À un moment où l’IA remodele la manière dont les élèves apprennent et les enseignants enseignent, peu de voix sont aussi influentes que la Dre Kristen DiCerbo, directrice de l’apprentissage à Khan Academy. Récemment, ETS s’est entretenu avec DiCerbo pour explorer comment la conception d’apprentissage fondée sur des preuves, les technologies émergentes et l’engagement envers l’équité éducative se conjuguent pour façonner l’avenir de l’enseignement personnalisé.
Dans cette conversation, DiCerbo offre un rare regard en coulisses sur ce que requiert réellement une innovation significative dans l’éducation. Elle explore ce qui fonctionne, ce qui doit encore être résolu, et comment les éducateurs peuvent naviguer dans ce paysage en mutation avec optimisme et clarté.
En tant que Chief Learning Officer chez Khan Academy, vous avez été à l’avant-garde de l’intégration de l’IA dans les expériences d’apprentissage. Qu’est-ce qui vous enthousiasme le plus dans l’utilisation des signaux comportementaux pour mesurer des compétences au-delà des évaluations traditionnelles ?
DiCerbo : Je pense en fait que ce que l’IA nous offre, ce ne sont peut-être pas des signaux comportementaux, mais de nouvelles activités. Nous travaillons depuis plus de dix ans à utiliser des signaux comportementaux dans l’évaluation, avec des preuves issues de simulations et de jeux. Je dirais que la chose la plus passionnante avec l’IA générative et l’évaluation, c’est qu’elle permet de nouveaux types d’interactions. Par exemple, les élèves peuvent avoir des conversations avec l’IA qui imitent des conversations du monde réel. Ils peuvent aussi générer des résultats visuels d’une manière qui n’était jamais possible auparavant.
Pourquoi pensez-vous que c’est le bon moment pour repenser la façon dont nous mesurons les compétences comme la collaboration et la persévérance ?
DiCerbo : La possibilité d’avoir de nouveaux types d’interactions conversationnelles ouvre des moyens plus authentiques d’évaluer des concepts comme la collaboration et la communication. Par exemple, si nous voulions évaluer la persuasion, les individus pouvaient avoir des conversations avec une IA pour les persuader de prendre position. Avant l’IA générative, les conversations en évaluation n’étaient pas possibles. Prenons l’évaluation PISA 2015 sur la résolution collaborative de problèmes. Pour simuler des dialogues collaboratifs de résolution de problèmes, les créateurs du test devaient utiliser la sélection à choix multiple où les candidats choisissaient quelle option « dire » ensuite. Cela limitait considérablement l’espace de solution possible pour les candidats et rendait évidemment l’expérience beaucoup moins proche d’une véritable conversation de résolution de problèmes. Aujourd’hui, avec l’IA générative, nous avons la possibilité que les étudiants participent à des conversations comme ils le feraient avec des humains pour démontrer leurs compétences. Bien sûr, cela demande un effort considérable, notamment pour tenter de guider les réponses de l’IA aux contributions des élèves.
Concernant la persistance en particulier, je la vois différemment des concepts ci-dessus. La persistance consiste essentiellement à observer si quelqu’un continue d’essayer malgré l’échec. Nous avons pu observer cela dans les environnements numériques depuis au moins une décennie (comme je l’ai écrit ici en 2016).
Y a-t-il des opportunités d’intégrer des données multimodales, comme la voix ou le geste, dans les évaluations ? Quels défis ou considérations éthiques impliquent cela ?
DiCerbo : En lançant Khanmigo, le tuteur alimenté par l’IA pour les élèves et assistant des enseignants de Khan Academy, nos fonctionnalités de synthèse vocale et de reconnaissance vocale ont été bien accueillies, notamment comme moyens de réduire la charge de lecture et de taper. À mesure que nous entrons dans l’évaluation, le défi d’inclure la voix ou le geste sera d’éviter les biais dans la notation.
Où voyez-vous le plus grand potentiel dans l’utilisation de l’IA et des données comportementales pour la mesure des compétences, et quelles limites les éducateurs doivent-ils garder à l’esprit ?
DiCerbo : Nous sommes ravis d’avoir piloté une fonctionnalité intitulée « Expliquez votre réflexion » avec environ 8 000 élèves au cours de l’année écoulée. Les élèves répondent à une question mathématique traditionnelle puis dialoguent avec l’IA générative dans lequel on leur demande d’expliquer la raison de leur réponse. L’activité vise à imiter ce que font les enseignants lorsqu’ils s’assoient à côté d’un élève et posent des questions sur son travail. Comme des recherches précédentes menées à l’ETS, nous avons constaté que les élèves révèlent plus de compréhension de leur compréhension dans ces scénarios qu’en saisissant simplement une réponse. Cela signifie que les enseignants et autres parties prenantes obtiennent plus d’informations sur ce que les élèves savent et peuvent faire.
Comment équilibrez-vous la profondeur des connaissances issues de ces approches innovantes avec le besoin de scalabilité et de praticité en classe ?
DiCerbo : Comme pour beaucoup de choses en évaluation, l’innovation se débute mieux dans l’espace formatif où les conséquences pour des choses comme l’augmentation de l’erreur de mesure sont minimes. Si un étudiant passe un peu de temps à s’entraîner à quelque chose qu’il a déjà maîtrisé parce qu’une évaluation a indiqué qu’il ne l’avait pas maîtrisé, ce n’est pas une erreur fatale. Les évaluations en classe avec l’IA générative peuvent être créées assez facilement par les enseignants, comme ce professeur l’a fait en créant des examens oraux pour sa classe.
En regardant vers l’avenir, quel rôle voyez-vous pour l’IA dans la création d’évaluations authentiques et culturellement adaptées ?
DiCerbo : Nous avons besoin de plus de recherches pour savoir si la personnalisation possible avec des évaluations alimentées par l’IA générative aboutit à des évaluations plus valides et fiables. Il est certain que l’inclusion de connaissances de base non pertinentes pour les constructs peut entraîner une baisse de la validité pour certains candidats. Il est possible que l’utilisation de l’IA générative, des items d’évaluation et des activités puissent être ajustés pour prendre en compte les expériences individuelles, le langage et la compréhension culturelle des élèves. Cependant, faire cela tout en respectant les définitions standards du construit évalué n’est pas une tâche simple.
Quelles recherches ou innovations vous enthousiasment le plus dans les prochaines années pour mesurer les compétences concrètes à travers le comportement ?
DiCerbo : J’ai mis les innovations dans plusieurs casques. Voici ce qui m’enthousiasme.
- Technologie existante mais que nous n’avons pas encore optimisée pour l’évaluation :
- IA agentique - permet de séparer différentes parties du processus d’évaluation par un agent spécialisé
- Grandes fenêtres contextuelles - fournir à l’IA de grandes quantités d’informations peut aider à fournir un retour et un score riches en contexte grâce à des grilles d’évaluation complexes
- Technologie disponible dans les 12 prochains mois :
- Un streaming de texte, d’audio et de vidéo abordable – permettant à la fois au candidat et à l’IA d’interagir de multiples façons, comme dans cette démo de Sal et de son fils
- IA explicable - comprendre que le raisonnement IA soutiendra mieux des applications comme le score, où les scores « boîte noire » ne sont pas utiles pour fournir un retour aux apprenants
- Modèles sur l’appareil respectueux de la vie privée - répondront aux préoccupations concernant le partage des données et la confidentialité
- Technologie disponible dans les 1 à 3 prochaines années :
- Simulations multi-agents – les passants interagissent avec plusieurs IA qui jouent des rôles différents dans l’évaluation, simulant des scénarios réels de groupe