Journée IA & Education au CIEP

1. Quelques éléments sur l’IA ?
Serge Garlatti & François Bouchet

2. Plan
● Présentation ATIEF
● l’Intelligence Artificielle : une définition en extension
● IA & e-Education
● L’ingénierie des connaissances
● Le Web Sémantique et le Linked Open Data
● L’apprentissage automatique et ses limites
● Exemples d’IA dans l’éducation :
○ que fait l’IA aujourd’hui ?
○ que fera l’IA demain ?
● Une perspective prometteuse :
XAI : eXplainable Artificial Intelligence
○ Symbolique + Numérique & Explicabilité

4. ● Environ 150 chercheurs et enseignants-chercheurs
● Issus de 30 équipes de recherche
● Disciplines en sciences/technologies et sciences humaines/sociales
● Venant du monde francophone
● Un site Web collaboratif avec de nombreuses
ressources
● Formations académiques en TICE
● Offres de stages, de bourses de thèses, d’emploi
● Cartographie des équipes de recherche

5. http://atief.fr/

6. ● Une revue : STICEF
● Accès gratuit en ligne : http://sticef.univ-lemans.fr
● 2 conférences bisannuelles
● EIAH : Environnements Informatiques pour l’Apprentissage
Humain
● RJC EIAH

7. Projet de réseau ANR ORPHEE
● Projet de réseau ANR ORPHEE (terminé en 12/2017)
● L’ATIEF a pris le relais
○ Site de l’ATIEF (menu Activités) :
■ http://atief.fr/content/bienvenue-sur-le-r%C3%A9seau-
orphee-de-la-e-education
○ Menu Activités : Vidéos sur les EIAH
■ http://atief.fr/content/bienvenue-mooc-orphee
○ Compte Youtube
● https://www.youtube.com/channel/UCuxQdIFWzcwg
WY9erGjLOmg/
● Sinon Rechercher : ATIEF + EIAH

8. Qu’est-ce que l’intelligence artificielle ?
Marvin Minsky, l’un des fondateurs de l’Intelligence artificielle, donnait la définition
suivante : « L’IA consiste à faire faire à une machine ce que l’homme fait
moyennant une certaine intelligence ». Cette définition apparaît aujourd’hui trop
restrictive, car elle se limite à des processus logiques qui peuvent s’appliquer à des
objets de recherche circonscrits, tels que le jeu d’échecs ou la démonstration
automatique de théorèmes.
L’informatique actuelle tend vers une définition plus opérationnelle et dont l’acception
est plus large. Selon cette approche,
l’IA consiste à parvenir à faire faire aux machines, ce que l’homme fait
aujourd’hui mieux qu’elles, notamment s’adapter, apprendre, communiquer et
interagir d’une manière riche et variée avec leur environnement.
https://www.economie.gouv.fr/France-IA-intelligence-artificielle
IA & Education : Intelligence Unleashed: An argument for AI in Education, Luckin, R; Holmes, W; (2016)
Intelligence Unleashed: An argument for AI in Education. UCL Knowledge Lab: London, UK

9. l’IA : Définition en extension ?

10. l’IA : Définition en extension ?

11. IA & E-Education
XAPI

12. Modèle d’apprenant Ouvert

13. Ingénierie des connaissances
● Paradigmes de représentation de connaissances
○ La Logique : les prédicats
■ étudiant(x), note_info(y, x), sup(y,15) --> Badge(x,
informatique)
○ Les ontologies
■ Ensembles de classes et de relations entre classes
organisées par deux graphes
○ Les règles
■ Si étudiant (Jules) et examen (Jules, absent) alors
envoyer(SMS)
○ Les contraintes
■ Placer les étudiants dans une salle d’examen sans qu’ils
soient à côté d’un étudiant de la même année et d’un
étudiant d’un de ses groupes de travail d’une autre année

14. Ingénierie des connaissances
Connaissances = formules bien
formées (FBF)
Raisonnement = Algorithme qui
“opère” sur ces formes (FBF)
étudiant(x), note_info(y, x),
sup(y,15) → badge(x,
informatique)
badge(x, informatique) →
emploi(x, éducation-nationale)
Note Coefficient
15 2
11 3
8 3
13 1
9 1
Calcul note finale
Algorithme opère
sur des données

15. Simple User Model
Modèle apprenant
=>
Une Ontologie

16. Problem-based Problem-based Learning
Modèle Activité/pédagogie
=>
Une Ontologie

17. Assessment Activity
Modèle Activité/pédagogie
=>
Une Ontologie

18. Web Sémantique & Linked Open Data
● Semantic Web

19. Web Sémantique : une ressource Wikipédia

20. Web Sémantique : Description de ressources
Resource Description
Framework : RDF
Relation binaire
Sujet Prédicat Objet

21. Web Sémantique : Bases de triplet RDF

22. Web Sémantique : Bases de triplet RDF
http://yasgui.org/
"Paris-Sorbonne University (also known as Paris IV; French: Université Paris-Sorbonne, Paris IV), is a public research university in Paris,
France. It was established in 1970 as the main successor of the University of Paris (the Sorbonne), which ceased to exist following student
protest in May 1968. It took over the Humanities and Languages faculties of the University of Paris. The university enrolls about 24,000
students in 20 departments specializing in arts, humanities and languages, divided in 12 campuses in Paris. Seven of the campuses are
situated in the historic Latin Quarter, including the historic Sorbonne university building, and three in Marais, Malesherbes and Clignancourt
respectively. Paris-Sorbonne also houses France's prestigious communication and journalism school, CELSA, located in the Parisian suburb
of Neuilly-sur-Seine, maintains about 400 international agreements, and is a founding member of the Sorbonne University alliance with Pierre
and Marie Curie University. The universities of Pierre and Marie Curie (Paris 6) and Paris-Sorbonne (Paris 4) have announced a merger with
the intention to create a new university including three faculties: Sciences, Medicine (currently belonging Paris 6) and Human Sciences
(currently belonging to Paris 4). This new university will start first January 2018."@en

23. Web Sémantique : Bases de triplet RDF
The dataset currently contains
1,234 datasets with 16,136 links
https://lod-cloud.net/

24. Web Sémantique : Vocabulaires - Ontologies
Linked Open
Vocabularies (LOV)
https://lov.linkeddata.es/d
ataset/lov

25. Linked Open Data
● Semantic Web
○ https://www.w3.org/standards/semanticweb/
● Linked Data
○ http://linkeddata.org/
● Linked Data: Evolving the Web into a Global Data
Space
○ http://linkeddatabook.com/editions/1.0/
● Open Linked Education Community Group
○ https://www.w3.org/community/opened/
● Linked Education
○ https://linkededucation.wordpress.com/

26. Linked Open Data & e-Education
LOD
LOD
LOD
LOD
XAPI

27. IA numérique : en bref
● Apprentissage statistique : machine learning
● Guidé par les données
● Depuis années 2000

28. Méthodologie résumée de l’IA
numérique
● Collecte de données
● Prétraitements :
● Mise en forme
● Vérifications
● Suppressions des données aberrantes
● Séparation des données :
● Entraînement d’un modèle
● Estimation de sa performance
● Itération jusqu’à satisfaction
● Implémentation dans une plateforme numérique
Biais & questions
Trace-t-on bien tout ?
Que signifient-elles ?
Est-il raisonnable de faire sans ?
Mes données sont-elles représentatives ? Généralisables ?
Qu’est-ce qu’une performance « acceptable » ?
Quel algorithme choisir ? (vitesse, performance, explicabilité)

29. Quelques exemples de succès
(hors éducation)
● AlphaGo (Google DeepMind - 2016) : réseaux de
neurones profonds
● AlphaGo Zero (2017)
IA vs. elle-même
(ajout apprentissage
par
renforcement)

30. Quelques exemples de succès
(hors éducation)
● Systèmes de recommandation :
● Explicite : goûts
● Implicite : ce qui a été vu,
profils proches, amis…
● Hybride
● Autres facteurs : fraîcheur,
diversité…

31. Quelques exemples d’échecs
(hors éducation)
● Tay : chatbot Twitter de Microsoft (2016)
24h plus tard
Quelle responsabilité (légale, morale) ?

32. Quelques exemples d’échecs
(hors éducation)
● PredPol (2013-…) : aider la police dans le choix
des lieux de patrouille (Oakland)

33. Quelles leçons ?
Biais dans les données Biais dans la méthodologie Biais dans la philosophie même

34. Et l’éducation ?
● 3 champs de recherche :
● IA pour éducation et
tuteurs intelligents
(AIED & ITS – 1990-…)
● Fouille de données
éducatives
(EDM – 2008-…)
● Learning analytics*
(LA – 2011-…)
* LA n’inclut pas forcément d’IA
(Labarthe, Luengo & Bouchet, 2018)

35. Approches principales de l’IA
orientée données pour l’éducation
1. Prédiction
2. Clustering
3. Relationship mining
4. Découverte à l’aide de modèles
5. Distillation de données
pour le jugement humain
(Baker & Yacef, 2009)
Ex : Connaissant les notes, le profil de l’étudiant…
va-t-il obtenir son diplôme ? Avec quelle note ?
Ex : Trouver des groupes d’étudiants avec un profil similaire
(combien ? Quelles similarités ?)
Ex : Quand un étudiant a une note supérieure à 12 à l’interro 1,
qu’il pose au moins une question sur le forum… il réussit
Ex : Utiliser la source d’une prédiction précédente (1-3)
(l’étudiant joue avec le système) pour une nouvelle
(prédire s’il s’ennuie)
Ex : Remonter des indicateurs appris (1-3) pour aider à la décision
(le prof devrait aller voir ce qu’il fait)

36. Quelques usages actuels de l’IA
pour l’éducation
● Tuteurs personnels (ITS)
● Support pour la collaboration (CSCL)
● Réalité virtuelle intelligente
36

37. Tuteurs personnels :
intelligent tutoring systems
● Tuteurs individuels : idéal mais passage à l’échelle ?
● Différentes approches pédagogiques :
● Echafauder l’apprentissage :
entre soutien et défi
● Diagnostic d’erreurs procédurales (BUGGY)
● Aider les apprenants à avoir le contrôle :
apprentissage auto-régulé
● « apprendre à apprendre »
(MetaTutor - Azevedo et al. 2013)
● Quelles approches ?
● Symboliques :
● Besoin d’experts
● Utilisent des modèles, ontologies…
● Numériques :
● Besoin de données
● Utilisent de l’apprentissage automatique
37
Difficile à construire
Difficile à interpréter

38. Support pour la collaboration (CSCL)
● La collaboration aide l’apprentissage :
● Binômes dans cours en ligne ont une performance
supérieure à des étudiants seuls
● Encourage la réflexion
● Liens émotionnels avec le group augmentent l’implication
● L’IA peut aider :
● A former des groupes avec des compétences
complémentaires
(Labarthe et al. 2016)
● A identifier des schémas de collaborations efficaces
(pour le prof ou les élèves)
● A l’aide d’agents pédagogiques : tuteur (AutoTutor) ou pair
(apprentissage par enseignement (Betty’s Brain - Biswas et al. 2012))
● Modération intelligente : détecter si une discussion dévie
du sujet initial
38

39. Réalité virtuelle intelligente
● RV peut aider à apprendre :
● Encourager à explorer des scénarios alternatifs
(« what if »)
● Visite de lieux historiques
● Permettre aux étudiants en difficulté de
changer leur perception personnelle
(Crystal Island)
● L’IA peut contribuer à rendre le monde plus
« intelligent »:
● Aider les apprenants à réguler leurs émotions
● Encourager la collaboration entre apprenants
● Applications :
● Contre le harcèlement scolaire (FearNot!)
(Vannini et al. 2011)
● Scénario de maintien de la paix (Traum et al. 2003)
39

40. Quels usages futurs de l’IA pour
l’éducation ?
● Où va l’IA ?
● Quels défis ?
● Développer des indicateurs fiables pour mesurer la progression
● Des données de + en + multimodales (biologique,
oculométrique, reco vocale…)
● Mieux comprendre les bonnes approches d’enseignement et leur
contexte
● Plus de données collectées et partagées (avec métadonnées)
40

41. « Une renaissance de l’évaluation »
● Evaluation en temps réel
● Aujourd’hui : prédire l’échec ou la réussite
● Demain : suivre l’évolution de la motivation et de
l’implication
● Suivi des progrès d’apprentissage
● Aujourd’hui : bonne/mauvaise réponse ?
● Demain : pourquoi ? Quel type d’erreur ? Quel impact
émotionnel ?
● Evaluation cachée :
● Aujourd’hui : quizzes intermédiaires, évaluation finale
● Demain : évaluer l’apprentissage quand il a lieu (ex :
avec un projet collaboratif)
41
(Hill and Barber, 2014)

42. S’appuyer sur les sciences de l’éducation
Vers encore plus d’interdisciplinarité
● Neurosciences :
● Aujourd’hui : Récompenses incertaines aident l’apprentissage
(Howard-Jones et al., 2014)
● Demain : des récompenses « sur mesure » pour l’apprenant
● Psychologie :
● Aujourd’hui : « état d’esprit en développement » est plus efficace
pour l’apprentissage qu’un « état d’esprit fixe » (Dweck, 2010)
● Demain : détecter l’état d’esprit de l’étudiant et le développer (par
un feedback adapté)
42

43. Vers des partenaires d’apprentissage
tout au long de la vie
● On apprend plus efficacement avec un pair (Cole, 1996)
● Aujourd’hui : des compagnons au sein d’applications
ou systèmes de tuteurs intelligents divers
● Demain : un compagnon d’apprentissage personnel
● A travers les apps et périphériques
● A l’école et en dehors
● Pour choisir les ressources à consulter au moment propice
43

44. Ethique et acceptabilité
● S’assurer que tous peuvent bénéficier du support individualisé (objectif :
réduction des écarts)
● Accompagner les enseignants : IA pour libérer du temps pour ce qui compte
● Collecte de données : distinguer qui accèdera à quoi, pour faire quoi
(attention à l’effet de surveillance)
● Faire remonter chaque erreur au prof ?
● Faire remonter chaque utilisation à l’institution ?
● Problème des algorithmes :
● Que faire quand l’IA défaille ? (et ne s’en rend pas compte)
● Qui est responsable ?
● Partage essentiel (données ET processus d’analyses) : garantir l’anonymité
(privacy by design)
● L’IA encourage l’humain à changer son comportement et à contacter d’autres
apprenants : responsabilité morale
44

45. eXplainable Artificial Intelligence
● L’utilisation de systèmes informatiques “autonomes”, capables de
prendre des décisions ou de réaliser des actions, posent des
problèmes en e-Education, mais aussi dans d’autres domaines
● En effet, un grand nombre d’études menées démontrent l’importance,
pour l’acceptabilité et la satisfaction d’un utilisateur, de fournir un
système qui puisse être interprétable par l’humain.
● Explicabilité
● En IA, une propriété importante des systèmes doit donc être de
pouvoir expliquer, argumenter, justifier une décision ou une
action prise par un raisonnement ou un algorithme d’analyse
de données.
● Nombreux travaux sur l’Explication en Ingénierie des
connaissances depuis longtemps

46. eXplainable Artificial Intelligence
XAI : Explainable Artificial Intelligence
● Expliquer le “fonctionnement” des algorithmes afin
de rendre les décisions plus acceptables et
transparentes.
● L’explicabilité a pour objet de justifier, de contrôler,
d’améliorer et de découvrir.
Une qualité importante d’un outil décisionnel est d’être
actionnable, c’est-à-dire permettre de mettre en œuvre une
mesure corrective adaptée au contexte d’apprentissage

47. eXplainable Artificial Intelligence
Pistes déjà étudiées
● Utilisation d’algorithmes d’apprentissage explicatifs
● Soit au travers de visualisations particulières
● Soit au travers d’algorithmes de type “boîtes blanches” -
permettant de déduire des connaissances explicites
● pour rendre le processus d’apprentissage et la décision plus
lisible.

48. eXplainable Artificial Intelligence
Projet Hubble MOOC Open Classroom : Algo type boîte blanche

49. eXplainable Artificial Intelligence
Etude envisagées
● Particularité en e-Education
● Connaissances métiers explicitables et formalisables
● Taille des données faibles
● Approche mixte Ingénierie des connaissances /
Machine Learning pour rendre explicable et actionnable
les outils décisionnels, associée à des visualisations
pertinentes

50. eXplainable Artificial Intelligence
Dans un tel cadre, quels sont les rôles des connaissances
métier ?
● En amont du processus d’analyse des données : comment
construire des “features” métier à partir des données brutes et
choisir les tâches d’analyse ?
● En sortie du processus d’analyse : comment relier les résultats de
Machine Learning aux connaissances métier pour expliquer,
justifier les décisions voire améliorer les décisions (par exemple,
recommander/personnaliser un parcours de formation ou la nature des
activités, changer les modalités pédagogiques, etc.).
●

51. Questions diverses
?