numériques actuellement mobilisés. Elle appelle de ce fait une vigilance particulière, cruciale dans un domaine aussi fondamental et sensible que l’enseignement :

• Une vigilance technique et scientifique à l’égard notamment des biais implicites que les solutions d’IA sont susceptibles d’embarquer (ex. préjugés de genre) et des risques d’endoctrinement qu’ils pourraient induire ;

• Une vigilance pédagogique pour se prémunir contre les risques d’effets pervers d’une utilisation inconsidérée de l’IA : enfermement dans des modalités pédagogiques uniques, minoration des connaissances et des savoirs au profit des seules compétences, etc. ;

• Une vigilance éthique et juridique pour empêcher l’usage incontrôlé des données personnelles des élèves, auxquelles l’IA a massivement recours ;

• Une vigilance politique, pour que l’IA ne devienne pas un vecteur de flexibilisation et de précarisation de la condition enseignante ;

• Une vigilance “anthropologique”, afin d’éviter les risques de mobilisation de l’IA au service d’une « gouvernementalité algorithmique » régulant des comportements à travers l’automatisation normalisatrice des conduites.

Voilà grossièrement ce qui me chicote relativement au projet préconisé par le MEQ. 

L’utilisation de l’intelligence artificielle à partir des données scolaires pour améliorer les performances des élèves et des systèmes d’éducation demande réflexion comme le soulignent plusieurs penseurs et chercheurs à l’international.

(1) https://www.quebec.ca/nouvelles/actualites/details/valorisation-des-donnees-du-reseau-deleducation- lintelligence-numerique-en-education-pour-la-reussite-educative-de-nos-eleves-etun- reseau-plus-efficace-38576

(2)   http://www.education.gouv.qc.ca/fileadmin/site_web/documents/ministere/brochure_consultations_16sept.pdf

(3)  https://www.magazine-savoir.ca/2016/07/06/reussite-scolaire-reussite-educative/

 
(4)  https://webzine.idello.org/reussite-scolaire-et-reussite-educative/

 
(5)  https://lactualite.com/societe/un-taux-de-diplomation-de-85-au-secondaire-quossadonnerait/

 
(6) https://ivado.ca

 
(7)  https://ivado.ca/lintelligence-numerique-pour-passer-de-la-donnee-a-la-decision/

 
(8) https://fr.wikipedia.org/wiki/Analyse_prédictive

(9)  https://www.lemagit.fr/definition/Analytique-prescriptif

 
(10) https://wiki.teluq.ca/wikitedia/index.php/Enseignement_explicite

 
(11) https://fr.wikipedia.org/wiki/Analyse_de_l’apprentissage

(12)  https://www.saltise.ca/about-saltise/

 
(13) https://www.saltise.ca/community/members/12639/

(14) https://doi.org/10.18608/jla.2021.7543

 
(15) Freeman, A., Adams Becker, S., Cummins, M., Davis, A., & Hall Giesinger, C. (2017). NMC/CoSN Horizon Report: 2017 K–12 edition, The New Media Consortium. Retrieved from https://library.educause.edu/~/media/files/library/2017/11/2017hrk12EN.pdf

(16) Au cours de la dernière décennie, l'utilisation croissante de l'analyse de l'apprentissage a ouvert la possibilité de prendre des décisions fondées sur des données pour améliorer l'apprentissage des élèves. … l'adoption plus généralisée des technologies numériques en l'enseignement primaire et secondaire, a permis une prise de conscience du potentiel de l'analyse de l'apprentissage pour soutenir les élèves et diagnostiquer leurs progrès … Le rapport Horizon K-12 de 2017 a estimé à 2-3 ans le temps nécessaire à une adoption plus généralisé de l'analyse de l'apprentissage par les établissements d’enseignement primaires et secondaires, les principales opportunités étant de «prédire les résultats des apprenants, de déclencher des interventions ou des adaptations au curriculum , et même de prescrire de nouvelles stratégies éducatives pour améliorer la réussite des élèves (Freeman et al., 2017 p. 44)

(17) … la confidentialité des données des jeunes élèves et les préoccupations des parents ne sont que deux facteurs qui doivent être soigneusement pris en compte lors de la planification de la mise en oeuvre de l'outil d'analyse de l'apprentissage au niveau de l'école. D'autres facteurs liés à l'école qui ne sont pas encore complètement compris concernent les aspects non techniques de l'adoption tels que l'intégration des différentes perspectives des parties prenantes, élèves à besoins différents, un développement professionnel spécifiquement conçu qui faciliteraient l’usage des résultat des analyses par les professionnels de l’éducation, enseignants.es, direction d’école et potentiellement des moyens de faire face à la réticence de l'utilisateur final (en raison du temps limité et les horaires des étudiants) ou une faible compréhension de la fonctionnalité et de l'utilisation de l'analyse de l'apprentissage.

(18) https://doi.org/10.18608/jla.2021.7353

(19) Les environnements d'apprentissage numériques modernes collectent des données qui peuvent être utilisées pour améliorer la conception de ces environnements et développer des mécanismes « intelligents » pour un apprentissage personnalisé. … la collecte croissante de données sur les élèves, leur transfert entre entités et leur utilisation pour prendre diverses décisions font de la question de la confidentialité des élèves et de l'utilisation éthique des données des élèves une préoccupation majeure … l'effet perturbateur de la pandémie du coronavirus sur les systèmes éducatifs de la maternelle à la 12e année dans le monde — le passage de l'éducation à l'espace numérique peut avoir un effet durable Dans le contexte de la confidentialité, cela signifie que les étudiants passeront une plus grande partie de leur temps dans des contextes d'apprentissage soumis à la collecte automatique de données, ce qui augmente le risque.

(20) Cette étude s’est penchée sur les menaces potentielles à la vie privée des élèves de la maternelle à la 12e année et comment cette vie privée peut entraver l'analyse de l'apprentissage. Plus précisément, grâce à une étude de cas qui démontre comment les renseignements sur les élèves peuvent être ré-identifiés à partir de données anonymisées en reliant des informations accessibles au public aux résultats d'un algorithme de regroupement qui a accès à des données très simples … Bien que l'écosystème croissant de la recherche et du développement pédagogiques axés sur les données présente un grand potentiel pour l'éducation de la maternelle à la 12e année, il amplifie le risque pour la vie privée des élèves. En révélant les risques potentiels que les processus d'analyse de l'apprentissage peuvent poser à la vie privée des étudiants, nous espérons contribuer au développement de meilleures solutions technologiques et politiques de partage de données, ce qui contribuera à terme à réduire le risque et à aider l'analyse de l'apprentissage à réaliser son potentiel pour les apprenants.

(21) https://doi.org/10.18608/jla.2019.63.3

(22) Cet article décrit brièvement certaines préoccupations critiques émergentes alors que les données numériques deviennent de plus en plus intégrées dans l'éducation… pourquoi je pense que l'analyse de l'apprentissage doit être critiquée autant que possible. … Ce domaine de la technologie éducative s'installe à une vitesse et à une échelle que les chercheurs universitaires n'auraient peut-être pas remarqués... le génie est bel et bien sorti de la bouteille. … nous devons remettre en question l'idée que l'analyse de l'apprentissage est un outil neutre qui peut être utilisé de n'importe quelle manière … nous devons réfléchir beaucoup plus aux idéologies et aux politiques des technologies que nous utilisons.

(23) … les revendications fondamentales de l'analyse de l'apprentissage en matière de précision, de clarté et de prévisibilité sont en contradiction avec les nombreux domaines de l'éducation qui reposent sur diverses ambiguïtés et incertitudes, … le domaine de la science des données repose sur l'utilisation d'indicateurs indirects… au lieu de cela, toutes les données ont tendance à glisser rapidement pour être compris comme une mesure directe, en particulier lorsqu'il est présenté de manière concluante sous la forme de tableaux de bord, de feux de circulation et d'autres visualisations ignorant les contextes sociaux élargis de l'éducati… l'inquiétude persiste qu'il n'y ait pas suffisamment de points de données dans le monde pour saisir de manière adéquate les complexités et les nuances de qui est un élève, ou comment fonctionne une école … les systèmes d'analyse de l'apprentissage risquent sans doute de diminuer la capacité des élèves et des enseignants à exercer leur jugement et leur expertise dans le processus global…

(24) Semblables à ce glissement entre l'orientation et la direction, il y a des préoccupations concernant la frontière entre être « assisté » et être « supervisé ». La préoccupation ici réside dans les (ré)utilisations secondaires des données d'analyse de l'apprentissage par les institutions et d'autres « tiers ». Par exemple, l'analyse de l’apprentissage offrent une contribution immédiate à la « gestion performative » des enseignants et au « profilage statistique » des étudiants en termes d'associations et de liens avec les autres.

(25) … ce que le système récompensera ; par exemple, "l'enseignement pour l'algorithme" d'une manière similaire au phénomène bien établi de "l'enseignement pour le test". Lorsque vous travaillez dans des environnements éducatifs constamment analysés, il est inévitable que les enseignants et les étudiants se concentrent sur les éléments analysés.

(26) … des inquiétudes peuvent être soulevées quant aux manières inéquitables dont les systèmes d'analyse perçoivent différents groupes d'étudiants et d'enseignants.

(27) …. on peut affirmer que les « utilisateurs finaux » de l'analyse de l'apprentissage ne sont pas les étudiants ou les enseignants en tant que tels. Au lieu de cela, ces produits fonctionnent principalement dans l'intérêt des chefs d'établissement et des administrateurs, des éditeurs de logiciels et d'une gamme d'autres tiers qui pourraient bénéficier des prétentions à savoir comment l'apprentissage se déroule. … On pourrait même penser que les utilisateurs finaux de l'analyse de l'apprentissage sont de plus en plus des machines plutôt que des humains. En ce sens, les principaux utilisateurs des résultats des systèmes d'analyse de l'apprentissage seront probablement d'autres systèmes d'analyse, les données étant transmises, (re)circulées, (re)combinées et (re)traitées par d'autres algorithmes, systèmes et bots.

(28) L'un des principes fondamentaux de l'analyse de l'apprentissage est que les données peuvent être utilisées pour modéliser les processus d'apprentissage qui ont eu lieu ; et fournir ainsi une base pour prendre des décisions concernant l'apprentissage futur. D'un côté, les « dataphiles » qui considèrent que tout est quantifiable, calculable, et potentiellement assujetti au contrôle statistique. De l'autre côté se trouvent les « sceptiques des données » qui estiment que l'éducation est un domaine où cette logique n'est pas appropriée. En effet, de nombreuses personnes soutiennent que l'éducation… et en particulier les processus d'apprentissage et d'enseignement… ne peuvent tout simplement pas être soumis à ce que « Dave Beer » (2018) appelle le « data gaze » que je nommerais l’admiration béate des données.

(29) … peu d'étudiants ont vraiment le choix d'utiliser les technologies mises en oeuvre dans leurs écoles et universités, cela pourrait être décrit avec plus de précision comme du « travail forcé ». Tout compte fait, le soupçon demeure que les étudiants et les enseignants font beaucoup plus pour les développeurs et les propriétaires de systèmes commerciaux d'analyse de l'apprentissage que les systèmes ne font pour eux.

(30) Des préoccupations concernant l'accent mis par l'analyse de l'apprentissage sur l'influence sur la prise de décision individuelle concernant l'apprentissage peuvent également être soulevées. … l'analyse de l'apprentissage est essentiellement une forme de gestion du comportement centrée sur l'individu … les étudiants ne sont pas toujours capables d'agir de manière agentique … (Selon Milgram, lorsque l’individu est intégré à une organisation sociale hiérarchique et qu’il est confronté à une autorité, il peut subir une sorte d’altération de son fonctionnement psychologique habituel permettant d’accepter le contrôle total de l’autorité (état qualifié d’« agentique »). Lorsque les comportements sont induits par un ordre, cela tend à réduire l’expérience subjective d’être l’auteur de l’action) … et simplement de « changer » leurs comportements et leurs émotions s'ils reçoivent une rétroaction appropriée…. la logique du « coup de pouce » dans des domaines tels que le comportement des consommateurs ne cherche généralement pas à développer la capacité d'un individu, mais s'efforce plutôt d'exploiter sa susceptibilité aux influences extérieures. Avoir ses instincts façonnés et poussés pourrait bien affaiblir et infantiliser les élèves.

(31) … une croyance selon laquelle "qu'avec le bon code, les bons algorithmes et les bons robots, la technologie peut résoudre tous les problèmes de l'humanité, rendant la vie "sans friction" et sans problème", les inquiétudes demeurent que cette mentalité axée sur la technologie sous-estime grossièrement la complexité sociale des milieux éducatifs…

(32) Les propose ci-dessus suggèrent que l'éducation axée sur l'analytique court le risque d'être réductrice, non représentative, injuste et exploitante. … cet article a également souligné un ensemble de valeurs, d'hypothèses et d'idéologies problématiques qui sont au coeur de l'approche de l'analyse de l'apprentissage et son influence implicite sur l'utilisation des données numériques pour conduire à des améliorations de l’éducation … toutes les technologies sont caractérisées par un certain degré de contestation et d'interprétation / flexibilité », en particulier lors des premières étapes de conception et de mise en oeuvre.

(33) … la conception d'applications analytiques plus ouvertes et accessibles, qui offrent un contrôle et une supervision véritables aux utilisateurs, et qui « reflètent mieux les dimensions qualitatives de la réalité vécue par les étudiants.

(34) … si l'utilisation quotidienne par les élèves des systèmes d'analyse de l'apprentissage entraîne une augmentation de leur valeur et de leur rentabilité, il semble juste que ces bénéfices soient partagés avec les élèves … et l'école

(35) Les agences gouvernementales d'analyse prennent la responsabilité d'établir des critères d'approvisionnement pour guider les écoles publiques lors de l'adoption de systèmes. …. … une meilleure prise de conscience et une meilleure compréhension des questions liées aux données parmi les professionnels de l'éducation et le public, conduisant à un débat soutenu sur les objectifs que les sociétés souhaitent atteindre avec une éducation basée sur les données. Un objectif initial utile pour ces conversations pourrait être «l'éthique» de l'analyse de l'apprentissage et les implications morales de l'utilisation accrue des données dans l'éducation plus généralement… l'éthique devrait sans doute être une responsabilité collective, et non laisser la décision aux développeurs. Cela nécessiterait des discussions publiques continues sur l'analyse de l'apprentissage en termes de pouvoir, de contrôle et de disparités dans l'accès et les résultats… il faut aller au-delà de la discussion sur l'éthique de l'analyse de l'apprentissage uniquement en termes de protection des données personnelles et d'évitement des préjudices. … des conversations qui reconnaissent les déséquilibres des pouvoir inhérents à l'analyse de l'apprentissage et des moyens pratiques de résoudre ces problèmes sont nécessaires.

(36) https://transitioninclusive.org/wp-content/uploads/2022/01/Livre-Blanc-IA-eneducation- 26janv2022-1.pdf