Télécharger pour lire hors ligne
Téléchargé parFrançois Guité
L'éducation et les révolutions
Le document aborde l'évolution de l'éducation et son interaction avec les technologies émergentes, notamment l'intelligence artificielle et le big data. Il souligne l'importance croissante des compétences numériques dans un monde en mutation rapide et analyse les différents types d'interactions des utilisateurs avec les technologies d'apprentissage. Enfin, il met en lumière les implications de l'automatisation sur le marché du travail et l'éducation des générations futures.
L'éducation et les révolutions
- 1. ÉDUCATION ET RÉVOLUTIONS FrançoisGuité @FrancoisGuite
- 3.
- 4.
- 6.
- 7. Population mondiale alphabétisée,1800 à 2014 Population mondiale alphabétiséePopulation mondiale illettrée
- 8. Population mondiale parniveau d’éducation, 1970 à 2100 0-15 ans aucune éducation primaire incomplet primaire début du secondaire secondaire post-secondaire
- 9. Olivier H. Beauchesne:Map of Scientific Collaboration (2014) http://olihb.com/2014/08/11/map-of-scientific-collaboration-redux/
- 10.
- 11.
- 12. L’être humain pense. Lamachine exécute.
- 13. L’IA est plusartificielle qu’ artificielle intelligente.
- 14.
- 15. Personne ne sait réellement commentles algorithmes les plus avancés opèrent… encore moins les algorithmes eux-mêmes. W. Knight (2017)
- 16. Comment l’IA vatransformer les entreprises Source : PwC https://transformation-digitale.pwc.fr/digital/comment-lintelligence-artificielle-et-linternet-des-objets-vont-transformer-les-entreprises R. Chitkara, A. Rao, D. Yaung (2017) Évolution de l’intelligence artificielle Intelligence assistée Intelligence augmentée Intelligence autonome • Nature de la tâche est la même • Les tâches sont automatisées • Les humains n’apprennent pas de la machine • Les machines apprennent • Exemples : machinerie, processus d’usines, fours • Nature de la tâche évolue • Les humains et la machine échangent de l’information • Exemples : analyse des stratégies commerciales utilisant l’apprentissage automatique • Nature de la tâche évolue • Les décisions sont automatisées • Les machines apprennent de façon continu • Exemples : véhicule autonome, investissement intelligent
- 17. Google 15,000 PB (estimé) Cerveau humain Ebay SpotifyFacebook L’univers du big data, 2016Quantité de données stockées Source : https://royalsociety.org/topics-policy/projects/machine-learning/machine-learning-infographic/
- 19. Consommation d’internet: PCvs mobiles Minutes par jour 112.9 100 80 60 40 26.9 2014 2016 2018 Source : Digiday https://digiday.com/media/mobile-overtaking-desktops-around-world-5-charts/ Internet mobile Internet PC
- 20.
- 21. des gens apprennent surdes mobiles Source : Towards Maturity http://elearninginfographics.com/profile-modern-learner-infographic/
- 24.
- 25.
- 26. Ce que fontles utilisateurs Qui participe (usagers en ligne - États-Unis) Jeunes ados Jeunes Génération Y Jeunes boomersGénération X Vieux boomers Aînés 12 à 17 18 à 21 22 à 26 27 à 40 41 à 50 51 à 60 62+ Créateurs : publient des pages Web, bloguent, téléchargent des vidéos sur des sites comme YouTube Critiques : commentent les blogues, évaluent et publient des critiques Collectionneurs : ont recours aux fils RSS et aux outils d’étiquetage pour colliger l’information Adhérents : utilisent les sites de réseaux sociaux Spectateurs : lisent des blogues, regardent des vidéos produites par leurs pairs et écoutent des podcasts Inactifs : sont en ligne, mais ne participent pas encore aux médias sociaux 34% 37% 30% 19% 12% 7% 5% 24% 37% 34% 25% 18% 15% 11% 11% 16% 18% 16% 15% 16% 11% 51% 70% 57% 29% 15% 8% 6% 49% 59% 54% 41% 31% 26% 19% 34% 17% 21% 42% 54% 61% 70% (2007)
- 27. Puisent l’information àde multiples sources
- 28.
- 29. Traitent les imageset le son avant le texte
- 30. En fonction dumoment
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 39. Intelligence appliquée au numérique Source :World Economic Forum https://www.weforum.org/agenda/2016/06/8-digital-skills-we-must-teach-our-children
- 40. Connaissances nécessaires autravail 9 18 75 % des connaissances mémorisées nécessaires au travail Robert Kelley (Carnegie Mellon University, 2007) 80 % 60 40 20 0 1986 1997 2006 Source : http://www.clomedia.com/2007/06/22/the-new-knowledge-worker-enabling-the-next-generation/
- 41.
- 42.
- 43.
- 44. Connectivisme : 1. Lesavoir est maillé et distribué. 2. L’apprentissage est une expérience qui vient de la formation de réseaux neuronaux, conceptuels et externes. 3. L’apprentissage se produit dans des environnements complexes, chaotiques et mouvants. 4. L’apprentissage est de plus en plus assisté par la technologie G. Siemens (2016) https://www.slideshare.net/gsiemens/future-of-learning-digital-distributed-and-datadriven
- 45.
- 46. Affordance : toutesles possibilités d’action sur un objet ou l’environnement. J. Gibson (1977), W. Gaver (1991)
- 47. OUTILS NUMÉRIQUES AFFORDANCES AFFORDANCE: GIBSON, J.J.(1977); GAVER, W. (1991) CRÉATRICES
- 48. MÉDIAS SOCIAUX AFFORDANCES AFFORDANCE: GIBSON, J.J.(1977); GAVER, W. (1991) COLLECTIVES
- 50. NUMÉRIQUE AFFORDANCES AFFORDANCE: GIBSON, J.J.(1977); GAVER, W. (1991) PÉDAGOGIQUES
- 51. Résultat à l’examenfinal Nombred’élèves classe conventionnelle apprentissage par maîtrise tutorat un pour un Problème sigma 2 (Bloom, 1984)
- 52. Mémoriser Comprendre Appliquer Analyser Évaluer Créer Bloom, B. 1990 Remémorationet duplication Habiletés et concepts Pensée stratégique Webb, N. 2002 Pensée étendue Modèles taxonomiques https://education.ohio.gov/getattachment/Topics/Teaching/Educator-Evaluation-System/How-to-Design-and-Select-Quality-Assessments/DOK-Compared-to-Blooms-Taxonomy.pdf.aspx
- 53. L’évolution de l’apprentissageen ligne eLearning Industry (2016) https://elearningindustry.com/online-learning-3-0-happening Passé 1.0 Sites web Récent 2.0 Cours en ligne Présent 3.0 Apprentissage personnalisé • présentiel • sites web • pages web statiques • PDF • vidéoclips accessoires • hybride (présentiel / en ligne) • vidéo de l’enseignant • choix multiples • LMS institutionnel • analytiques de base • interfaces modernes • ingénierie pédagogique • apprentissage authentique • axé sur les compétences • mobile • ludifié • analytiques détaillés • apprentissage adaptatif
- 54.
- 55.
- 56.
- 57.
- 58.
- 59.
- 60.
- 61.
- 62.
- 63.
- 65. h t t =technologieh = être humain /
- 66. h t t =technologieh = être humain ↔
- 67. h t t =technologieh = être humain =
- 68. h t t = technologieh= être humain
- 69. h t> t =technologieh = être humain
- 70. ht > t =technologieh = être humain
- 71. ↔t >h t t= technologieh = être humain
- 72. ↔t >h t =technologieh = être humain h
- 73. >h t h =être humain t = technologie = réseau
- 74. > t = technologieh= être humain r = réseau h t = réseau
- 75. > t = technologieh= être humain r = réseau h t = réseau
- 76. t+h t = technologieh= être humain r = réseau= réseau t>
- 77. h t t = technologieh= être humain
- 79. h = êtrehumain h 🌎↔ ↔ ↔ IA
- 80. Wang et coll.(2016) Diagnostic par IA
- 81. Wang et coll.(2016) Diagnostic par humain
- 82. Wang et coll.(2016) Diagnostic par humain + IA
- 83.
- 84. Les robots vont-ilsprendre mon emploi ? 3,2% Enseignants post-secondaires RISQUE D’AUTOMATISATION Sécurité totale 3,2% de probabilité d’automatisation SOC CODE: 25-1000.00 CROISSANCE PROJETÉE 12% en 2024 Source : https://www.bloomberg.com/graphics/infographics/job-automation-threatens-workforce.html
- 85.
- 86. https://www.stlouisfed.org/on-the-economy/2016/january/jobs-involving-routine-tasks-arent-growing Emplois: routinier vsnon-routinier, cognitif vs manuel non-routinier, cognitif routinier, cognitif routinier, manuel non-routinier, manuel Emplois (millionsdepersonnes) 1983 1985 1987 1989 1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 FEDERAL RESERVE BANK of ST. LOUIS 0 10 20 30 40 50 60
- 87. Source : https://arxiv.org/pdf/1705.08807.pdf Dépassementde l’humain par l’IA Grace, K., Salvatier, J. et coll. (2017) Années après 2016 Automatisation du travail (tous les emplois) Chercheur en IA Intelligence machine générale (toutes tâches humaines) Recherche en mathématiques Chirurgien Compétition Putnam (math) Écriture d’un best-seller du NYT Vendeur Go (même entraînement qu’un humain) Étapesimportantes
- 88. Comment peut-on rendreles machines plus intelligentes? Comment les machines peuvent- elles nous rendre plus intelligents? Technologie Éducation
- 89. EDUCATION NOV 8,2016 DIRECTOR FOR EDUCATION AND SKILLS, AND SPECIAL ADVISOR ON EDUCATION POLICY TO THE SECRETARY-GENERAL, OECD Andreas Schleicher Source : https://www.blog.google/topics/education/learning-work-future/
- 90.