L'outil de rétroaction de l'IA améliore les pratiques d'enseignement

Aug 30, 2023

La première étude du genre montre qu'un outil de rétroaction automatisée améliore les pratiques de communication des enseignants et la satisfaction des étudiants.

L'intelligence artificielle transforme rapidement l'éducation, de manière à la fois inquiétante et bénéfique. Du côté positif du grand livre, de nouvelles recherches montrent comment l'IA peut aider à améliorer la façon dont les instructeurs interagissent avec leurs étudiants, au moyen d'un outil de pointe qui fournit des commentaires sur leurs interactions en classe.

L'outil M-Powering Teachers fournit des commentaires avec des exemples de dialogue de la classe pour illustrer des modèles de conversation de soutien. Clique sur l'image pour l'agrandir. (Crédit image : Avec l'aimable autorisation de Dora Demszky)

Une nouvelle étude dirigée par Stanford, publiée le 8 mai dans la revue à comité de lecture Educational Evaluation and Policy Analysis, a révélé qu'un outil de rétroaction automatisé améliorait l'utilisation par les instructeurs d'une pratique connue sous le nom d'adoption, où les enseignants reconnaissent, réitèrent et s'appuient sur les contributions des étudiants. Les résultats ont également fourni des preuves que, parmi les étudiants, l'outil a amélioré leur taux de réalisation des devoirs et leur satisfaction globale à l'égard du cours.

Pour les instructeurs qui cherchent à améliorer leur pratique, l'outil offre un complément peu coûteux à l'observation conventionnelle en classe - un complément qui ne nécessite pas un coach pédagogique ou un autre expert pour observer l'enseignant en action et compiler un ensemble de recommandations.

"Nous savons, grâce à des recherches antérieures, qu'un retour d'information spécifique et opportun peut améliorer l'enseignement, mais il n'est tout simplement pas évolutif ou faisable pour quelqu'un de s'asseoir dans la classe d'un enseignant et de donner son avis à chaque fois", a déclaré Dora Demszky, professeure adjointe à la Stanford Graduate School of Education (GSE) et auteur principal de l'étude. "Nous voulions voir si un outil automatisé pouvait soutenir le développement professionnel des enseignants de manière évolutive et rentable, et c'est la première étude à montrer que c'est le cas."

Reconnaissant que les méthodes existantes pour fournir des commentaires personnalisés nécessitent des ressources importantes, Demszky et ses collègues ont entrepris de créer une alternative peu coûteuse. Ils ont tiré parti des avancées récentes du traitement du langage naturel (PNL) - une branche de l'IA qui aide les ordinateurs à lire et à interpréter le langage humain - pour développer un outil capable d'analyser les transcriptions d'une session de classe afin d'identifier les modèles de conversation et de fournir une rétroaction cohérente et automatisée.

Pour cette étude, ils se sont concentrés sur l'identification de l'utilisation par les enseignants des contributions des élèves. "L'adoption est essentielle pour que les élèves se sentent entendus, et en tant que pratique, elle a été liée à une meilleure réussite des élèves", a déclaré Demszky. "Mais il est également largement considéré comme difficile pour les enseignants de s'améliorer."

Dora Demszky est professeure adjointe à la Stanford Graduate School of Education. (Crédit d'image : avec l'aimable autorisation de Stanford GSE)

Les chercheurs ont formé l'outil, appelé M-Powering Teachers (le M signifie machine, comme dans l'apprentissage automatique), pour détecter dans quelle mesure la réponse d'un enseignant est spécifique à ce qu'un élève a dit, ce qui montrerait que l'enseignant a compris et construit sur l'idée de l'élève. L'outil peut également fournir des commentaires sur les pratiques de questionnement des enseignants, telles que poser des questions qui ont suscité une réponse significative de la part des élèves, et le ratio de temps de conversation enseignant/élève.

L'équipe de recherche a mis l'outil au travail lors de la session du printemps 2021 de Stanford's Code in Place, un cours en ligne gratuit qui en est maintenant à sa troisième année. Dans le programme de cinq semaines, basé sur le populaire cours d'introduction à l'informatique de Stanford, des centaines d'instructeurs bénévoles enseignent la programmation de base aux apprenants du monde entier, dans de petites sections avec un ratio enseignant-élève de 1:10.

Les instructeurs de Code in Place viennent de toutes sortes d'horizons, des étudiants de premier cycle qui ont récemment suivi le cours eux-mêmes aux programmeurs informatiques professionnels travaillant dans l'industrie. Aussi enthousiastes qu'ils soient pour initier les débutants au monde du codage, de nombreux instructeurs abordent cette opportunité avec peu ou pas d'expérience préalable en enseignement.

Les instructeurs bénévoles ont reçu une formation de base, des objectifs de cours clairs et des plans de session pour se préparer à leur rôle, et beaucoup ont apprécié la possibilité de recevoir des commentaires automatisés sur leurs sessions, a déclaré le co-auteur de l'étude Chris Piech, professeur adjoint d'enseignement de l'informatique à Stanford et co-fondateur de Code in Place.

"Nous accordons tellement d'importance à l'éducation sur l'importance d'une rétroaction opportune pour les étudiants, mais quand les enseignants reçoivent-ils ce genre de rétroaction?" il a dit. "Peut-être que le directeur viendra s'asseoir dans votre classe, ce qui semble terrifiant. Il est beaucoup plus confortable de s'engager avec des commentaires qui ne viennent pas de votre directeur, et vous pouvez l'obtenir non seulement après des années de pratique, mais dès votre premier jour au travail. "

Les instructeurs ont reçu leurs commentaires de l'outil via une application quelques jours après chaque cours, afin qu'ils puissent y réfléchir avant la prochaine session. Présentés dans un format coloré et facile à lire, les commentaires utilisaient un langage positif et sans jugement et comprenaient des exemples spécifiques de dialogue de leur classe pour illustrer des modèles de conversation de soutien.

Les chercheurs ont constaté qu'en moyenne, les instructeurs qui examinaient leurs commentaires augmentaient par la suite leur utilisation de l'assimilation et des questions, les changements les plus significatifs ayant lieu au cours de la troisième semaine du cours. L'apprentissage et la satisfaction des étudiants à l'égard du cours ont également augmenté chez ceux dont les instructeurs ont reçu des commentaires, par rapport au groupe témoin. Code in Place n'administre pas d'examen de fin de cours, les chercheurs ont donc utilisé les taux d'achèvement des devoirs facultatifs et des enquêtes sur les cours pour mesurer l'apprentissage et la satisfaction des étudiants.

Des recherches ultérieures menées par Demszky avec l'un des coauteurs de l'étude, Jing Liu, PhD '18, ont étudié l'utilisation de l'outil parmi les instructeurs qui ont travaillé en tête-à-tête avec des élèves du secondaire dans un programme de mentorat en ligne appelé Polygence. Les chercheurs, qui présenteront leurs conclusions en juillet lors de la conférence Learning at Scale 2023, ont constaté qu'en moyenne, l'outil améliorait l'absorption des contributions des étudiants par les mentors de 10 %, réduisait leur temps de conversation de 5 % et améliorait l'expérience des étudiants avec le programme ainsi que leur optimisme relatif quant à leur avenir universitaire.

Demszky mène actuellement une étude sur l'utilisation de l'outil pour les salles de classe en personne de la maternelle à la 12e année, et elle a noté le défi de générer la transcription de haute qualité qu'elle a pu obtenir à partir d'un environnement virtuel. "La qualité audio de la salle de classe n'est pas excellente et séparer les voix n'est pas facile", a-t-elle déclaré. "Le traitement du langage naturel peut faire tellement de choses une fois que vous avez les transcriptions - mais vous avez besoin de bonnes transcriptions."

Elle a souligné que l'outil n'a pas été conçu à des fins de surveillance ou d'évaluation, mais pour soutenir le développement professionnel des enseignants en leur donnant l'occasion de réfléchir sur leurs pratiques. Elle l'a comparé à un tracker de fitness, fournissant des informations pour le propre bénéfice de ses utilisateurs.

L'outil n'a pas non plus été conçu pour remplacer la rétroaction humaine, mais pour compléter d'autres ressources de développement professionnel, a-t-elle déclaré.

Avec Dora Demszky, Jing Liu et Chris Piech, l'étude a été co-écrite par Dan Jurafsky, professeur de linguistique et d'informatique à Stanford, et Heather C. Hill, professeur à la Harvard Graduate School of Education.

Dora Demszky, École supérieure d'éducation de Stanford : [email protected]

Carrie Spector, École supérieure d'éducation de Stanford : [email protected]

Les scientifiques soupçonnent depuis longtemps que le poids de la neige et de la glace dans les montagnes voisines pourrait perturber les évaluations des eaux souterraines liées aux changements d'altitude dans la vallée centrale de Californie, mais ils ne disposaient pas d'un moyen de quantifier l'effet. Une nouvelle étude démontre une solution.

Certains types de maltraitance envers les enfants sont des précurseurs particulièrement importants de l'alexithymie adulte, un trait de personnalité qui peut nuire aux relations interpersonnelles et à la santé mentale.

Les deux nouveaux membres de l'équipe de direction du bureau du vice-recteur et du doyen de la recherche expliquent comment leurs rôles soutiennent l'écosystème de recherche de Stanford.