1.
20201116, 18h Kick off
PréAO : https://frama.link/20201116-KickOff-GTnum-Scol_IA
Enregistrement video : https://univ-cotedazur.zoom.us/rec/play/2-0X1IquizVZkC1Hh-vNW9uCZzO5r7gfXwpdCubSPhdoiF6YyVU_9-TCWPEdO7kgKdkGHeFyrcDkeTrD.ELN7cOhyUlUv14cC?continueMode=true
GTnum 9 : L'IA pour de nouveaux modes d'interaction, de nouveaux modes d'évaluation et une hybridation des
environnements d'apprentissage
https://scoliablog.wordpress.com/

2.
Kick off du GTnum #Scol_IA
Programme des interventions
● Bienvenue et présentations éclaires (3 min). Margarida Romero
● Enjeux des GTnum au sein de la DNE (5 min). Alain Thillay, François Bocquet, Axel Jean, Philippe Ajuelos
● Présentation du GTnum Scolia (5 min), Margarida Romero, Laurent Heiser et Maryna Rafalska
● Enjeux du numérique éducatif dans l'Académie de Nice suite aux EGNT et EGNE (5 min). Louis Giraud (DANE)
● Enjeux de l'innovation et la formation au numérique dans les Inspé (5 min). Frédérique Cauchi-Bianchi (CARDIE)
● Calendrier du GTnum Scolia (5 min). Margarida Romero, Laurent Heiser et Maryna Rafalska (COPIL GTnum #Scol_IA)
● Présentation des équipes de travail
○ T1. Formation et IA. Luis Galindo (3 min).
■ Centre International Valbonne. Eric Petit et équipe (3 min)
○ T2. Acculturation à l'IA. Michel Durampart (3 min).
○ T3. Dispositifs innovants. Magali Brunel (3 min).
○ T4. Traces d'apprentissage. Solange Cartaut (3 min).
○ T5. Modélisation. Frédéric Alexandre (3 min).
● Discussion

3.
Ressources d’intérêt
● Site web : https://scoliablog.wordpress.com/
● Calendrier des activités du mois de novembre : https://scoliablog.wordpress.com/2020/11/11/agenda/
● Calendrier du projet : https://frama.link/GTnum-Scolia-Calendrier
● Projet GTnum #Scol_IA : https://frama.link/Scol_IA
Réseaux sociaux :
● Twitter : https://twitter.com/Scol_IA
● ResearchGate : https://www.researchgate.net/project/GTnum-Scol-IA/
● LinkedIn : https://www.linkedin.com/groups/12478400/
● Facebook : https://www.facebook.com/GTnum.Scol.ia/
Sélection de références : https://www.zotero.org/groups/2598243/gtnum_scol_ia/library

4.
GTnum #Scol_IA : Kesako ?
Bienvenue au GTnum Scolia (5 min), Margarida Romero, Laurent Heiser et Maryna Rafalska
Les GTnum sont des groupes de travail numériques (GTnum) sélectionnés par la Direction du Numérique Educatif (DNE) pour
● l’avancement scientifique sur la thématique,
● le développement et analyse des pratiques sur le terrain
● et l’acculturation des acteurs éducatifs sur la thématique.
Le GTnum 9 #Scol_IA est orienté sur la thématique “Intelligence artificielle et éducation”.
Pour développer ces objectifs,
● Structuration en 5 équipes de travail
● Approche en science ouverte et participative
● Ouverture trans et interdisciplinaire
● Ancrage à la fois territoriale et internationale
T1. Formation à l’IA
T2. Acculturation à l’IA
T3. Dispositif innovants
T4. Trace d’apprentissage
T5. Modélisation de l’apprenant

5.
Les enjeux des GTnum au sein de la DNE
Enjeux des GTnum au sein de la DNE (5 min). Alain Thillay, François Bocquet, Axel Jean, Philippe Ajuelos
Les groupes thématiques numériques de la DNE produisent des travaux de recherche sur le numérique éducatif : pratiques pédagogiques ; technologie
et impact ou potentiel pour l'enseignement ; enseignement, contexte et culture numérique - par exemple.
Animés par un ou plusieurs laboratoires accompagnés par les délégations académiques du numérique pour l'éducation (DANE), ils visent à livrer des
études, des enquêtes, des expériences / expérimentations et à documenter par des travaux de recherche des enjeux, des pratiques et des orientations
stratégiques en matière de numérique éducatif.
Dans le cadre d'une convention, les partenaires s'engagent à animer un groupe de travail pour une période de 24 mois, avec les objectifs suivants :
● faire un point scientifique sur le thème étudié (état de la recherche en France et dans le monde) ;
● en dégager des éléments pour les orientations stratégiques de la DNE ;
● en dégager des éléments pour la formation ;
● contribuer ainsi à la « pédagogisation » des résultats de la recherche, en les mettant à la portée de tous, notamment des enseignants et des
formateurs afin qu'ils utilisent ces acquis dans leurs pratiques quotidiennes ;
● proposer une vision interdisciplinaire, ouverte sur l'entreprise et sur les évolutions sociales, culturelles et juridiques.
+ infos : https://eduscol.education.fr/cid127612/les-groupes-thematiques-numeriques-de-la-mission-d-incubation-de-la-dne-gtnum.html

6.
Enjeux du numérique éducatif dans l'Académie de Nice suite aux EGNT et EGNE
Louis Giraud, David Ragot, Eric Beguin
DRANE. Fort engagement sur le numérique éducatif à l’Académie de Nice
● Etats Généraux du Numérique Territoriales PACA
● Incubateurs numériques.
Activités en lien à Terra Numerica

7.
CARDIE. Innovation éducative à l’Académie de Nice
Frédérique Cauchi-Bianchi, Laure Mayer
Engagement de la CARDIE sur les projets d’innovation de
l’Académie de Nice.
Accompagnement par le biais de la PASIE.

8.
CANOPE
Sophie Fouace, Corinne Atlan, Luis Galindo, Nathalie Methelie
Expertise sur l’accompagnement des enseignant.e.s sur les projets de transformation pédagogique.
Expertise sur la formation à l’IA.

9.
Campus International Valbonne
Eric Petit, Delphine Hustache, Fatima Moujdi-Menauge,
Fanny.Bouvet, Jérémy Camponovo
INNOVATIONS
PEDAGOGIQUES
Architecture
- Learning labs :
Modularité/ Convivialité
Projet : consacrer un étage entier
de l’établissement aux pédagogies
innovantes
Projets collaboratifs :
STEM
Coopération plutôt
que compétition
Proximité à la MIA

10.
Margarida Romero est
professeure des universités et
directrice du LINE.
Laurent Heiser est docteur au
LINE et à l’IMSIC Toulon et
responsable du centre de
formation de l’Inspé de la Seyne
sur Mer (Inspé de Nice
-Université Côte d’Azur).
Maryna Rafalska est maître de
conférences au LINE.
https://orcid.org/0000-0003-33
56-8121
https://orcid.org/0000-0002-239
9-7873
https://hal.archives-ouvertes.fr/se
arch/index/q/*/authFullName_s/M
aryna+Rafalska
Pilotage du #GTnum #Scol_IA (LINE)

11.
GTnum #Scol_IA : Principales contributions (outcomes)
Communication : https://scoliablog.wordpress.com/
Webinaires https://frama.link/GTnum-Scolia-Calendrier
Actes des séminaires de chaque équipe
Recherche à partir des expérimentations de terrain
Livre blanc IA et éducation

12.
Equipe 1 Equipe 2 Equipe 3 Equipe 4 Equipe 5
Formation à l’IA De l’acculturation au
numérique vers l’IA
Dispositifs innovants
d’enseignement avec le
numérique/du numérique
et recherche design
Traces d’apprentissages
d’activités médiatisées
par le numérique et
activités tangibles
Modélisation de la
personne apprenante et
évaluation
Luis Galindo est chargé
d'expertise et de
partenariats chez Réseau
Canopé et associé au
Laboratoire TECHNÉ.
Michel Durampart est
co-directeur de l'IMSIC
(UTLN-AMU) à l’Université de
Toulon.
Magali Brunel est maître de
conférences HDR au LINE.
Solange Cartaut est maître
de conférences au LAPCOS
associée au LINE et à l’
équipe FoAP
Frédéric Alexandre est
directeur de l’équipe
Mnemosyne de l’INRIA.
https://techne.labo.univ-poiti
ers.fr/membres/luis-galindo/
http://www.imsic.fr/les-mem
bres/membres-titulaires/prof
esseurs-duniversite/michel-d
urampart/
https://hal.archives-ouvertes
.fr/search/index/q/*/authFull
Name_s/Magali+Brunel
http://unice.fr/laboratoires/la
pcos/les-membres/liste-des-
membres/membres-titulaire
s/cartaut-solange
https://www.labri.fr/perso/fal
exand/
Equipes de travail #GTnum #Scol_ia

13.
Equipe 1 : Formation à l’IA
L’équipe de travail T1 « Formation à l’IA » est coordonnée par Luis Galindo, chargé d’expertise sur le numérique éducatif au Réseau Canopé et en charge du laboratoire des usages de Réseau
Canopé (Intelligence Artificielle, Blockchain, Open Badges, Jeu et Apprentissage).
La formation à l’IA est un grand enjeu de société à l’heure actuelle. Les formations en ligne et les formations hybrides (des enseignant·e·s et autres professionnel·le·s de l’éducation, y compris
le grand public) dérivées des ressources https://classcode.fr/snt et https://classcode.fr/iai (plus de 35000 personnes engagées, et deux autres formations “SNT” et “GreenIT” à venir)
implémentent le fait que il faut avant tout comprendre et se former à l’IA pour l’utiliser de manière éclairée et critique (au sens de l’esprit critique). La plateforme de la Communité
d’apprentissage de l’informatique (CAI, https://cai.inria.fr/) et le laboratoire des usages IA de Réseau Canopé (Galindo, 2020) sont également considérés pour comprendre les visions
existantes des enseignants sur l’IA.
A partir de ClassCode et CAI on se propose ici de bénéficier de l’expérience et des données de ces formations pour travailler sur:
● Axe 1 (Littératie, pensée informatique et IA) : Quelles compétences en matière de pensée informatique et apprentissage machine doivent être dispensées pour cet usage
éclairé et la co-constructions par les enseignant.e.s de ressources concernant l’IA ?
● Axe 3 (Dispositifs innovants) : Quelles activités d’apprentissage en dérivent ? Quel traces permettent de décrire, de comprendre et d’évaluer ces activités d’apprentissage ?
● Axe 4 (Indicateurs et traces) : Que peut-on évaluer à ce propos, à partir des deux ressources de grandes ampleurs ?
Dans le cadre de cette équipe de travail la collaboration avec les collègues proposant le GTnum 2 (Réseau Canopé, Laboratoire LORIA et Laboratoire TECHNÉ) est envisagée dans un
webinaire commun en année 2 du projet afin de mutualiser les expertises en hybridation des apprentissages.

14.
Equipe 2 : De l’acculturation au numérique vers l’IA
L’équipe 2 (T2) « De l’acculturation au numérique vers l’IA » est coordonnée par Michel Durampart est professeur des universités, à l’UFR Ingemédia en Sciences de
l’information et de la communication et directeur du Laboratoire IMSIC Toulon.
On sait l’importance des traces d’apprentissage pour évaluer, rendre adaptatif et personnaliser les apprentissages. Dans cette équipe de travail il sera question des
conditions et des processus d’hybridation des apprentissages. Depuis plusieurs décennies, les sciences de l’information et de la communication s’intéressent à la
manière dont l’institution scolaire intègre les outils et les médias éducatifs (Mœglin, 2005). Les SIC ont contribué à mettre en évidence que le numérique oblige les
acteurs à faire évoluer leurs pratiques éducatives tout en faisant en sorte que ces dernières demeurent « conformes avec le monde scolaire et ses finalités »
(Durampart, 2018). Dans ce contexte, les chercheurs du laboratoire IMSIC (UTLN-AMU), à travers de nombreux programmes de recherche et de publication en
éducation (Collet, Durampart, Pélissier, 2014 ; Barbagelatta, Inaudi, Pelissierl, 2014 ; Dechamp, Pélissier et Romero, 2018; Peraya, Bonfils, 2014, 2016), les menant à
observer les pratiques des enseignants et des élèves au sein des classes ou encore au sein d’un incubateur, ont pu observer que les artefacts numériques destinés
aux activités d’apprentissage (CPRDIRSIC, 2018) tendent à provoquer des tensions et des apories au sein de la forme scolaire.
Entre engouement et déception (Bonfils et al., 2016), entre les discours sur la performativité des outils et les doutes des enseignants constatées en situation d’usages
(Cerisier, 2014), sans parler des détournements des élèves ou encore des étudiants, l’expertise en sciences de l’Information et de la communication (SIC) de l’IMSIC va
permettre d’éclairer une dynamique partant de la conception des outils jusqu’à leur appropriation et leur usage. À travers l’analyse de ces démarches dispositives
(Jacquinot, Choplin, 2005), le point de vue organisationnel et les écosystèmes de données seront également questionnés, en regardant notamment les processus
d’institutionnalisation accompagnant la question des données personnelles.

15.
Equipe 2 : De l’acculturation au numérique vers l’IA
Dans ce contexte, ce groupe de travail se donne pour objets de recherche de :
● Axe 3 (Dispositifs innovants) : Faire une analyse secondaire de dix années d’enquêtes et d’études (enseignants et élèves) dans le cadre de plusieurs
programmes de recherche régionaux et nationaux permettant d’effectuer un historique en termes d’appropriation, d’usabilité, et d’acculturation au
numérique afin de projeter vers une nouvelles étude circonstanciée liée aux démarches d’appropriation et de familiarisation des enseignants et élèves
avec l’IA.
● Axe 2 (Usages de l’IA en éducation) : Décrire et analyser les discours et les représentations concernant l’introduction de l’IA, notamment à travers la
question de l’industrialisation éducative.
● Axe 4 (Indicateurs et traces) : Vérifier comment les artefacts numériques de l’IA s’intègrent lors de la médiation des savoirs en cherchant à caractériser
une dynamique qui tient compte de l’expérience à vivre et des enjeux expérientiels des acteurs tout en cherchant à caractériser les dimensions relevant
de leur vécu (à la fois pendant et en dehors du temps scolaire : réalisations d’observations en situation prenant en compte la dimension) expérientielle)
Les données et observations seront ensuite mises en perspective afin d’éclairer les changements et les résistances (acculturation numérique, Collet et al., 2014) qui
permettent de caractériser l’impact de l’IA dans la forme scolaire et/ou universitaire, au regard également des phénomènes d’hybridation entre présence, distance,
supports et modalités.
Dans le cadre des formations hybrides servant à cette mise en place, la formation MSc SmartEdtech http://app.univ-cotedazur.fr/smartedtech (en lien avec
https://educazur.fr/) va permettre de servir à l’analyse et mise en pratique d’activités avec une communauté mondiale d’une cinquantaine de jeunes professionnel·le·s
de l’éducation, permettra à travers des projets étudiants, de ré-adresser les problématiques des axes 2, 3 et 4 à la lumière de ce qui peut se faire dans des pays
européens, africains, asiatiques ou nord et sud américains.

16.
Equipe 3 : Dispositifs innovants d’enseignement avec le
numérique/du numérique et recherche design
L’équipe 3 « Dispositifs innovants d’enseignement avec le numérique/du numérique et recherche design » est coordonnée par Magali Brunel, maîtresse de conférences HDR au
Laboratoire d’Innovation et Numérique pour l’Education (LINE).
La recherche innovation vise l’évolution des pratiques professionnelles et fait porter son attention du côté de l’enseignant, pour mieux identifier les conditions favorables aux
apprentissages, expliquer l’efficacité du travail ou encore étudier les dispositifs innovants qui permettront le développement en formation des enseignants (Wirthner, 2011). Elle
s’inscrit, au sein du LINE, dans des méthodologies de recherche collaborative associant les différents acteurs, et privilégiant l’articulation entre démarches descriptives des
pratiques courantes et démarches expérimentales prenant appui sur la réalité des contextes et des besoins des acteurs. Les méthodes de recherche en design de l’IMSIC –
autour des récits d’expérience à vivre – se trouvent particulièrement adaptées à cette prise en compte des contextes, aux évolutions du design par l’analyse et la coopération
des acteurs.
Dans ce cadre, le groupe se donne pour objets de recherche:
● l’étude sémio-pragmatique de dispositifs innovants d’enseignement portant sur le numérique comme objet, que ce soit la littératie numérique et les compétences
qui s‘y rattachent (Lacelle, Boutin, Lebrun, 2017) – documents numériques, oeuvres numériques – ou les pratiques d’enseignement du code.
● L’étude sémio-pragmatique de dispositifs s’appuyant sur le numérique pour enseigner les savoirs fondamentaux (notamment en lecture-écriture) et les
compétences transversales du XXie siècle (collaboration, créativité, esprit critique).

17.
Equipe 3 : Dispositifs innovants d’enseignement avec le
numérique/du numérique et recherche design
La première phase du travail (objectif 1) concernera la constitution du cadre épistémologique et conceptuel de l’étude, notamment la notion de littératie numérique,
encore en construction dans la communauté scientifique ou encore la pertinence de l’usage de la notion de milieu numérique (Bouchardon et Cailleau, 2017) en
relation avec celle de milieu didactique (Chevallard, 1996; Brousseau 1989; Amade-Escot et Venturini, 2009). Une deuxième phase consistera à décrire les pratiques
observées, dans une démarche de recherche descriptive et, parallèlement, concevoir des dispositifs didactiques en collaboration avec les équipes de terrain (objectif
3). La troisième phase consistera à mettre en oeuvre les dispositifs (une étape de rétroaction au moins) et/ou à prélever des données de recherches collaboratives
déjà engagées par les chercheurs sur les deux objets de recherche visés (objectif 4). L’attention sera particulièrement mise sur les conditions qui favorisent
l’appropriation des dispositifs par les enseignants (Schneuwly et Dolz, 2009), essentielles pour envisager le transfert des résultats de la recherche en formation. La
recherche visera précisément à analyser les impacts de l’introduction d’instruments (Rabardel, 1995a, 1995b) numériques dans la situation didactique (Chevallard;
1996) et/ou l’évolution des objets d’enseignement, des expériences d’enseignement, des formes scolaires et du milieu didactique étudié. Par exemple, sur l’activité
CréaCube ou Micro-bit, un questionnaire de suivi permettra d’étudier les modalités d’appropriation des enseignants et les éventuels freins à celle-ci. Les suivis
longitudinaux (sur plusieurs séquences, voire dans un suivi annuel ou pluriannuel) permettront également de documenter la question spécifique des conditions
d’appropriation des acteurs. On observera en particulier les conditions concrètes de l’enseignement en contexte numérique, les usages hybrides des matériels liés au
geste graphique (Goody) et les évolutions du “triangle didactique” qui en découle.

18.
Equipe 4 : Traces d’apprentissages d’activités médiatisées par le numérique et activités
tangibles
On sait l’importance des traces d’apprentissage pour évaluer, rendre adaptatif et personnaliser les apprentissages, et si la mesure de ces “learning analytics” est bien
établie pour le travail sur écran, cela reste un sujet ouvert pour ce qui est des activités in-situ ou avec des objets tangibles. Notre positionnement est que le verrou
n’est pas au niveau des outils, mais dans la formalisation correcte de la tâche à réaliser dans des conditions déterminées et dans la spécification des observables à
relever pour identifier précisément le registre de l’activité mobilisée, évaluer ses composantes et le type d’apprentissage auquel elle aboutit ou ne peut aboutir. Dans le
cadre du projet de recherche CreaCube https://creamaker.wordpress.com la modélisation de la tâche et de l’apprenant est adressé, à la fois à travers des analyses
manuelles de vidéos appuyées sur une interface optimisée, et l’expérimentation d’algorithmes d’apprentissage automatique, permettant d’interroger les points
suivants :
● Axe 2 (Usages de l’IA en éducation) : Comment formaliser une tâche “à potentiel d’apprentissage” en y introduisant un maximum d’informations a priori,
de façon à permettre son interface avec des outils d’IA ? Dans ce contexte, le geste professionnel aussi bien dans le contexte scolaire qu’en milieu
professionnel nécessite le développement d’une déclinaison geste-tâche-activité qui puisse rendre compte tant de l’aspect incorporé que contextuel et
situé de l’activité. L’approche activité permettra de proposer des modèles de conceptualisations (pour ce type d’actions tangibles qui sont difficilement
prises en compte dans les approches de traces (learning analytics).
● Axe 3 (Dispositifs innovants) : Comment concevoir des activités pédagogiques in situ compatibles avec la mesure des traces d’apprentissages, de
manière à aider l’apprenant, sans perturber son apprentissage ?
● Axe 5 (Mise en oeuvre et évaluation) : Comment mettre en oeuvre des outils d’IA qui soient qui soient utiles pour les apprentissages, utilisables et
acceptables par les utilisateurs, accessibles aux plans financier et logistique.

19.
Equipe 5 : Modélisation de la personne apprenante et évaluation
Le lancement d’une action exploratoire https://team.inria.fr/mnemosyne/fr/aide introduit la double idée de considérer des (i) éléments de modélisation de neuroscience
cognitive des mémoires en interaction lors d’une tâche d’apprentissage et des (ii) éléments de formalisation des mécanismes d’apprentissage machine pour modéliser
la personne apprenante engagée dans la tâche, afin de prendre en compte ses objectifs, ses stratégies (par exemple d’exploration ou d’exploitation), ou encore sa
découverte des affordances des objets manipulés.
● Axe 2 (Usages de l’IA en éducation) : Dans quelle mesure les travaux en IA peuvent aider au delà des outils à la modélisation de l’apprentissage humain ?
● Axe 4 (Indicateurs et traces) : Dans quelle mesure ces méthodes et outils permettent de mieux évaluer l’apprentissage, dans le cas de la résolution de
problèmes, par exemple au niveau de l’initiation à la pensée informatique ? De quelle manière la modélisation des parcours adaptatifs peuvent soutenir
l’apprentissage, notamment face à des difficultés ? De quelle manière les traces peuvent soutenir l’évaluation formative et sommative ?

20.
Annexes

21.
Une approche complémentaire des liens entre intelligence artificielle et éducation.
ANR CreaMaker. Modélisation d’une tâche de résolution créative de problèmes
https://creamaker.wordpress.com/
Publications : https://creamaker.wordpress.com/2019/02/06/publications-within-the-creamaker-project/
Aide : Artificial Intelligence Devoted to Education (AIDE)

22.
Aide : Artificial Intelligence Devoted to Education (AIDE)
Tâche
d’apprentissage
Analyse de
l’activité
Modèle de la
tâche
Modèle de
données
Modèle de
l’apprenant
Activité
d’apprentissage
Traces d’interaction
(learning analytics)
générés dans l’EIAH
Données générées à partir
de schémas analytiques
(vidéo, observations…)
Romero, M., Viéville, T. & Heiser, L. (accepted). Analyse d’activités d’apprentissage médiatisées en robotique pédagogique. Dans Alberto, B.,
Thievenaz, J. (in press). Traité de méthodologie de la recherche en Sciences de l’Éducation et de la Formation.
https://www.researchgate.net/publication/344151929_Analyse_d’activites_d’apprentissage_mediatisees_en_robotique_pedagogique

23.
Aide : Artificial Intelligence Devoted to Education (AIDE)
Réalisation des tâches dans un contexte
ludique et immersif de type espace game
Machine
Learning
Modèle de la tâche
Opérationnalisation
des observables
Données massives en environnement
contrôlé de recherche
Identification des composantes en
pensée informatique et résolution de
problèmes
Aide (learning assistant) en cours de
réalisation de la tâche.

24.
Aide : Artificial Intelligence Devoted to Education (AIDE)
Modélisation de la
tâche (ontologie)
Modèles
neurosciences
computationnelles
(Mnemosyne)

25.
Aide : Artificial Intelligence Devoted to Education (AIDE)

26.
Activités technocréatives pour l’
évaluation de la résolution de
problèmes
2STEAM
Action : Raisonner dans le cadre d’activités de résolution techno-créative de problèmes
Vision à 10 ans
Terra numerica
http://terra-numerica.org/
Communauté d’Apprentissage de
l’Informatique (CAI)
https://cai.inria.fr/
Let’s STEAM http://www.lets-steam.eu/
2STEAM
AIDE
https://team.inria.fr/mnemosyne
/fr/aide/
CreaCube
(ANR CreaMaker)
https://creamaker.wordpre
ss.com/
IREM
Formation des
enseignant.e.s Inspé
+ MSc SmartEdTEch

27.
Une approche complémentaire des liens entre intelligence artificielle et éducation.
Quand l’IA est appliqué en éducation, c’est très souvent l’idée d’utiliser des algorithmes de machine
learning comme outil (souvent disruptif) pour l’éducation (ex: assistant numérique) qui est mise en avant.
Dans cette démarche l’apprenant interagit avec des outils de machine learning. Cependant, il est possible
d’envisager que l’apprenant continue de réaliser des activités débranchées, mais que l’environnement et
les outils traditionnels soient enrichis afin de capter et analyser les processus d’apprentissage et permettre
de mieux les comprendre et mieux les analyser pour y apporter des feedbacks en temps réel. Ainsi, le
machine learning peut être envisagé comme un moyen d’enrichir ces dispositifs d’apprentissage dans
lesquels peuvent se dérouler des activités analogiques et débranchées.
D’autre part, nous avons aussi largement mis en avant le besoin de formation citoyenne en intelligence
artificielle, afin de maîtriser, donc comprendre, ces mécanismes et le mettons en oeuvre [2] (Cuisi et al
2018, Romero 2018).
Ici nous proposons un troisième axe qui semble à notre connaissance peu ou pas développé :
utiliser les formalismes et mécanismes du machine learning
comme paradigme en science de l’éducation
autrement dit, avant d’utiliser l’intelligence artificielle pour -soit disant- améliorer l’apprentissage humain,
essayons de l’utiliser pour mieux comprendre comment un humain apprend.
Aide : Artificial Intelligence Devoted to Education (AIDE)

28.
Les trois volets opérationnels du projet AIDE
Le projet AIDE comporte trois volets opérationnels, complémentaires de ce qui existe déjà:
- Au niveau théorique, utiliser les formalismes de machine learning comme modèle de la personne
apprenante, comme cela peut se faire en neuroscience computationnelle à une autre échelle.
- Au niveau expérimental, utiliser des outils de machine learning pour obtenir des mesures mieux
formalisées, plus fiables et plus automatisées des variables liées à une situation d’apprentissage.
- Au niveau pédagogique, aider l’apprenant à comprendre dans son propre processus d’apprendre à
apprendre, ce qui relève de processus mécaniques de ce qui relève de la créativité et rendant
explicite ces deux aspects.
Aide : Artificial Intelligence Devoted to Education (AIDE)

29.
Un objet d’étude précis : les activités débranchées.
Comme le montre la lecture de la littérature (Romero et al 2018a) l’apprentissage de la pensée
informatique en tant que fondement du numérique semble vraiment efficace avec des activités débranchées
pour plusieurs raisons bien comprises (Romero et al 2019a) mais pas faciles à établir expérimentalement
(Romero et al 2018b).
On se propose ici de monter un dispositif de mesure qui permette à une personne apprenante (ou à un
petit groupe) de pratiquer une activité débranchée impliquant une résolution de problème lié à l’informatique
et en lien avec la robotique pédagogique en lien avec les travaux existants (Romero et al 2018c).
L’utilisation d’outils de machine learning pourra permettre de :
- Faire, après apprentissage, des mesures complexes liées aux gestes ou attitudes de l’apprenant afin
d’automatiser et fiabiliser la collecte des données et de pouvoir
mieux les relier à des processus cognitifs (ex: démarche
d’exploitation, démarche d’exploration).
- Confronter les mécanismes cognitifs impliqués dans
l’apprentissage humain aux modèles sous-jacents en
machine-learning (ex: dualité acteur/critique dans les
situation d’apprentissage avec récompense (renforcement)).
https://csunplugged.org
Aide : Artificial Intelligence Devoted to Education (AIDE)

30.
Les escape-games sont des jeux grandeur nature dans lequel un joueur ou une équipe
de joueurs doit résoudre des énigmes afin de sortir en un temps limité d’une situation, le
tout dans un contexte pédagogique (découverte, apprentissage, …) est à l’évidence très
attrayante pour les apprenant·e·s de tous âges, et c’est un type d’activité bien établi.
On trouve une formation Canopé sur le sujet ou des articles ou tutoriels et espace d’échange de ressources.
Les escape games sont des activités d’équipe très engageantes (Nicholson, 2018)
qui ont été étudiées tant sur leur potentiel pour développer les compétences de
raisonnement spatial comme celles de résolution de problèmes en équipe
(Coffman-Wolph, Gray, & Pool, 2018) et de stratégie (Gündüz, 2018).
References :
- Coffman-Wolph, S., Gray, K., & Pool, M. (2018). Designing an Escape Room Game to Develop Problem Solving and Spatial
Reasoning Skills. Innovations in curriculum. http://tinyurl.com/y9cuj6h4
- Gündüz, Ş. (2018). Preventing blue ocean from turning into red ocean: A case study of a room escape game. Journal of
Human Sciences, 15(1), 1-7. doi:https://doi.org/10.14687/jhs.v15i1.5140
- Nicholson, S. (2018). Creating Engaging Escape Rooms for the Classroom. Childhood Education, 94(1), 44-49.
+ « Connais-moi, échappe-toi », un jeu d’évasion autour des données personnelles.
Escape-games pédagogiques, des activités pédagogiques engageantes
Aide : Artificial Intelligence Devoted to Education (AIDE)

31.
Dans le contexte d’activités débranchées du projet AIDE, nous allons pouvoir:
- scénariser la séance afin de maximiser l’engagement des personnes;
- doter les objets et l’espace de capteurs reliés à des algorithmes de calcul de position ou de
reconnaissance afin de mesurer les variables idoines;
- automatiser la séance de mesure de données pour obtenir des résultats statistiquement significatifs.
Nous pensons aussi introduire une autre idée, permise par le paradigme.
Dans un premier temps le groupe fait l’activité, avec un test de compétence
avant et après. Ensuite le groupe doit suivre l’activité du groupe suivant en
tant qu’observateur et évaluer, les attitudes et démarches mises en œuvre
à l’aide d’une interface précise pour le guider. Cela permettra aux personnes
de prendre un vrai recul sur leur propre démarche et permettra d’aider
à la collecte des données pour ce qui ne peut être automatisé. On proposera
aussi aux personnes d’annoter leur propre vidéo pour mieux conscientiser son
apprentissage.
Développer la pensée informatique par le biais d’un escape-game dans un
environnement enrichi par l’analyse et feedback du machine learning à
partir des modèles de l’apprenant et des activités débranchées
Aide : Artificial Intelligence Devoted to Education (AIDE)

32.
Contexte de travail : le projet AIDE est un projet interdisciplinaire. D’une part, le laboratoire
unice.fr/laboratoires/line est impliqué à la fois sur des sujets liant sciences de l’éducation et intelligence
artificielle [4] (Romero, 2018), y compris au niveau de la formation sur ces sujets [2] (Cuissi et al 2018), en
plus de son activité sur l’étude de la créativité en lien avec la résolution de problèmes [5] (Romero et al
2018c) y compris au niveau de l’apprentissage de la pensée informatique dans le cadre de [1] (Romero et al
2019a, Romero et al 2018b) tandis que l’équipe team.inria.fr/mnemosyne travaille à la fois sur des problèmes
de machine learning bio-inspirés, en lien avec l’interprétabilité de ces processus (Drumond 2019), avec une
forte implication en médiation scientifique sur ces sujets.
Dans le cadre de du #IA [3] sur son volet #Formation il est proposé de développer un axe de recherche
original sur ces sujets en lien avec un grand projet européen [6].
Aide : Artificial Intelligence Devoted to Education (AIDE)
[1] EUR DS4H graduate school and a pluridisciplinary research of Digital Systems and Digital Society
[2] MSc #CreaSmartEdtech
[3] Instituts interdisciplinaires d’intelligence artificielle (3IA) #Formation #Recherche #Transfert, #Santé #Développement du territoire
[4] Sophia summit # IA et Éducation
[5] ANR #CreaMaker : Cocreativity and problem solving in #makered
[6] FET Flagship "Humane AI"

33.
Références
CreaCube, a playful activity with modular robotics (2018c) M. Romero, D. David, B.Lille.
Le jeu du robot : analyse d’une activité d’informatique débranchée sous la perspective de la cognition
incarnée (2019a) M. Romero, M. Duflot, T. Viéville.
Numérique et éducation … vous avez dit #CreaSmartEdtech ? (2018) M. Cuissi, N. Colombier, S.-C.
Lefèvre , I. Yastrebova - Otmanine, M Romero , C.De Smet, T Viéville.
Intelligence artificielle et pensée humaine (2018) M. Romero.
Analyse comparative d’une activité d’apprentissage de la programmation en mode branché et débranché
(2018b) M. Romero, B. Lille, T. Viéville, M. Duflot-Kremer, C. De Smet, D. Belhassein.
Que disent les sciences de l’éducation à propos de l’apprentissage du code ? (2018a) M. Romero, S.
Noirpoudre et T. Viéville.
Bio-inspired analysis of deep learning on not-so-big data using data-prototypes (2019) T.
Drumond, T. Viéville, F. Alexandre.
Aide : Artificial Intelligence Devoted to Education (AIDE)

34.
Aide : Artificial Intelligence Devoted to Education (AIDE)