LE DEVELOPPEMENT DE L'ENSEIGNEMENT

INTELLIGEMMENT ASSISTE PAR ORDINATEUR

Patrick MENDELSOHN

Pierre DILLENBOURG

ConfÈrence donnÈe ý la rÈunion de
Association de Psychologie Scientifique de Langue FranÁaise
Symposium Intelligence Naturelle et Intelligence Artificielle
Rome, 23-25 septembre 1991

Table des MatiËres

Introduction

Depuis les premiers systËmes d'EAO, mis au point dans les annÈes 60, les chercheurs se sont efforcÈs de construire des logiciels dont l'objectif est d'amÈliorer les conditions dans lesquelles l'enseignement est dispensÈ dans des domaines bien dÈfinis. TICCIT et PLATO (Morisson, 1975; Murphy et Appel, 1977) sont deux exemples sur une grande Èchelle de ce que peuvent Ítre des projets dont le but explicite est de promouvoir un enseignement plus efficace et ý un moindre cošt. Ces environnements proposent tout une game d'activitÈs autour du jeu situation-problËme et des simulations interactives, mais sans rÈellement s'intÈresser aux raisons de l'efficacitÈ des systËmes proposÈs.

Depuis quelques annÈes en revanche on peut noter que les recherches sur l'apprentissage humain et plus gÈnÈralement sur la cognition ont recentrÈ les applications de l'informatique sur des problËmes plus directement liÈs ý l'apprentissage qu'ý l'enseignement. Une premiËre consÈquence de cette Èvolution est que certains systËmes reposent maintenant sur des modËles du fonctionnement cognitif ou plus gÈnÈralement sur des thÈories (LOGO est un bon exemple) dont il est possible d'Ètudier ainsi les contraintes d'implÈmentation. Leur statut initial d'outil au service de l'enseignement s'est parfois transformÈ en celui de laboratoire pour le chercheur en Sciences Cognitives. L'intrusion des techniques d'intelligence artificielle dans ce domaine autrefois rÈservÈ aux classiques architectures dites "Tourne-Page" a largement contribuÈ ý cette Èvolution.

Notre objectif est de proposer une vue gÈnÈrale sur la contribution de l'IA au dÈveloppement de l'enseignement assistÈ par ordinateur. L'Intelligence Artificielle sera pris ici comme un ensemble de techniques informatiques qui apportent ý l'ordinateur une certaine compÈtence ý rÈsoudre des problËmes dans des domaines comme ceux du raisonnement ou de la comprÈhension du langage naturel. Nous soulignons qu'il n'entre pas dans notre propos de nous intÈresser ici ý la simulation des processus cognitifs humains impliquÈs dans l'apprentissage.

Pour caractÈriser cette Èvolution, nous reprendrons partiellement une thËse dÈfendue il y a quelques annÈes par Park et Tennyson (1983) qui constataient ý l'Èpoque un dÈplacement significatif de l'intÈrÍt des chercheurs. Si la conception des sytËmes reposait au dÈpart exclusivement sur des mÈthodes d'enseignement dont il apparaÓt en gÈnÈral qu'on ignore les effets sur les processus d'acquisition, on constate maintenant que les environnements d'apprentissage reprÈsentent des tentatives pour Ètablir des connections directes entre telle ou telle variable de situation et les performances du sujet. Par la suite, les premiers seront qualifiÈs de systËmes "orientÈs modËles d'enseignement", les seconds de systËmes "orientÈs thÈories de l'apprentissage". La plupart des systËmes classiques d'EIAO relËvent de la premiËre catÈgorie. Ils sont orientÈs vers la dÈmonstration que des techniques d'Intelligence Artificielle (par exemple, le traitement du langage naturel ou encore l'utilisation de systËmes experts) peuvent Ítre appliquÈes au domaine de l'enseignement sans prÈoccupation de validation expÈrimentale des effets de ces systËmes sur telle ou telle variable liÈe aux processus d'acquisition. A l'opposÈ, les environnements reposant sur des thÈories de l'apprentissage comme LOGO, les tuteurs de J.R. Anderson (Anderson et Reiser, 1985) ou encore plus modestement celui que nous dÈveloppons ý GenËve sont directement utilisables comme des stations expÈrimentales pour valider une composante ou un modËle bien prÈcis de l'apprentissage.

Cette distinction n'est pas classiquement admise dans la littÈrature. Mais elle nous semble tout ý fait pertinente ý l'heure o˜ les frontiËres entre les disciplines que nous reprÈsentons sont l'objet d'un dÈbat animÈ. Sur le problËme des aides fournies ý l'ÈlËve par exemple, il est frÈquement invoquÈ par les chercheurs qui s'intÈressent aux environnements informatiques d'apprentissage que la reprÈsentation spatiale de l'historique d'une procÈdure de rÈsolution de problËme (comme dans ALGEBRALAND ou GEOMETRY-TUTOR) contribue ý une meilleure gestion de la planification de la t’che sans validation directe des effets de cette reprÈsentation, ni du domaine de validitÈ d'une telle assertion.

L'EIAO classique: les systËmes "orientÈs modËles de l'enseignement"

Les applications des techniques et des principes de l'Intelligence Artificielle ý l'enseignement ont donnÈ naissance ý un certain nombre de dÈnominations pour caratÈriser les produits qui en sont issus. Parmi les plus frÈquement utilisÈs on peut citer les termes d'"Enseignement Intelligemment AssistÈ par Ordinateur" (traduction approximative de ICAI), "Tuteur Intelligent" (Intelligent Tutoring System) ou encore Environnement Intelligent d'apprentissage (Intelligent Learning Environment). Nous n'entrerons pas ici dans le dÈbat sÈmantique qui caractÈrise les subtiles diffÈrences entre ces systËmes, nous dirons simplement qu'ils reprÈsentent chacun des compromis diffÈrents sur la question du degrÈ de flexibilitÈ dans l'interaction entre l'ÈlËve et le programme (le modËle de rÈfÈrence en ce qui concerne cette flexibilitÈ dans le contrÙle de l'activitÈ restant presque toujours la relation maÓtre-ÈlËve ou ÈlËve-ÈlËve).

En effet, un systËme d'EIAO ne doit pas Ítre simplement capable de produire des rÈponses toutes faites aux interrogations de l'ÈlËve, il doit aussi pouvoir utiliser et traiter des connaissances stockÈes dans le systËme pour faire face ý des questions non-prÈvues spÈcifiquement dans l'implÈmentation. En thÈorie, un systËme d'EIAO produit des rÈponses sur la base de connaissances accumulÈes au cours d'une session d'apprentissage. Ces systËmes peuvent aussi mener des dialogues en langue naturelle bien que cette derniËre caractÈristique soit de moins en moins pertinente en raison, d'une part, des progrËs des interfaces graphiques qui offrent des solutions moins cošteuses et, d'autre part, des difficultÈs inhÈrentes ý la production du langage naturel.

Il existe plusieurs maniËres de classer les systËmes d'EIAO. D'un point de vue historique, on peut considÈrer comment les systËmes se sont regroupÈs spontanÈment en familles de logiciels autour d'une problÈmatique bien dÈfinie. On peut aussi les catÈgoriser en comprÈhension ý partir de leurs composantes. Nous avons choisi de combiner ces deux approches en espÈrant que le lecteur pourra en tirer un meilleur profit.

Principales composantes d'un systËme d'EIAO:

Comme c'est le cas pour toute situation d'enseignement, les principales fonctions d'un tutoriel intelligent doivent lui permettre de rÈpondre ý trois questions: Quel contenu enseigner ? Comment diagnostiquer les difficultÈs de l'ÈlËve ? Et quelle mÈthode ou stratÈgie d'enseignement adopter ? Dans notre jargon de concepteur de systËmes, ces fonctions se rÈfËrent, dans l'ordre, au module expert, au modËle de l'ÈlËve et au modËle pÈdagogique. A ces trois composantes il faut ajouter une entitÈ qui joue un rÙle important bien qu'il soit difficile de la considÈrer comme une composante fonctionnelle du systËme, l'interface utilisateur.

L'histoire et/ou la taxonomie des environnements d'EIAO peut s'Ècrire de diffÈrentes faÁons mais tous ceux qui ont tentÈ de le faire - en particulier Wenger (1987) - ont constatÈ que l'Èvolution des systËmes est souvent liÈe ý une attention plus ou moins grande portÈe ý l'une ou l'autre de ces composantes.

Les premiers systËmes, mis au point au dÈbut des annÈes 70, sont principalement centrÈs sur la reprÈsentation des connaissances dans le domaine de rÈfÈrence, par exemple SCHOLAR et SOPHIE (Carbonell, 1970; Brown, Burton et Bell, 1975). A partir du milieu des annÈes 70, on peut facilement constater que c'est le modËle de l'ÈlËve et plus prÈcisÈment le diagnostic des erreurs qui retient l'attention des chercheurs. La tentative la plus reprÈsentative reste celle de BUGGY (Brown et Burton, 1978). SimultanÈment ý cet intÈrÍt pour le modËle de l'ÈlËve, le module pÈdagogique et les stratÈgies d'enseignement commencent ý faire l'objet de reprÈsentations calculables comme dans WEST (Burton et Brown, 1976). Enfin, ce n'est que tardivement que les chercheurs rÈalisent que l'interface est une composante de tout premier ordre dans les processus d'apprentissage. En combinant les possibilitÈs de manipulations directes et le rÈalisme des reprÈsentations, les interfaces graphiques actuelles ont contribuÈ ý crÈer un vÈritable langage avec une sÈmantique relativement familiËre et triviale.

L'objectif commun ý toutes les projets de recherche en EIAO est de construire un systËme performant sur ces quatre axes. Les temps de dÈveloppement et les problËmes rencontrÈs malheureusement font que bien souvent un travail approfondi dans une des directions citÈes se traduit par des faiblesses sur les autres axes de recherche. Un tutoriel doit Ítre cependant ÈvaluÈ autant sur sa capacitÈ ý maÓtriser l'ensemble de ces problËmes que sur les performances du systËme sur une de ces dimensions.

Le Module Expert

Une des principales caractÈristiques d'un tutoriel intelligent, comme pour un enseignant, est d'Ítre compÈtent dans la matiËre qu'il enseigne. Imaginons par exemple un logiciel qui enseigne la dÈtection de panne sur un circuit Èlectrique. Le concepteur pourrait prÈvoir de faire travailler l'ÈlËve sur un certain nombre de cas dÈfinis ý l'avance et pour lesquels il dispose de solutions toutes faites, qu'il prÈsente ý l'apprenant lorsqu'il constate des Èchecs rÈpÈtÈs. En EIAO, l'approche consiste ý doter le systËme d'une capacitÈ de raisonner sur n'importe quel problËme du domaine (bien sšr, dans les limites imposÈes par la syntaxe du langage de commande). Par exemple, le systËme doit Ítre capable de rÈsoudre un problËme que lui proposera l'ÈlËve. Il pourra aussi suivre l'ÈlËve dans sa dÈmonstration sans que celle ci suive obligatoirement un cheminement prÈvu d'avance. En outre, cette compÈtence permet au tutoriel d'exposer son raisonnement et de justifier ses dÈcisions. Une consÈquence majeure de cette avancÈe se retrouve dans l'Èvolution globale des systËmes d'enseignement assistÈ par ordinateur qui de la programmation de solutions prÈdÈfinies se sont orientÈs vers celle des processus de rÈsolution.

Cette composante est appelÈe modËle du domaine ou modËle de l'expert. Plusieurs systËmes, dont le cÈlËbre GUIDON (Clancey, 1979) ont d'ailleurs, en toute logique, ÈtÈ construits ý partir de systËmes experts prÈexistants comme modËle du domaine. Ces premiËres tentatives ont cependant montrÈ que les explications fournies par un systËme-expert (en gÈnÈral, la trace des rËgles qu'il a utilisÈes) n'Ètaient pas suffisantes dans le contexte Èducatif. Ce constat est ý l'origine d'une Èvolution des modËles de l'expert (et de certains systËmes-experts) vers, d'une part, des modes de raisonnement plus proches de ceux qu'utilisent les experts humains et, d'autre part, vers une reprÈsentation explicite des stratÈgies de rÈsolution de problËme (auparavant implicitement distribuÈes parmi les prÈmisses des rËgles). Grace ý ces stratÈgies, le tutoriel peut avantageusement modifier le raisonnement de l'expert, par exemple pour le contraindre ý ne pas utiliser des concepts complËtement Ètrangers ý l'ÈlËve (sinon ce dernier ne pourrait comprendre ni les rÈsultats, ni les explications de l'expert).

Importance des modËles qualitatifs
Cette approche se complique encore si l'on tient compte du fait que l'ÈlËve adopte parfois un point de vue qui diffËre radicalement de celui de l'expert. Les dÈveloppements rÈcents convergent vers la nÈcessitÈ de doter l'expert de multiples points de vue sur son domaine. Dans certains cas, ces points de vue n'ont pas la mÍme validitÈ et il devient intÈressant de les considÈrer comme des Ètapes au sein d'une progression pÈdagogique. L'aprentissage apparaÓt alors davantage comme une succession de re-conceptualisations (globales ou partielles) du domaine. Cette conception est illustrÈe par le tutoriel QUEST (White et Frederiksen, 1985) qui prÈvoit la progression de l'apprenant ý travers trois modËles de fonctionnement d'un circuit Èlectrique. Il commence par apprendre ý raisonner sur un modËle qualitatif (prÈsence ou absence de courant dans le circuit), en second lieu l'ÈlËve est confrontÈ ý un modËle semi-quantitatif (augmentation ou diminution de l'intensitÈ) et, en dernier lieu seulement, le modËle quantitatif est abordÈ (loi d'Ohm, etc.).
Modes de reprÈsentation des connaissances
Les modes de reprÈsentation utilisÈs pour le module expert sont trËs variÈs et les auteurs de systËmes ont fait appel ý presque toutes les solutions disponibles en IA:

- les rÈseaux sÈmantiques comme dans SCHOLAR (Carbonell, 1970). La matiËre ý enseigner, ici la gÈographie de l'AmÈrique du Sud, est reprÈsentÈe dans un rÈseau dont les noeuds sont des objets gÈographiques et des concepts. Du fait de l'organisation hiÈrarchique de ces objets par des relations du type "superpart", "superconcept" ou superattribute" des infÈrences simples peuvent Ítre rÈalisÈes par propagation. Les limitations inhÈrentes ý ce mode de reprÈsentation sont bien entendu liÈes au fait qu'il n'est pas possible de reprÈsenter des connaissances procÈdurales sur un tel mode.

- les systËmes de production sont utilisÈs pour construire des reprÈsentations modulaires de compÈtences avec une organisation en catÈgories abstraites indÈpendantes des processus qui permet de rÈaliser des calculs sur cette connaissance. Une des contributions majeures de Clancey (1983) avec le programme GUIDON est d'avoir proposÈ une mÈthodologie pour ce type de modËle dont on peut rÈsumer les Ètapes essentielles de la maniËre suivante:

- les schÈmas qui sont des structures de donnÈes incluant des informations dÈclaratives et procÈdurales sont maintenant largement utilisÈs par les concepteurs de programmes en raison des facilitÈs de programmation apportÈes par les langages de programmation orientÈs objets.

Tous ces modes de reprÈsentation (sans oublier aussi la logique de premier ordre ou les automates ý Ètats finis) sont bien sšr interchangeables et il arrive bien souvent que les concepteurs utilisent plusieurs modes de reprÈsentation dans un mÍme systËme pour bÈnÈficier des avantages de chacun.

Le modËle de l'ÈlËve

Un logiciel d'EAO classique adapte ses rÈactions aux comportements de l'ÈlËve en choisissant, par exemple, un feedback appropriÈ ý l'erreur que l'ÈlËve a commise ou en ajustant encore la difficultÈ de l'exercice au nombre d'erreurs commises au cours de la leÁon. Les concepteurs de tutoriels ont comme ambition d'amÈliorer cette prise d'information, limitÈe gÈnÈralement dans les environnements classiques ý une rÈponse ou quelques seuls paramËtres quantitatifs. Cette amÈlioration est rÈalisÈe en construisant en quelque sorte un portrait des connaissances de l'ÈlËve qui s'enrichit ý chaque Ètape de l'apprentissage. Ce portrait porte le nom de modËle de l'ÈlËve.

Pour reprendre l'exemple des circuits electriques citÈ prÈcÈdemment, imaginons qu'un ÈlËve doive reconnaÓtre un montage en parallËle ou en sÈrie ý partir d'une dizaine d'exemples prÈsentÈs ý l'Ècran. Au terme de la sÈrie d'exercices, il est Èvident que connaÓtre le score de cet ÈlËve, par exemple 4 rÈussites sur 10 est bien moins intÈressant que de dÈterminer la cause commune ý toutes ses erreurs. Certaines techniques d'IA permettent ainsi de remonter la chaÓne d'infÈrences que le sujet a hypothÈtiquement suivie afin de dÈterminer la cause de son Èchec.

Le tutoriel pourra par exemple dÈcouvrir que l'ÈlËve a appliquÈ la formule du calcul de rÈsistance en parallËle chaque fois que le circuit prÈsentait des rÈsistances gÈomÈtriquement parallËles (mais fonctionnellement en sÈrie). Le modËle de l'ÈlËve sert ainsi ý construire un diagnostic qui pourra servir au systËme pour prendre une dÈcision de nature didactique (questionnement, explications, remÈdiation...).

Le modËle de recouvrement (overlay model)
Dans les systËmes d'EIAO, l'Ètat des connaissances de l'ÈlËve est gÈnÈralement reprÈsentÈ comme un sous-ensemble des connaissances du module expert. DËs lors, le modËle de l'ÈlËve est construit en comparant la performance de l'apprenant avec celle que l'expert aurait produite dans les mÍmes circonstances. Cette technique a ÈtÈ baptisÈe "overlay paradigm", elle est applicable chaque fois que l'expertise est reprÈsentÈe sous la forme d'un systËme de rËgles de production. Le tutoriel "WUSOR", adaptÈ sur un jeu vidÈo, utilise une technique de ce type et Goldstein (1982) rappelle que la mise ý jour du modËle de recouvrement repose sur plusieurs sources d'information:

Deux limitations sont gÈnÈralement invoquÈes ý propos de ces techniques de recouvrement: la premiËre difficultÈ tient au problËme plus gÈnÈral de la reprÈsentation des connaissances dans le module expert, Ètant donnÈ que la reprÈsentation de celles de l'ÈlËve en dÈcoule directement. Les connaissances du novice correspondent bien souvent non pas ý un sous-ensemble des connaissances de l'expert mais ý une conceptualisation globalement diffÈrente du domaine. Pour dÈpasser cette difficultÈ, il faudrait imaginer pour chaque problËme plusieurs modËles d'experts rÈgulÈs par un meta-expert qui choisirait le modËle appropriÈ ý la dÈmarche de l'ÈlËve. La seconde difficultÈ est liÈe au modËle lui-mÍme. Le paradigme de recouvrement prÈsuppose qu'une performance non optimale est le rÈsultat d'un mauvais choix stratÈgique et non celui d'une erreur opÈratoire commise lors du dÈroulement d'une stratÈgie dont la validitÈ est pourtant avÈrÈe. Cette nuance importante sera au centre des prÈoccupations des modËles dits "buggy models".
Le modËle des erreurs (buggy model)
Une autre approche consiste ý utiliser les erreurs les plus frÈquemment rencontrÈes chez les ÈlËves comme des variantes possibles du modËle de l'expert (Brown et Burton, 1978). BUGGY et les systËmes DEBUGGY et IDEBUGGY dans le domaine de l'enseignement de l'algËbre sont les exemples les plus reprÈsentatifs de cette approche. Ils ont dÈmontrÈ ý la fois la faisabilitÈ et la pertinence, pour un domaine restreint donnÈ, de la mise au point d'un catalogue complet d'erreurs de nature procÈdurale. Les implications de recherches de ce type sur l'Ètude des processus d'acquisition tiennent au fait que comprendre l'origine des "bugs" (en Ètant capable de les reproduire artificiellement) a des consÈquences non nÈgligeables sur les stratÈgies pÈdagogiques de remÈdiation.
A quoi sert le modËle de l'ÈlËve ?
C'est peut Ítre Self (1988) qui a le plus clairement analysÈ le rÙle et l'usage effectif du modËle de l'ÈlËve dans les tuteurs intelligents. Il a pu ainsi dÈgager six fonctions principales: correction de l'erreur, aide ý l'Èlaboration d'une action ý entreprendre quand l'erreur est due ý une procÈdure incomplËte, mise en oeuvre d'une stratÈgie globale pour proposer un nouveau plan d'actions, construction d'un diagnostic, prÈvision d'actions futures (fonction prÈdictive) et enfin Èvaluation du travail fourni par l'ÈlËve.

L'ambiguitÈ du statut du modËle de l'ÈlËve illustre bien la complÈmentaritÈ des collaborations qui sont nÈcessaires entre les psychologues et les informaticiens. Les premiers s'intÈressent en prioritÈ ý la validitÈ psychologique du modËle construit. Celle ci est ÈvaluÈe en comparant les diagnostics produits par le systËme et ceux produits une dÈmarche expÈrimentale. Pour Self (1988), par contre, l'informaticien devrait garder ý l'esprit l'utilitÈ pÈdagogique du diagnostic construit, c'est ý dire la dÈcision pour laquelle la prise de dÈcision s'avËre nÈcessaire. Ce principe fut appliquÈ ý PROTO-TEG (Dillenbourg, 1989), un systËme qui construit ses critËres de diagnostic directement en observant pour quel type d'ÈlËve chacune de ces stratÈgies pÈdagogiques est efficace.

Ce modËle de l'ÈlËve peut Ítre aussi utilisÈ pour diffÈrencier les erreurs dues ý des connaissances mal apprises ou mal utilisÈes de celles qui auraient pour origine la fatigue, la distraction ou encore une charge cognitive trop importante. Le chantier ouvert par la modÈlisation de l'apprenant, on le voit, rÈvËle des problËmes thÈoriques et mÈthodologiques qui ne devraient pas laisser les psychologues indiffÈrents.

Le module pÈdagogique

En tant qu'hÈritier des bases thÈorique et idÈologique de l'enseignement programmÈ, l'EAO classique a privilÈgiÈ des mÈthodes pÈdagogiques minimisant le risque d'erreur de l'apprenant en forÁant l'apprenant ý rester dans le "droit chemin" des connaissances correctes. A l'opposÈ et sous l'influence des thÈorie constructivistes qui soulignent l'importance de l'activitÈ du sujet dans la construction des connaissances, les partisants de LOGO ont mis l'accent sur la valeur Èducative des erreurs que commet l'ÈlËve lorsqu'il explore librement un micromonde. Le dÈfi des concepteurs de tutoriels intelligents est d'adopter une voie intermÈdiaire qui permet ý l'ÈlËve d'explorer ses propres solutions tout en Ètant capable de lui fournir une aide lorsqu'il est "perdu", qu'il tourne en rond ou que ses erreurs ne lui apportent plus d'informations pertinentes.

En raison de la libertÈe accordÈe ý l'ÈlËve, l'intervention du tutoriel ne peut pas Ítre prÈdÈfinie, elle doit Ítre ÈlaborÈe sur la base des informations prÈsentes dans le modËle de l'ÈlËve et dans le module expert du domaine. Un module pÈdagogique est donc un ensemble de spÈcifications sur la maniËre dont le systËme doit construire ses interventions. Ce module interagit avec l'ÈlËve plus ou moins directement en sÈlectionnant les problËmes qu'il doit rÈsoudre, en le guidant vers la solution, en critiquant ses performances, en lui fournissant une aide appropriÈe lorsque l'ÈlËve le.lui demande, en montrant des exemples.

Le module pÈdagogique peut Ítre plus ou moins complexe suivant les prÈtentions des concepteurs dans ce domaine. Il peut mettre en oeuvre simplement un systËme de rËgles de production sur la base de connaissance fournie par le modËle de l'ÈlËve. Il peut en outre Ítre capable d'Èlaborer de vÈritables dialogues avec l'ÈlËve comme dans SCHOLAR ou SOPHIE (Carbonell, 1970; Brown et al., 1975). Il peut aussi tenter d'adapter les mÈthodes de planification dynamique dÈveloppÈe en IA (blackboard architecture) afin de permettre au tutoriel de rÈorganiser ses propres plans en fonction des rÈactions de l'ÈlËve.

Deux modËles d'interaction sont le plus souvent utilisÈs dans les tuteurs existants:
- la mÈthode socratique qui consiste ý questionner l'ÈlËve de maniËre ý le faire progresser dans ses connaissances sur un sujet donnÈ en traquant ses erreurs. Cette mÈthode a ÈtÈ utilisÈe avec un certain succËs dans les premiers systËmes tuteurs: SCHOLAR, SOPHIE et WHY. Sur ces tuteurs qui sont orientÈs vers l'acquisition de connaissances plus factuelles que procÈdurales, l'initiative mixte permet d'obtenir une certaine souplesse dans la conversation (le tuteur ou l'ÈlËve peuvent chacun poser des questions). Le seul inconvÈnient de cette stratÈgie est un risque de dÈstructuration du dialogue si l'initiative mixte est utilisÈe de maniËre trop intempestive.

- le guidage dans un environnement de type micromonde, ou sur une simulation, consiste ý procurer une aide interactive ý un ÈlËve qui se trouve engagÈ dans la rÈsolution d'un problËme par l'intermÈdiaire d'un langage de commande. Cette mÈthode se retouve dans les tuteurs WEST ou STEAMER dont nous avons dÈjý parlÈ. Dans le cas de WEST par exemple, le guidage est particuliËrement discret et efficace grace ý une bonne analyse des heuristiques du sujet. Ceci est rendu possible par la faible Ètendue de l'espace du problËme. Le guidage obÈit ainsi ý un certains nombre de principes plus ou moins explicites qu'il est possible de rÈsumer de la maniËre suivante:

Pour Burton et Brown (1979), ces objectifs se traduisent par un certains nombre de rËgles de bonne conduite de la part du guide: 1) interventions effectives du tuteur pour Èviter les effets "plancher" et "plafond" susceptibles de dÈtruire l'intÈrÍt pour la t’che ý rÈaliser. 2) interventions pertinentes du point de vue du dÈroulement de la t’che. Cela suppose un monitoring efficace du plan d'action suivi par le sujet. 3) non intervention s'il s'avËre qu'elle est non pertinente.

La composante dialogue est cependant moins utilisÈe dans les systËmes les plus rÈcents en raison des difficultÈs inhÈrentes ý la production du langage naturel. Elle est progressivement remplacÈe par des messages organisÈs sous la forme d'hypertexte ou par des reprÈsentations graphiques sophistiquÈes qui permettent ý l'ÈlËve d'observer ses propres stratÈgies comme dans ALGEBRALAND (Brown, 1983) ou GUIDON (Clancey, 1983).

L'interface

Comme nous venons de le voir, la conception des stratÈgies est fortement assujettie aux modalitÈs de communication entre l'ÈlËve et l'ordinateur. La qualitÈ de cette interface est fondamentale afin que les Èchanges entre l'ÈlËve et le systËme ne soient pas rÈduits ý des Èchanges de messages codÈs.

MalgrÈ les difficultÈs inhÈrentes au traitement du langage naturel, il reste que le dialogue est une des maniËres par lesquelle l'ÈlËve exerce sa capacitÈ pour construire une argumentation. Certains tutoriels rÈcents vont plus loin que les prototypes SCHOLAR et SOPHIE dans cette direction, c'est le cas de DECIDER, ÈlaborÈ par Bloch et Farrel (1988). La t’che de l'ÈlËve est de proposer une forme d'intervention amÈricaine au Nicaragua. Le tutoriel ne cherche pas ý enseigner ce que serait une bonne ou une mauvaise intervention, il l'ignore lui-mÍme. Il se contente de contrer les propositions ou les arguments de l'ÈlËve en dÈcrivant des ÈvÈnements historiques (Vietnam, Cuba..) au cours desquels une intervention similaire n'a pas donnÈ les rÈsultats escomptÈs. De plus, il observe la faÁon dont l'ÈlËve tient compte de ses contre-arguments. La description verbale de ces ÈvÈnements est accompagnÈe de la prÈsentation d'une brËve sÈquence vidÈo.

D'autre part, les ordinateurs actuels et certains logiciels utilisÈs dans notre secteur de recherche offrent des possibilitÈs graphiques trËs sophistiquÈes. La conception graphique de l'interface apparaÓt de plus en plus comme une composante cruciale dans la conception d'un tutoriel. Sans faire rÈfÈrence aux seules qualitÈs esthÈtiques ou dÈcoratives que peuvent avoir un logiciel, il est possible d'augmenter la qualitÈ de l'interaction avec l'ÈlËve par une reprÈsentation plus rÈaliste et bien organisÈe des informations. L'usage combinÈ de la souris et des fenÍtres a accru les possibilitÈs de manipulation directe des objets, comme dans les situations de construction d'une figure en gÈomÈtrie ou d'un circuit electrique par exemple. Par ailleurs, plusieurs travaux rÈcents visent ý amener l'ÈlËve ý participer ý la construction ou ý observer une reprÈsentation spatialisÈe d'une entitÈ abstraite telle que sa reprÈsentation du problËme ou son cheminement dans le graphe du problËme (Collins et Brown, 1987). En devenant observables, ces entitÈs permettent de concrÈtiser des activitÈs de niveau mÈta-cognitif, telles que discuter de "ce que l'on a compris de l'ÈnoncÈ" ou de l'efficacitÈ d'une stratÈgie de rÈsolution de problËme.

L'Èmergence actuelle des thÈories dites "situated learning" accroÓt encore l'importance du rÙle de l'interface au sein d'un logiciel d'enseignement. L'Ècran n'est plus vraiment pensÈ comme une interface au sens d'un medium permettant l'accËs aux reprÈsentations symboliques internes du modËle de l'expert. Dans cette perspective, l'Ècran devient moyen de construction par l'apprenant des reprÈsentations externes indispensables ý la rÈsolution d'un problËme. Son statut dans les processus d'apprentissage s'en trouve ainsi modifiÈ.

Limites des systËmes d'EIAO "orientÈs modËles d'enseignement"

Ce rapide tour d'horizon sur les systËmes exitants montre le formidable potentiel de recherche offert par ce domaine d'application de l'IA, mais il fait ressortir aussi les limitations inhÈrentes ý cette entreprise. Tout d'abord il existe trËs peu de systËmes qui dÈpassent le simple stade de prototype, quand ce n'est pas celui de maquette. Ensuite, les performances de ces systËmes ne sont pas satisfaisantes. En 1982, Sleeman et Brown dÈcrivaient les dÈfauts de ces tutoriels de la maniËre suivante:

Ces dÈfauts pourraient Ítre encore, plus de dix ans aprËs, attribuÈs ý la plupart des systËmes actuels bien que sur certains points des progrËs notables aient ÈtÈ accomplis. Cela tient au fait qu'ils sont liÈs ý des limitations propres aux diffÈrentes disciplines impliquÈes dans le dÈveloppement des tutoriels intelligents:

Ces limitations sont accentuÈes par le fait que les systËmes dont nous avons parlÈ jusqu'ý prÈsent ont mis l'accent presque exclusivement sur les capacitÈs d'interaction entre l'homme et la machine. La plupart des problËmes abordÈs par les logiciels d'EIAO sont trËs simples et limitÈs ý des domaines bien dÈfinis sans espoir de pouvoir ý brËve ÈchÈance gÈnÈraliser leurs rÈsultats. Une maniËre de sortir de cette impasse, qui lie les progrËs des tutoriels aux progrËs des techniques d'intelligence artificielle, serait de fonder plus intimement l'architecture et la conception de ces systËmes sur les rÈsultats des recherches dans le domaine de l'apprentissage et de l'instruction. C'est une voie initiÈe il y a dÈjý quelques temps par Anderson (Anderson et Reiser, 1985) avec GEOMETRY et LISP TUTOR (qui a produit d'ailleurs les seuls systËmes que l'on trouve dans le commerce); ainsi que Tennyson, Christensen et Park, (1985) avec MAIS. Si l'on compare les objectifs et les mÈthodes de l'EAO et de l'EIAO, on se rend compte que l'Èvolution des systËmes EIAO les conduit ý intÈgrer progressivement le souci d'efficacitÈ et les objectifs de modÈlisation que les premiers logiciels d'enseignement avaient ý coeur de dÈfendre.

Dans la seconde partie de ce chapitre, nous dÈcrirons briËvement les fondements de l'approche alternative ý celle des systËmes orientÈs "modËles de l'enseignement" en illustrant notre propos par une description du systËme MEMOLAB que nous dÈveloppons actuellement ý GenËve.

Les systËmes "orientÈs thÈorie de l'apprentissage"

Si l'on s'intÈresse ý l'Èducation et ý l'enseignement, et qu'on a l'ambition de doter un systËme artificiel de compÈtences dans ce domaine, il n'est pas possible d'ignorer tout ce qui touche ý l'apprentissage, la mÈmoire ou la cognition. Une thÈorie de l'instruction, pour reprendre une terminologie de GagnÈ (1987), doit pouvoir dÈfinir avec prÈcision les variables et les conditions qui 1) amÈliorent la prise d'information et l'acquisition de connaissances et 2) favorisent la rÈtention et la recherche de ces informations en mÈmoire. A priori, une telle thÈorie, ý condition qu'elle existe, est difficilement applicable par un enseignant dans son cours, car ses capacitÈs de traitement et la quantitÈ de t’ches annexes qu'il doit accomplir rendent peu probable le recours ý de telles mÈthodes. Mais il ne paraÓt pas impossible de penser qu'un ordinateur, dont le talent pour traiter des paramËtres n'est plus ý dÈmontrer, ne puisse pas effectuer en temps rÈel les calculs nÈcessaires ý la gestion d'un modËle formel complexe.

Pour la construction de tels systËmes, Park et Tennysson (1987) proposent de distinguer deux niveaux de reprÈsentation pour la manipulation des variables affectant l'instruction. Le premier niveau baptisÈ "MACRO Level" se rÈfËre au curriculum et concerne principalement la mÈmoire et la cognition; il gËre globalement l'environnement et les conditions dans lesquelles un ÈlËve travaille (style cognitif, rÈsultat ý des tests de niveaux, connaissances). Le second niveau dÈnommÈ "MICRO Level" est reliÈ aux ÈvÈnements associÈs directement avec l'apprentissage; c'est lý que sont pris en compte au fur et ý mesure les besoins de l'apprenant (temps d'exposition, quantitÈ d'information fournies, format de reprÈsentation).

Cette distinction, bien que discutable sur le choix de certains paramËtres annoncÈs, a le mÈrite d'ancrer la prise d'information et les processus de dÈcisions sur le fonctionnement de l'apprenant plus que sur des modËles ad hoc de l'enseignement. Nous avons adoptÈ pour MEMOLAB une approche similaire sur le fond, mais quelque peu diffÈrente sur la forme. Au lieu de nous intÈresser ý des paramËtres tirÈs isolÈment de leur contexte, nous avons choisi d'implÈmenter un modËle qui prend en compte simultanÈment les contraintes du dÈcoupage d'un domaine de connaissances et celles du fonctionnement du sujet.

MEMOLAB: objectifs et description du systËme.

L'objectif pÈdagogique de MEMOLAB est l'apprentissage des connaissances impliquÈes dans la dÈmarche expÈrimentale en psychologie (et plus gÈnÈralement en Sciences Humaines). Ces connaissances sont mises en oeuvre dans un laboratoire artificiel qui permet la simulation d'expÈriences sur la mÈmoire humaine. Globalement, l'activitÈ d'un sujet sur l'environnement est cyclique: ConcrËtement, construire une expÈrience dans MEMOLAB, consiste ý assembler, sous la forme d'une sÈquence, des ÈvÈnements discrets sur un "plan de travail". Un ÈvÈnement, c'est l'association de quatre composantes: un groupe de sujets, un matÈriel ý mÈmoriser et une t’che. Construire un plan d'expÈrience, c'est crÈer une sÈquence non instanciÈe sur le "plan de travail" et l'instancier par la dÈfinition d'une table de facteurs ý n-dimensions (n Ètant le nombre de facteurs indÈpendants manipulÈs dans l'expÈrience).

Il est Èvident que l'ensemble des compÈtences impliquÈes dans la maÓtrise de l'expertise que nous venons de dÈcrire ne peut pas faire l'objet d'une acquisition en bloc dËs les premiËres manipulations (Beauvois, Roulin et Tiberghien, 1990). L'intÈgration des connaissances de plus en plus complexes dans un domaine quelconque suppose que l'environnement d'apprentissage propose une hiÈrarchie en niveaux homogËnes et cohÈrents que l'apprenant peut maÓtriser progressivement. Cette "simplification didactique" peut Ítre rÈalisÈe a priori, arbitrairement, suivant un plan issu d'observations empiriques ou bien en rÈfÈrence ý un modËle cognitif de l'intÈgration des connaissances. C'est cette derniËre voie que nous avons choisie. Le modËle qui nous paraÓt le mieux adaptÈ est celui que Case (1985) a formulÈ dans le cadre des recherches dites "nÈo-piagÈtiennes".

Le modËle de l'intÈgration hiÈrarchique de R. Case

Pour Case, la notion de base de l'analyse du fonctionnement intellectuel et de son dÈveloppement en niveaux (ou stades) est la structure de contrÙle (executive control structure). Quel que soit le domaine de connaissance, Case analyse la conduite du sujet en la considÈrant comme l'exÈcution d'un plan interne (mental plan) de rÈsolution de problËme. Ce plan peut Ítre dÈfini comme une sÈquence (un programme) composÈe de schËmes figuratifs et/ou opÈratifs (les schËmes figuratifs reprÈsentant des Ètats et les schËmes opÈratifs des transformations). L'organisation d'ensemble du plan se fait suivant trois composantes: Chacune de ces composantes comprend plusieurs Ètapes: l'articulation de chaque ÈlÈment de la reprÈsentation de la situation-problËme avec son correspondant sur les objectifs; ensuite, l'articulation de chaque objectif avec l'Ètape suivante de la situation problËme; enfin, la relation de ces deux types d'articulation avec la stratÈgie qui en dÈcoule. Cet ensemble constitue une unitÈ qui permet de parler de structure et la notation utilisÈe par Case permet d'avoir une vue d'ensemble du processus de rÈsolution de problËme associÈ ý une t’che bien dÈfinie. L'analyse qui permet de construire ces structures se fait d'un point de vue dÈveloppemental en procÈdant domaine par domaine. Une des caractÈristiques du modËle de Case est d'articuler les changements quantitatifs ý l'intÈrieur d'un stade (augmentation du nombre d'unitÈs activables en mÈmoire de travail) avec les changements qualitatifs entre les stades du dÈveloppement.

Ce qui distingue les stades du dÈveloppement des sous-stades c'est la nature des ÈlÈments que traitent les structures de contrÙle: Case les appelle "les unitÈs de base de la pensÈe". Dans le dÈveloppement (et probablement aussi dans l'acquisition d'expertise), on retrouve ainsi la succession classique en quatre niveaux:

La question de savoir comment se forment les nouvelles unitÈs et comment un sujet change de stade conduit de la description du dÈveloppement ý son explication. Chaque nouveau sous-stade d'un mÍme stade se caractÈrise par la coordination d'une nouvelle unitÈ de base ý l'intÈrieur de la structure de contrÙle. On passe ainsi de deux unitÈs coordonnÈes au premier sous-stade ý quatre unitÈs au troisiËme sous-stade. La coordination des unitÈs de base au dernier sous-stade atteint une complexitÈ telle qu'elle correspond ý une unitÈ de base du stade supÈrieur. Celui-ci commence ý dÈrouler ses sous-stades quand la structure de contrÙle coordonne deux de ses nouvelles unitÈs de base et ainsi de suite. Le dernier sous-stade peut Ítre considÈrÈ comme le dernier sous-stade du nouveau stade suivant. En d'autres termes, la structure de contrÙle d'un stade ý quatre unitÈs (mesurÈ par le nombre d'ÈlÈments qui peuvent Ítre maintenus en mÈmoire de travail) peut Ítre traduite et formulÈe en une structure de contrÙle ý une unitÈ du stade suivant. Il s'agit lý d'un processus d'abstraction. Le nouveau stade consiste en l'intÈgration dans une seule structure de contrÙle de deux structures de contrÙle formÈes pendant le stade prÈcÈdent et dont la fonction Ètait diffÈrente ý cet ancien stade. C'est le processus de l'intÈgration hiÈrarchique. Au nouveau stade, l'une de ces anciennes structures est subordonnÈe ý l'autre, en gÈnÈral comme moyen pour atteindre un but, alors qu'auparavant les deux structures fonctionnaient sÈparÈment. Une des modifications les plus spectaculaires du passage d'un niveau de compÈtence donnÈ ý un niveau supÈrieur rÈside dans le fait que les structures de contrÙle sont au dÈpart indÈpendantes les unes des autres et deviennent ensuite intÈgrÈes de faÁon hiÈrarchisÈe.

Le phÈnomËne qui permet le passage d'un sous-stade au suivant, c'est l'augmentation de la capacitÈ de stockage ý court terme de l'information (STSS pour Short Term Storage Space). Cette capacitÈ se dÈveloppe ý l'intÈrieur de l'espace total de traitement (TPS pour Total Processing Space) qui comprend aussi une capacitÈ opÈratoire dÈdiÈe au contrÙle du schËme en cours (OS pour Operating Space). STSS augmente d'une part avec l'’ge par des processus liÈs ý la maturation du systËme nerveux et, d'autre part, avec l'entraÓnement des schËmes gr’ce ý un gain en efficacitÈ opÈrationnelle des reprÈsentations et opÈrations impliquÈes dans la structure de contrÙle. Ainsi, au fur et ý mesure que le sujet s'exerce, il libËre de l'espace supplÈmentaire en mÈmoire ý court terme pour stocker de nouveaux objectifs. Une consÈquence incidente de cet aspect du modËle est qu'un environnement d'apprentissage doit favoriser cet entraÓnement par des exercices (sur le modËle des didacticiels classiques) au service de l'Èconomie gÈnÈrale du systËme cognitif du sujet.

L'intÈgration hiÈrarchique de deux structures de contrÙle est donc soumise ý une augmentation de l'efficacitÈ opÈrationnelle des schËmes qui les composent. Cette efficacitÈ dÈpend Ètroitement du taux d'activitÈ du sujet qui doit passer par plusieurs Ètapes au cours des phases d'apprentissage:

La mÈtaphore de la pyramide et le "language shift"

Dans la conception du dÈveloppement ÈlaborÈ par Case, l'accent est mis sur le fait que le sujet est avant tout un "rÈsolveur de problËmes" plus qu'un sujet qui s'approprie des "outils" comme dans les conceptions de Bruner ou de Vygotsky ou plus qu'un "scientifique" comme le perÁoit implicitement Piaget. Dans cette perspective, l'enseignement doit donc faciliter le dÈveloppement des capacitÈs de rÈsoudre les problËmes qu'un apprenant rencontre dans un environnement donnÈ. A cette fin, un environnement d'apprentissage doit prendre en compte: Ces principes dÈterminent en quelque sorte une mÈthodologie pour la conception d'un environnement d'apprentissage. Le systËme permet donc de tester ý la fois un modËle du dÈveloppement cognitif appliquÈ ý l'acquisition d'une expertise complexe (le raisonnement expÈrimental) et une mÈthodologie de dÈveloppement d'un logiciel. Il nous reste maintenant ý construire les passerelles indispensables pour faire se rejoindre le modËle cognitif et les spÈcifications nÈcessaires ý son implÈmentation. Pour cela nous avons utilisÈ une reprÈsentation intermÈdiaire qui joue le rÙle d'"objet pour penser" le problËme en termes informatiques.

La pyramide est une mÈtaphore qui reprÈsente la structure de notre environnement: les concepts et les savoir-faire que l'apprenant doit maÓtriser sont ordonnÈs de haut en bas en fonction de leur niveau d'abstraction et du type d'objets soumis au contrÙle des sujets. Apprendre, sur ce modËle, consiste ý s'Èlever sur l'axe vertical de la pyramide en franchissant successivement les diffÈrents niveaux. Le rÙle du tuteur est de faciliter cette "ÈlÈvation" en prenant en charge (temporairement) le contrÙle des objectifs les plus ÈlevÈs. Chaque niveau qualitatif est dÈfini par un langage de commande, un langage de description et une classe de problËmes. Le vocabulaire du langage de commande reprÈsente l'ensemble des actions ÈlÈmentaires qu'un sujet peut contrÙler ý un niveau quelconque de son "dÈveloppement". La syntaxe du langage dÈtermine de quelle maniËre le sujet peut composer les sÈquences ÈlÈmentaires d'actions. Dans le modËle de Case, cette syntaxe correspond aux relations entre les schËmes. Ces relations dÈfinissent l'organisation des schËmes au sein de la structure de contrÙle. Le langage de description est dÈfini comme l'ensemble des symboles et des reprÈsentations utilisÈes par le tuteur pour rÈflÈchir, dans les actions du sujet, ce qui lui paraÓt essentiel du point de vue de la construction du plan d'expÈrience. Cette description a comme fonction de "rÈifier" les ÈlÈments abstraits de sa conduite dans le but de les rendre explicites et disponibles pour une "rÈflexion" ultÈrieure. Le sujet pourra ainsi prendre en charge une partie du contrÙle qui lui Èchappait du fait de la surcharge cognitive provoquÈe par la complexitÈ de la t’che.

Le langage de commande et le langage de description sont diffÈrents ý chaque niveau de la pyramide. La hiÈrarchie intrinsËque que suppose cette mÈtaphore implique que chaque niveau intËgre les potentialitÈs des niveaux qui lui sont infÈrieurs. Cette intÈgration est contenue dans les relations qui existent entre les langages utilisÈs ý des niveaux succesifs de la pyramide: si un langage de description du niveau N est utilisÈ comme nouveau langage de commande au niveau N + 1, alors l'apprenti est obligÈ d'utiliser explicitement les concepts qui ont ÈtÈ "rÈifiÈs" au niveau N. Par exemple, le dÈcoupage proposÈ dans les connaissances enseignÈes dans MEMOLAB permet une intÈgration des savoir-faire depuis les plus ÈlÈmentaires: Èvaluer l'effet d'une source de variation (niveau 1), jusqu'ý celles qui permettent ý l'apprenti-chercheur de "penser" son expÈrience sur un plan multidimensionnel (niveau 4). Nous avons appelÈ ce mÈcanisme la substitution de langage ("language shift" Dillenbourg, ý paraÓtre). On peut considÈrer ce processus comme un analogue du processus d'intÈgration hiÈrarchique du modËle de Case tel que nous l'avons dÈcrit plus haut. Seule diffÈrence, il se prÈsente maintenant sous une forme opÈrationnalisable dans un systËme informatique. Le langage de commande reprÈsente les schËmes "compilÈs" dans le programme, le langage de description, les effets spÈcifiques de ces mÍmes schËmes sur la structure de contrÙle. L'entraÓnement de ces schËmes associÈs en une nouvelle sÈquence par le cycle Èvaluation, Ètiquetage et automatisation permettra au sujet d'utiliser le langage de description fourni comme un nouveau langage de commande. Cette phase correspond dans le modËle de Case ý la nÈcessaire automatisation des structures de contrÙle (cycle: activation, Èvaluation, Ètiquetage et consolidation) qui permettent de libÈrer suffisamment d'espace en mÈmoire de travail pour intÈgrer de nouveaux objectifs.

La pyramide de MEMOLAB possËde trois niveaux construits autour de la complexitÈ croissante des plans d'expÈrience. D'autres connaissances indispensables, en statistique et sur le contenu des expÈriences, occupent dans notre modËle une place particuliËre. Leur maÓtrise se trouvent subordonnÈe ý la construction des plans, de la mÍme maniËre que Case suppose que toute intÈgration de deux structures de contrÙle est subordonnÈe ý l'une d'entre elle.

Chaque niveau est donc dÈfini par:

La structure d'un environnement d'apprentissage peut ainsi se rÈsumer comme une sÈquence de quadruplets (classe de problËmes, langage d'action, langage de reprÈsentation et exercices), sÈquence dans laquelle la relation entre deux ensembles est dÈcrite par le mÈcanisme du "language shift".

Suivant ce modËle, il est possible de dÈcrire maintenant les trois niveaux de la pyramide de MEMOLAB:

Niveau 0. PrÈrequis: utilisation de l'interface.

L'objectif est ici d'apprendre ý construire un Èvenement et ý le positionner sur le plan de travail pour le rendre actif. Chaque ÈvÈnement est composÈ de quatre ÈlÈments (les sujets, le matÈriel, la t’che et la mesure associÈe ý cette t’che). La construction de cet objet-ÈvÈnement est supposÈe acquise au dÈbut d'un cycle d'apprentissage (il commence rÈellement au niveau 1 ý construire des expÈriences). Le sujet doit rÈaliser que les ÈvÈnements intÈressants sont ceux qui assurent une cohÈrence interne forte entre ses composantes. Par exemple, la t’che demandÈe doit Ítre pertinente par rapport au matÈriel proposÈ. Cette Ètape vise ý construire des familles d'ÈvÈnements type du genre: encodage, maintien, rappel....

La structure de contrÙle secondaire subordonnÈe ý cette acquisition concerne l'apprentissage des diffÈrentes valeurs que peuvent prendre les paramËtres associÈs ý chaque composante de l'ÈvÈnement: nombre de sujets, longueur des listes, valeurs affectant les mots qui constituent la liste (degrÈ de familiaritÈ, signification...)

Niveau 1. Des ÈvÈnements aux sÈquences: l'identification des sources de variation.

Les questions qui se posent ý l'apprenant, ý ce niveau, concernent l'identification des paradigmes pertinents pour l'Ètude de la mÈmoire. Les objets soumis au contrÙle du sujet sont les ÈvÈnements, sa t’che consiste ý les assembler pour former des sÈquences significatives. Les sÈquences qui ont certains traits communs appartiennent ý une mÍme famille: c'est ce que l'on appelle un paradigme. Par exemple, le paradigme du rappel libre se compose d'une phase d'encodage, suivie d'une pÈriode plus ou moins longue de maintien de l'information et enfin une phase de rappel sans contrainte d'ordre. Le rÙle du systËme est de "rÈflÈchir" une image des liens entre les ÈvÈnements par leur regroupement en sÈquences d'un certain type (le paradigme). Les outils de statistique descriptive (dÈnombrement, moyenne et variance) constituent la structure de contrÙle subordonnÈe ý la structure "paradigme".

Niveau 2. Des paradigmes ý la comparaison de groupes sur un seul facteur:

A ce niveau, les objets contrÙlÈs sont les ÈvÈnements, organisÈs en sÈquences, que le sujet a construits au niveau 1. Il peut donc directement invoquer et positionner sur le plan de travail un paradigme spÈcifique, par exemple le paradigme du rappel libre. L'apprenant instancie ensuite cette sÈquence en modifiant directement la valeur d'un paramËtre ý travers les diffÈrents ÈvÈnements qui composent une sÈquence. Le systËme propose quant ý lui une reprÈsentation (le langage de description) qui met en Èvidence la nature comparative de l'expÈrience sur un facteur pouvant comprendre plusieurs modalitÈs. Ce type d'expÈrience suppose que le sujet ne fasse varier qu'un seul paramËtre ý la fois pour valider les infÈrences qu'il pourra rÈaliser ý l'aide des outils statistiques. Les outils statistiques associÈs ý ce niveau permettent de rÈaliser des comparaisons de moyennes (en particulier le t de student).

Niveau 3. Du plan simple ý l'interaction:

A l'aube de ce niveau, le sujet maÓtrise les comparaisons sur un facteur. Le systËme lui permet d'utiliser globalement ces comparaisons comme des objets instanciables. Les commandes sont celles qui permettent de rÈaliser cette instanciation ý partir d'un objet "plan-ý-deux-facteurs". L'apprenti-chercheur crÈe un plan d'expÈrience sur l'Ècran comme une structure de contrÙle vide. La complexitÈ des problËmes posÈs suppose explicitement une analyse qui fait ressortir l'interaction entre les facteurs comme une source de variation ý part entiËre (c.ý.d. au mÍme titre que les effets simples des facteurs). Les outils statistiques associÈs ý ce niveau permettent des comparaisons de moyenne qui relativisent les variations inter-groupe par rapport aux variations intra-groupe (F de SnÈdecor, par exemple).

Le passage d'un niveau de la pyramide au niveau supÈrieur est liÈ ý la substitution du langage de commande par le langage de description. Par exemple, le concept de sÈquence est utilisÈ au niveau 1 pour dÈcrire aux apprentis leur propre travail (langage de description). L'association systÈmatique d'une structure de comportements et de sa reprÈsentation graphique permet d'induire la signification de cette reprÈsentation. Au niveau 2, le concept de sÈquence et sa reprÈsentation graphique sont intÈgrÈs dans le nouveau langage de commande. De cette maniËre, nous contraignons l'apprenant ý utiliser ce concept pour "penser" ses nouvelles expÈriences. Plusieurs auteurs ont insistÈ sur l'exploitation des rÈifications graphiques pour supporter la rÈflexion de l'apprenant. Par le dynamisme des modes d'interaction, nous souhaitons aller plus loin et contraindre le sujet ý l'utiliser afin de l'exploiter comme moteur d'apprentissage.

Ce mÈcanisme est reproduit ý chaque transition entre niveau. Les diffÈrences entre sÈquences sont - pour prendre un autre exemple - rÈifiÈes au niveau 2 et deviennent au niveau 3 la faÁon de crÈer un plan expÈrimental. A l'intÈrieur d'un niveau, la rÈalisation d'expÈriences de plus en plus complexes entraÓne un accroissement sÈvËre de la charge cognitive de l'apprenant. Comme le prÈcise Case, le passage au niveau supÈrieur est rendu nÈcessaire par le caractËre limitÈ de notre mÈmoire de travail. AprËs la substitution de langage, l'apprenant dispose de nouvelles commandes qui prennent en charge la mise en oeuvre de sÈquence d'actions que l'apprenant devait prÈalablement gÈrer lui-mÍme. Ceci libËre les ressources cognitives nÈcessaires ý l'ÈlËve pour se concentrer sur des aspects plus complexes de la t’che. Pour Case, cette rÈduction de la charge cognitive rÈsulte d'une automatisation par l'apprenant de ses structures de contrÙle. Sans sous-estimer ce phÈnomËne, nous lui ajoutons l'automatisation informatisÈe comme un coup de pouce pour amener l'ÈlËve ý prendre en compte des niveaux plus ÈlevÈs d'abstraction.

Conclusion

La validitÈ de la mÈtaphore de la pyramide n'a pas ý Ítre prouvÈe formellement. Son intÈrÍt rÈside dans sa valeur heuristique et nous avons montrÈ qu'elle peut Ítre utilisÈe comme interface entre plusieurs conceptions thÈoriques qui jusqu'ý prÈsent ne "parlaient" pas le mÍme langage. Nous avons par ailleurs mis en correspondance la structure de la pyramide avec le concept de zone proximale de dÈveloppement de Vygotsky (1978). Notre approche permet deux stratÈgies de recherche complÈmentaires: d'une part, nous enrichissons les recherches sur l'enseignement assistÈ par ordinateur d'une mÈthodologie de dÈveloppement et d'une assise thÈorique qui lui faisaient souvent dÈfaut dans les travaux issus de l'IA, d'autre part, nous proposons ý la psychologie cognitive dÈveloppementale un laboratoire pour Èprouver ses modËles en testant leur faisabilitÈ. Autre avantage de cette approche, un environnement intelligent d'apprentissage comme MEMOLAB prend en compte la richesse et la complexitÈ des processus cognitifs impliquÈs dans l'enseignement d'une discipline. Par exemple, l'importance des mÈcanismes de dÈcouverte, le rÙle de l'entraÓnement, le raisonnement par analogie et les effets du guidage de l'action sont intÈgrÈs ý un environnement comme MEMOLAB, comme ils le sont dans le monde rÈel. Outre le micro-monde (laboratoire artificiel) et l'hypertexte, MEMOLAB comporte plusieurs composantes entre lesquelles les interventions pÈdagogiques ont ÈtÈ distribuÈes. Trop longtemps, la recherche en EAO a isolÈ des processus d'acquisition dont la fonction complÈmentaire Ètait sous-estimÈe. Cette ultime remarque nous amËne ý constater qu'une des dÈfinitions les plus classiques de l'intelligence s'appliquerait alors pleinement ý notre environnement: celle qui met en avant la richesse des capacitÈs d'adaptation d'un systËme ý son environnement.

RÈfÈrences Bibliographiques