Dans le monde de la technologie éducative, « personnalisation » est un mot à la mode souvent utilisé pour décrire un logiciel qui ajuste la difficulté selon que l’élève obtient une bonne ou une mauvaise réponse. Cependant, selon Dr. Selon Nicola Hodkowski, chercheur de premier plan dans le domaine de l’enseignement des mathématiques, cette approche est fondamentalement erronée. Pour véritablement améliorer le raisonnement mathématique, l’IA doit aller au-delà de la simple correction des erreurs et commencer à comprendre comment les élèves pensent.
La leçon de la classe : aller au-delà du « montrer et raconter »
La nécessité de ce changement est ancrée dans l’expérience pratique en classe. Au cours de ses huit années en tant qu’enseignante de mathématiques au niveau élémentaire, la Dre Hodkowski s’est rendu compte que les méthodes traditionnelles, comme la pratique supplémentaire ou l’utilisation d’objets de manipulation physique, n’étaient souvent que des « solutions superficielles ». Ils ont traité les symptômes de la lutte plutôt que la cause profonde.
La percée s’est produite lorsqu’elle a cessé d’essayer de « transférer » ses propres connaissances mathématiques à ses élèves et a plutôt commencé à construire un Modèle du Second Ordre (SOM) de leur raisonnement.
Le pouvoir de déduire des processus de pensée
Plutôt que de simplement voir une mauvaise réponse, le Dr Hodkowski a commencé à chercher la logique derrière l’erreur. Elle a appris à distinguer différentes étapes cognitives, telles que :
– Comptage par unités individuelles : Un élève qui compte chaque individu « 1 » pour résoudre un problème.
– Comptage par unités composites : Un élève qui comprend les groupes (par exemple, compter par 2, 5 ou 10).
En identifiant les « unités » qu’un élève utilisait pour fonctionner, elle pouvait concevoir des activités spécifiques pour combler l’écart entre sa compréhension actuelle et le prochain niveau de complexité.
Le résultat : Ce changement pédagogique a conduit à une augmentation spectaculaire des performances des élèves. Dans sa classe, le pourcentage d’élèves ayant obtenu un niveau « Compétent » ou « Avancé » est passé de 58 % à 85 % en une seule année, dépassant de loin la croissance observée dans son école et son district.
L’écart dans la technologie actuelle de l’IA
Malgré le succès de cette approche centrée sur l’humain, les outils pédagogiques actuels basés sur l’IA ne sont pas à la hauteur. La plupart des plateformes existantes fonctionnent sur un modèle de « premier ordre » : elles identifient une erreur et fournissent ensuite une solution « montrer et raconter », en guidant essentiellement l’étudiant à travers les étapes correctes.
Cela échoue parce que les mathématiques ne sont pas une simple question de transmission. L’apprentissage d’un nouveau concept nécessite une transformation conceptuelle, dans laquelle un étudiant doit connecter de nouvelles idées à ses cadres mentaux existants. Si une IA ne peut pas déduire pourquoi un élève est bloqué, elle ne peut pas faciliter cette transformation.
Une feuille de route pour l’avenir de l’EdTech
Pour passer d’une simple notation à un véritable enseignement mathématique, le Dr Hodkowski soutient que les développeurs d’IA doivent donner la priorité à la pédagogie adaptée aux étudiants. Elle décrit trois piliers essentiels pour la prochaine génération d’outils d’IA :
- Déduire le raisonnement sous-jacent : Les algorithmes ne doivent pas simplement signaler une réponse incorrecte ; ils doivent faire la distinction entre différentes opérations mentales (par exemple, identifier si un élève a des difficultés avec la valeur de position par rapport à l’addition de base).
- Guider la transformation conceptuelle : Au lieu de fournir des indices menant à une réponse rapide, l’IA devrait générer des tâches qui remettent intentionnellement en question la façon de penser actuelle d’un élève, le poussant vers un raisonnement d’ordre supérieur.
- Support Teacher Insight : L’IA devrait agir comme un « partenaire de réflexion » pour les enseignants, en leur fournissant des données exploitables sur l’état cognitif d’un élève pour éclairer une meilleure planification des cours.
Conclusion
L’avenir de l’enseignement des mathématiques réside dans la nécessité d’aller au-delà de la personnalisation superficielle. Pour que l’IA soit une force de transformation, elle doit cesser d’agir comme un corrigé numérique et commencer à agir comme un enseignant capable de comprendre les nuances du raisonnement humain.
