• Séminaire TECF'AGORA
    Séminaire TECF'AGORA (jeudi 29 février 2024): IA et rétroactions dans les environnements numériques d'apprentissage.
  • Séance ouverte de la CIP
    Séance ouverte de la CIP: Présentation des finalistes du prix de l’innovation pédagogique 2023
  • Makeiteasy
    Une plateforme pour tester et améliorer vos compétences numériques à votre rythme
  • Ateliers pour votre doctorat
    N'hésitez pas à vous inscrire et découvrez notre offre complète d'ateliers pour votre doctorat !
  • Ciel cherche: rédacteurs/trices

Catégorie : Analyses & réflexions

Billet proposant un retour d’expérience, une analyse, une réflexion…


ChatGPT pour la recherche académique

Introduction

Le 30 novembre 2022, OpenAI lance ChatGPT. En seulement 5 jours, la plateforme atteint le million d’utilisateurs[1]. Cette intelligence artificielle a, en seulement quelques mois, bouleversé notre rapport à l’information et à la connaissance, créant pour beaucoup de professionnels de l’éducation des craintes sur l’avenir de leur discipline.

Je ne suis ni un professionnel de l’éducation, ni un expert de l’intelligence artificielle. Je suis un étudiant en Services et systèmes numériques, un passionné d’informatique et un paresseux aguerri. En décembre de l’année passée, je commençais à écrire ma thèse de Bachelor, sur laquelle je travaillais depuis déjà un certain temps. Ma curiosité, comme pour beaucoup d’autres, m’a poussé à explorer ChatGPT.

« I choose a lazy person to do a hard job. Because a lazy person will find an easy way to do it. »  – Bill Gates

Je voulais tester ses capacités à traiter des sujets complexes, mais pour pouvoir correctement évaluer la qualité des réponses, il me fallait trouver un sujet que je maîtrise. 90% de mes pensées étant consacré à ma thèse, il m’a paru évident de le questionner sur ce sujet. Je me suis rendu compte du potentiel énorme de cet outil lorsque, en quelques interactions, l’IA est arrivée aux mêmes conclusions que moi après environ 10 mois de travail…

Après avoir remis en question mes trois dernières années de formations, j’ai pris du recul et compris que ces résultats n’étaient pas le produit d’une réflexion de la part de ChatGPT mais d’une agrégation très bien formulée de recherches menées par de brillants humains.

Après quelques heures d’utilisation, j’étais convaincu. J’allais utiliser ChatGPT pour écrire ma thèse. Laissez-moi maintenant vous expliquer pourquoi ce billet ne s’intitule pas “Comment j’ai utilisé une intelligence artificielle pour écrire mon travail de Bachelor à ma place”.

Définir un cadre et une méthodologie

ChatGPT n’ayant pas encore fêté ses 1 mois d’existence, il n’existait pas encore de cas concret de son utilisation dans le cadre de la recherche académique et donc pas de directives précises à suivre. Il était donc nécessaire, afin de légitimer mon travail, de définir un cadre et une méthodologie clairs, afin d’utiliser l’outil de manière responsable et éthique. Sous la supervision de Laurent Moccozet, j’ai défini quatre règles fondamentales à respecter:

I. Comprendre l’outil

ChatGPT est un outil performant, mais peut produire des informations erronées ou de mauvaises qualités, il est donc important de comprendre ses limites et son fonctionnement, afin de réduire ces risques. En se basant sur le nom du service, nous pouvons définir 2 méthodes, qui permettent d’améliorer la qualité et la pertinence des réponses, celles-ci sont les suivantes:

Chat : L’une des grandes forces de cet outil est sa capacité à adapter ses réponses, également appelées « prompts », en fonction des retours de l’utilisateur. Il est crucial d’utiliser cette fonctionnalité pour orienter l’IA vers la réponse la plus pertinente. Cette fonctionnalité a même entraîné l’émergence d’un nouveau domaine de recherche, appelé le « prompt engineering ». C’est-à-dire étudier la façon dont l’utilisateur interagit avec le programme et trouver les formulations les plus à même de produire des réponses pertinentes. Par exemple, lorsqu’on utilise une calculatrice, il est plus efficace d’écrire 3³ plutôt que 3×3×3 .

GPT (Generative Pre-trained Transformer) : GPT-3 et 4 sont ce qu’on appelle des LLM ou large language model. En d’autres termes, ce sont des systèmes capables de générer du texte sur une vaste quantité de sujets. Afin d’optimiser ses réponses, il est souhaitable de poser un cadre, en définissant le niveau de précision de ses réponses, ainsi que le contexte d’utilisation, par exemple: « Tu es un étudiant en Bachelor. Tu écris une thèse sur … ». Ce genre de méthodes rentre dans le domaine du prompt engineering et vaut la peine d’être étudié plus en détail afin de vraiment s’approprier l’outil.

II. Connaissances préliminaires

Pour assurer une utilisation efficace des capacités conversationnelles de ChatGPT, l’utilisateur doit posséder des connaissances préalables sur le sujet qu’il interroge, afin d’être en mesure de vérifier et de comprendre les informations données par l’IA.

Ce prérequis est essentiel pour assurer une utilisation optimale de ce service, en tant qu’outil de recherche.

III. Relecture et recherche additionnelles

Chaque réponse fournie par ChatGPT doit être examinée et soumise à une recherche supplémentaire pour vérifier son exactitude, sa pertinence et la source des informations présentées.

ChatGPT ne peut pas être référencé comme source de l’information qu’il fournit, il est donc essentiel de mener des recherches additionnelles, dans le but de soutenir ses affirmations avec des sources fiables.

Il est important de préciser que ChatGPT, contrairement à Bing ou Google, n’est pas un moteur de recherche. Bien qu’il soit capable de générer des informations sur une variété de sujets, il ne vérifie pas leurs exactitudes et véracité car il n’a pas la capacité de précisément déterminer l’origine des informations utilisées pour produire ses réponses. Il reste néanmoins un bon complément aux moteurs de recherche pour donner une direction et/ou afin d’expliquer des concepts résultants de recherches classiques.

Ce processus peut être facilité par l’utilisation de Bing, qui a récemment intégré GPT-4 à son moteur de recherche et qui inclut directement dans ses réponses les sources utilisées. La vérification de la fiabilité de ces références, ainsi que la recherche de sources supplémentaires restent néanmoins nécessaire.

IV. Documentation de l’utilisation

Bien que les réponses de ChatGPT ne puissent pas être directement utilisées comme références, il est important de documenter toutes les discussions pertinentes au travail qu’il a aidé à écrire. Cela permet de légitimer le travail de l’auteur et de prouver l’authenticité du résultat final.

Cette étape est particulièrement importante, car elle permet de soutenir l’utilisation éthique de l’IA pour la recherche académique, mais également de créer un précédent dans un contexte où il s’agit encore d’une technologie émergente et controversée.

Applications concrètes

La versatilité des LLM et la vitesse phénoménale de l’innovation dans le domaine permettent d’innombrables cas d’utilisation. J’ai, pour ma part, identifié 4 applications qui ont servit à la rédaction de mon travail de Bachelor, et pour lesquelles j’ai appliqué la méthodologie décrite ci-dessus.

I. Collecte d’informations

J’ai utilisé ChatGPT pour trouver et comprendre des informations sur des articles, des algorithmes, des concepts mathématiques et d’autres sujets plus ou moins complexes. L’avantage de combiner cet outil avec des moteurs de recherches classiques est qu’il permet d’obtenir des informations très précises, basées sur différentes sources agrégées en réponses digestes et compréhensibles pouvant ensuite être développées plus profondément grâce à la fonctionnalité de chat.

Pour assurer l’exactitude des informations collectées, j’ai utilisé des sources alternatives de vérification Si aucune source fiable n’a pu être identifiée, les informations n’ont pas été utilisées.

II. Description des algorithmes

J’ai fourni à ChatGPT des extraits de mon code, dûment annoté, afin qu’il me génère des descriptions des algorithmes utilisés. Les réponses produites, bien que partiellement correctes, m’ont permis de gagner du temps sur la rédaction ainsi qu’à mettre des mots sur des concepts complexes qui ne sont pas toujours évidents à traduire en langage naturel.

III. Amélioration de la qualité d’écriture

L’utilisation régulière de ce nouvel outil a impacté ma façon de rédiger. Là où auparavant je prenais soin de bien formuler chaque phrase les unes après les autres au fur et à mesure que j’écrivais, avec ChatGPT j’ai pu me concentrer sur le contenu et lui déléguer (partiellement) la forme. J’ai rapidement pris l’habitude de rédiger mes idées directement dans le chat sous forme de note afin qu’il me génère des phrases cohérentes et bien écrites.

IV. Utilisation de ChatGPT comme point de départ

Je me suis ensuite servi des réponses de ChatGPT comme fondation pour ma thèse en apportant les modifications nécessaires et en les ordonnant de sorte à former un tout qui soit cohérent et fidèle à mes idées.

Dans certains cas, les phrases générées par ChatGPT étaient suffisamment bonnes pour être utilisées (presque) telles quelles, mais dans la grande majorité des cas, la plupart du contenu a été modifié pour s’adapter à la structure globale du document ainsi qu’à mon propre style d’écriture. Je pense qu’il est important de ne pas trop se reposer sur les formulations produites par le LLM afin d’éviter que la forme rédactionnelle ne devienne trop impersonnelle.

Comme je l’ai précisé plus haut, la conversation utilisée pour générer ce texte a été mise à disposition dans les annexes de mon travail afin qu’elle puisse servir d’exemple de comment utiliser l’IA efficacement pour la rédaction.

“Du coup c’est le robot qui a fait le travail à ta place ?”

C’est la question que tout le monde se pose, et c’est légitime. ChatGPT est un outil incroyable et bien qu’il m’ait aidé à améliorer considérablement ma productivité, il n’a pas inventé les algorithmes présentés dans ma thèse.

Comme on ne remet pas en question le travail d’un mathématicien qui utiliserait une calculatrice, l’utilisation de ChatGPT ne devrait pas non plus remettre en question mon travail. Il est vrai que certains pourraient utiliser cet outil sans documentation ou de manière inappropriée pour accomplir leur travail à leur place. Mais le fait est que les IA existent, continueront d’exister et de s’améliorer. Aujourd’hui, ChatGPT offre un avantage concurrentiel et il serait contre-productif de l’interdire. Au contraire, nous avons l’opportunité de l’intégrer dans le système éducatif, d’offrir aux étudiants un tuteur capable de s’adapter à leur besoin, disponible à tout moment pour répondre à leurs questions et sans crainte d’être jugé.

Je suis profondément convaincu qu’un tel outil, correctement adapté, a le potentiel d’améliorer l’apprentissage des étudiants à chaque étape du système scolaire. Sal Khan, le fondateur de la Khan Academy, a déjà intégré un tel outil à sa plateforme d’apprentissage en ligne et les résultats sont encourageants.

Ce nouvel outil et les intelligences artificielles de manière générale ne sont cependant pas sans risques. Au-delà des inquiétudes autour de l’insurrection des machines, les capacités génératives des IA modernes posent de sérieux risques autour de la falsification des informations, et de l’incapacité de ces machines à évaluer les risques liés aux réponses produites. Il est crucial de continuer à améliorer ces systèmes plutôt que d’essayer de les interdire, afin de minimiser les risques et de garder un certain contrôle quant à leurs utilisations.

Le changement est inévitable, autant en faire partie.

[1] Buchholz, K. (2023) ‘ChatGPT Sprints to One Million Users’, Statista, 24 janvier. Disponible à: https://www.statista.com/chart/29174/time-to-one-million-users/ (consulté le 24 mars 2023).



Learning analytics ou comment lire les traces numériques pour aider les étudiant-e-s en difficulté?

Image générée par DALL-E
Prompt: « footprints on a surface with electronic structure » 31 mars 2023

Au cours de leur parcours de formation, étudiant-es et enseignant-es naviguent souvent sur des plateformes en ligne de toutes sortes, LMS comme Moodle, quiz, portfolios, wikis etc. Comme toute visite sur un site web, achats en ligne ou échanges sur les réseaux sociaux, ces cheminements virtuels laissent des traces numériques.

Learning analytics

En éducation supérieure comme ailleurs, ces traces, combinées à certaines informations enregistrées en cours de formation, peuvent être analysées à différentes fins. C’est ce qu’on appelle learning analytics, un domaine d’exploration proche des intelligences artificielles (IA). Si on demande à un de ces outils d’IA les plus connus actuellement (il s’agit bien sûr de ChatGPT):  « Fais une liste des approches en learning analytics utilisées au niveau universitaire dans le monde » (Requête du 5 avril 2023), il propose une liste assez complète:

« Voici une liste des approches en learning analytics utilisées au niveau universitaire dans le monde :

  1. Analyse des données d’utilisation des plateformes d’apprentissage en ligne (Learning Management Systems) pour identifier les modèles d’utilisation, les tendances et les lacunes dans les performances des étudiants.
  2. Analyse des données de fréquentation des cours pour identifier les étudiants qui manquent régulièrement les cours et leur fournir un soutien supplémentaire.
  3. Analyse des données d’inscription pour identifier les tendances en matière d’inscription et de désinscription des cours et pour comprendre les raisons sous-jacentes de ces tendances.
  4. Analyse des données de performance des étudiants pour identifier les facteurs qui influencent la réussite ou l’échec des étudiants dans un cours particulier, tels que la participation aux forums de discussion, les résultats des examens et les devoirs soumis.
  5. Analyse des données de rétroaction des étudiants pour comprendre les perceptions des étudiants sur l’efficacité de l’enseignement et pour améliorer la qualité de l’enseignement.
  6. Analyse des données d’interaction sociale entre les étudiants pour comprendre comment les étudiants interagissent entre eux et pour améliorer la collaboration et la communication.
  7. Analyse des données de réussite des étudiants pour identifier les facteurs qui contribuent à la réussite universitaire, tels que la participation à des activités parascolaires et la prise de décisions éducatives éclairées.
  8. Analyse des données de rétention des étudiants pour identifier les facteurs qui influencent la rétention des étudiants et pour fournir un soutien supplémentaire aux étudiants à risque.
  9. Analyse des données démographiques des étudiants pour comprendre les tendances en matière de diversité et pour identifier les groupes d’étudiants qui ont besoin d’un soutien supplémentaire.
  10. Analyse des données de progression des programmes pour comprendre comment les étudiants naviguent à travers les programmes d’études et pour améliorer la planification des programmes. »

Copié à partir de l’adresse https://chat.openai.com/chat

Je reprends cependant la plume pour donner quelques exemples de ce que le learning analytics permet de faire:

  • Accompagner la mise en place d’enseignement individualisé en adaptant le parcours d’apprentissage et les activités et ressources proposées selon les actions de l’étudiant-e.
  • Contribuer à l’amélioration continue d’une formation en analysant l’évolution du niveau de compétences des étudiant-es tout au long de leur parcours de formation.
  • Mettre en regard les compétences visées dans une formation et les compétences demandées sur le marché du travail.
  • Participer au contrôle qualité d’une formation en monitorant le taux de rétention, l’évolution des notes ou la comparaison des résultats obtenus par les étudiant-es de différentes volées.

En bref, là où il y a des traces numériques et des informations accessibles en ligne, le learning analytics permet de les synthétiser, de les analyser et de les utiliser à différentes fins. Les destinataires de ces analyses peuvent être aussi bien les étudiant-es que les enseignant-es, les responsables de formations, doyen-nes, recteurs ou rectrices.

Mise en pratique

Un exemple est le programme « Ma réussite » utilisé à l’Université de Laval. Cet outil agrège plusieurs traces numériques de la participation estudiantine avec les résultats aux tests pour générer un indicateur qui peut être vert si tout va bien, orange s’il faut être attentif ou rouge si le risque d’échec est élevé. Ces indicateurs sont visibles pour chaque étudiant-e lorsqu’il ou elle visualise sa liste de cours sur la plateforme d’apprentissage de l’université. Ils sont également visibles pour les enseignant-es et les directions de programme, leur permettant un suivi en temps réel du déroulement des cours. Les informations sur ces indicateurs sont toujours accompagnées des adresses des contacts (direction de programme, enseignant-es, assistant-es) et d’une liste de ressources à disposition.

Il va sans dire que l’exploitation de traces en éducation pose – ou devrait poser – des questions aussi bien stratégiques et politiques que pédagogiques et éthiques. Il s’agit non seulement de la confidentialité et de la protection des données, mais aussi de l’approche pédagogique qui sera encouragée ou non par ces outils. Ils peuvent servir aussi bien une normativité restrictive qu’une grande créativité, ouvrir un champ des possibles, mais aussi parfois un champ de mines. La série d’articles « Learning Analytics and AI: Politics, Pedagogy and Practices » donne un bon tour d’horizon et la checklist DELICATE  proposée par  Drachsler et Greller me semblent être des guides utiles pour se poser les bonnes questions concernant l’objectif, le respect de la vie privée et la protection des données lorsqu’on souhaite lire et analyser des traces numériques ou des informations en ligne.

Lire aussi:
Les Learning Analytics : un phénomène en expansion dans l’enseignement supérieur (Hausman 2019, présentation aux ABC Days Louvain-la Neuve)

Les traces des étudiant-es en difficulté

Un enjeu important en enseignement supérieur est d’identifier le plus tôt possible les étudiant-es en difficulté. Cette identification précoce ainsi qu’un « diagnostic » du type de difficulté permet de proposer à ces étudiant-es des solutions adaptées selon le domaine concerné: lacunes dans les connaissances théoriques, dans le raisonnement et la pensée critique, l’organisation, le savoir-faire ou le savoir-être. Selon le type de difficultés identifié, cet accompagnement des étudiant-es permet de trouver des solutions dans la majorité des cas. Il y a des exceptions comme l’identification d’une situation problématique au niveau socio-économique, psychologique ou psychiatrique pour lesquels les services externes correspondants seront proposés. Il faut souligner que les étudiant-es présentent souvent plusieurs types de difficultés en parallèle.

Pour plusieurs domaines dans lesquels les étudiant-es peuvent avoir des difficultés, il existe des traces, numériques ou non. Si on reprend les exemples de mon assistant conversationnel, on comprend par exemple que le suivi des activités sur Moodle et de la présence en ligne permettent d’identifier des types de difficultés comme une perte de motivation, des difficultés à s’organiser dans ses études, une compétence communicationnelle peu professionnelle, des lacunes dans les connaissances théoriques ou dans le savoir-faire. Un groupe de suivi et de soutien aux étudiant-es peut alors proposer des solutions adaptées à ces différentes situations.

Le choix des indicateurs pour identifier une personne qui a des difficultés dans ses études dépendra des types de difficulté que l’on souhaite identifier, et des moyens qui peuvent être mis en œuvre lorsque l’indicateur est au rouge. Dans l’exemple de l’outil « Ma réussite » cité plus haut, l’approche se base sur le fait reconnu que l’activité en ligne dans un cours a une valeur prédictive pour la réussite. Les indicateurs sont donc centrés sur le nombre d’accès au site du cours, le nombre de pages consultées, de documents téléchargés, l’activité sur les forums etc. Ces informations sont complétées par les résultats d’évaluation dès qu’ils sont disponibles. Il s’agit donc d’une approche prédictive qui permet à l’étudiant-e, si l’indicateur pour un cours est orange ou rouge, de prendre des mesures jugées adéquates pour améliorer ses chances de réussite.

Une exploration à la Faculté de médecine de Genève

Comme dans d’autres centres universitaires, le curriculum de médecine à Genève comprend de vastes connaissances théoriques à assimiler, mais aussi des compétences communicationnelles, des savoir-faire et une grande responsabilité professionnelle. Ces études sont exigeantes et les enjeux sont importants pour les étudiant-es, la Faculté, les hôpitaux universitaires et aussi la société qui a besoin de médecins qualifiés. Il va de soi que lors de leurs études, certains étudiant-es peuvent rencontrer des difficultés et avoir besoin du soutien du groupe de suivi et de soutien de la Faculté. En analysant les types de difficultés les plus fréquentes chez les étudiant-es en médecine ainsi que les outils numériques couramment utilisés tout au long des études, les traces récoltées dans le portfolio électronique (Geneva Portfolio support GPS) nous ont semblé intéressantes pour une analyse permettant d’identifier le plus tôt possible les étudiant-es en difficulté.

Ce portfolio est aligné avec le référentiel national des compétences pour les études de médecine en Suisse, PROFILES. Il est utilisé dès la deuxième année du bachelor et jusqu’à l’année de stage en dernière année d’études et comprend des formulaires où sont documentées et évaluées les activités des étudiant-es dans plusieurs domaines de compétences:

Connaissances théoriques: L’érudition et l’expertise médicale sont évaluées dans le portfolio lors des stages. Il est évident que le groupe de suivi et de soutien dispose également des évaluations des tests et examens écrits qui leur permettent d’identifier les étudiant-es en échec.

Professionnalisme: Dès la seconde année d’études, la présence et le comportement d’apprentissage lors des tutorats en petits groupes sont évalués par les tuteurs dans le GPS. L’attitude professionnelle est également évaluée par les enseignant-es lors des séances des patients simulés ou dans les années master lors de l’apprentissage en milieu clinique.

Communication: La communication avec les patient-es et leurs familles, mais aussi avec les autres professionnels de la santé est une compétence centrale qui est évaluée par les superviseurs dans le GPS à l’aide d’échelles adaptées pour mesurer l’évolution de l’autonomie des étudiant-es en utilisant les « Entrustable Professional Activities » (EPAs)

Savoir-faire et gestes techniques: Ce domaine comprend la capacité de faire un examen physique et d’accomplir les gestes techniques définis dans le référentiel de compétences. En bachelor 2 et 3 cette compétence est évaluée à l’aide d’une échelle ad hoc lors de l’entraînement avec des patient-es simulé-es. En master, l’évaluation documente l’évolution de l’autonomie pour les gestes techniques.

Ces éléments du portfolio GPS permettent de définir des indicateurs pour identifier les différents types de difficulté décrits plus haut. Ces indicateurs ne sont donc pas prédictifs comme dans l’exemple « Ma réussite », ils suivent une approche diagnostique qui doit permettre une intervention ciblée du groupe de soutien. Cette intervention sera  différente lors de lacunes de connaissances, de problèmes de communication ou d’attitude professionnelle.

Le défi actuellement est de définir pour chaque indicateur la valeur seuil qui aura la meilleure spécificité et sensibilité, c’est à dire qui trouvera tous les étudiant-es ayant vraiment des difficultés (vrais positifs) en excluant les étudiant-es qui n’en ont pas (vrais négatifs).

Depuis le printemps 2021, les éléments du portfolio sont analysés chaque semestre pour les étudiant-es en bachelor 2 et 3 ainsi que pour les étudiant-es en première année master pour identifier les d’étudiant-es qui sont sous les valeurs seuil définies. Leur dossier est alors examiné par le groupe de suivi et de soutien qui confirme ou non la présence d’une difficulté et nous permet ainsi de calibrer les indicateurs. Les étudiant-es pour lesquelles une difficulté a été identifiée sont alors contacté-es par le groupe de suivi et de soutien, comme lorsqu’une difficulté est identifiée par un autre chemin (suggestion d’un-e tuteur, tutrice ou superviseur-e, demande des étudiant-es).

Cette première exploration des traces dans le portfolio électronique des étudiant-es en médecine est prometteuse, car elle permet d’identifier certain-es étudiant-es ayant besoin d’un suivi qui n’auraient peut-être pas été identifié-es par d’autres moyens.

Elle présente également des perspectives intéressantes pour le learning analytics, qui permettrait d’automatiser certaines analyses et de mettre à disposition des étudiant-es des infographies leur permettant de corriger leurs stratégies d’apprentissage ou d’identifier leur besoin de s’adresser au groupe de suivi et de soutien.

Bien entendu, les bases juridiques assurant que cette démarche est bien conforme aux lois qui s’appliquent à l’université ont été clarifiées et un formulaire d’information aux étudiant-es a été intégré au module d’introduction au GPS qui doit être suivi lors de la première utilisation.

Conclusion

L’analyse des traces numériques dans l’enseignement supérieur peut être une ressource intéressante pour tous les intervenant-es, étudiant-es, enseignant-es et responsables de formation. Elles permettent par exemple d’identifier et de mieux accompagner les étudiant-es en difficulté. Cependant il faut garder à l’esprit que la lecture de traces est une science qu’il s’agit d’appliquer à bon escient et de manière éthique.


Le Podcast : une petite révolution pour l’apprentissage autonome et l’enseignement expérientiel

Introduction

Le podcast est un format audio numérique qui a connu une croissance exponentielle depuis sa création au début des années 2000. Le podcast est devenu une plateforme de choix pour créer et partager des contenus audio avec un public large et diversifié. Le CFCD a d’ailleurs lancé, fin 2020, son propre podcast, LifeLongLearning@UNIGE. Largement utilisé pour le divertissement et la culture, il est également de plus en plus utilisé dans l’enseignement et à des fins d’apprentissage autonome. En effet, les podcasts offrent de nombreux avantages pour les enseignant-es et les étudiant-es, notamment en termes de flexibilité, d’accessibilité et d’engagement. Les étudiant-es, tout comme les enseignant-es, cherchent des moyens plus interactifs apprendre. Dans ce contexte, l’utilisation du podcast dans l’enseignement offre une opportunité unique pour une pédagogie plus expérientielle (voir notamment C. Peltier, 2016).

Flexibilité

Les podcasts permettent aux enseignant-es de créer des contenus éducatifs plus flexibles et adaptés à la diversité des apprenant-es. Les enseignant-es peuvent par exemple utiliser le podcast afin de fournir des exemples pratiques et des études de cas qui sont difficiles à présenter en classe. De plus, les podcasts donnent la possibilité aux enseignant-es de donner la parole à des expert-es et des praticien-nes qui peuvent ajouter de la crédibilité et de la profondeur au contenu pédagogique.

Accessibilité

Les podcasts permettent aux étudiant-es d’apprendre de manière autonome et personnalisée. Pouvant être téléchargés et écoutés à tout moment, les étudiant-es peuvent y accéder en déplacement, à la maison ou dans un café et ainsi s’approprier le contenu pédagogique à leur propre rythme. Ceci est particulièrement utile pour ceux/celles qui ont des horaires chargés ou qui vivent loin du campus. Les podcasts sont également une excellente option pour les étudiant-es ayant des besoins spécifiques, tels que ceux/celles ayant des troubles de l’attention ou des problèmes de vision.

Engagement : vers une pédagogie expérientielle

Les podcasts sont un moyen efficace d’engager les étudiant-es dans le processus d’apprentissage. Ils peuvent être utilisés pour créer des discussions en classe, des activités de réflexion et des tâches d’évaluation. Mais au-delà d’être un moyen additionnel et innovant permettant aux étudiant-es d’accéder à des contenus de cours de manière plus flexible, les podcasts offrent également des opportunités en termes d’enseignement expérientiel. La pédagogie expérientielle est une méthode d’enseignement qui repose sur l’expérience pratique et l’application des connaissances dans des contextes réels. Elle est de plus en plus utilisée pour répondre aux besoins des étudiant-es qui cherchent à développer des compétences pratiques et à acquérir une expérience de travail pertinente. En donnant la possibilité aux étudiant-es de produire et de partager leur propre contenu, le podcast peut ainsi non seulement favoriser l’apprentissage, mais également aider au développement de compétences en communication et en collaboration, ainsi qu’au renforcement de capacités réflexives de l’étudiant-e (voir notamment G. Temperman, Gaëtan et B. De Lièvre, 2009).

Exemples d’utilisation du podcast dans l’enseignement

Les podcasts peuvent être utilisés de différentes manières dans l’enseignement. Voici quelques exemples :

Enregistrement de cours

Les enseignant-es enregistrent des cours et les téléchargent sur une plateforme d’apprentissage en ligne pour que les étudiant-es puissent les écouter à leur guise.

Création de contenus pédagogiques

Les enseignant-s enregistrent des podcasts pour fournir des informations supplémentaires sur un sujet particulier ou pour aider les étudiant-es à se préparer à des tâches d’évaluation. Des invité-es et expert-es peuvent être également mis-es à contribution via une interview ou un exposé en podcast afin de compléter ou d’illustrer le contenu d’un cours.

Commentaires et réflexions

Les enseignant-es peuvent enregistrer des commentaires et des réflexions sur le travail des étudiant-es et les télécharger sur un environnement d’apprentissage en ligne pour que les étudiant-es puissent y accéder.

Activités d’apprentissage expérientielles

Les enseignant-es peuvent proposer aux étudiant-es de créer leurs propres épisodes de podcast avec différents objectifs pédagogiques possibles : revue de littérature, synthèse d’un cours et de ses concepts clés, commentaires et réflexions sur le travail d’autres étudiant-es, ou encore présenter un argumentaire sur une thématique donnée.

Retour d’expérience : utilisation du podcast comme outil d’évaluation

Le Professeur Giuseppe Ugazio (Faculté GSEM) a choisi le podcast comme outil d’évaluation pour son cours de Bachelor “Art and Philanthropy”. Il y voit les avantages suivants :

Responsabilise l’étudiant-e

Les étudiant-es disposent de beaucoup de temps pour rassembler tout le matériel dont ils/elles ont besoin pour identifier le contenu pertinent, ce qui encourage au développement de compétences organisationnelles (planification, organisation, priorisation).

Contribue à la structuration de la pensées/des idées

On demande souvent aux étudiant-es de rédiger des essais/papiers, mais rarement de structurer une présentation orale enregistrée à des fins de diffusion.

Stimule la créativité

Les podcasts offrent un format assez flexible. Par exemple, certain-es étudiant-es peuvent opter pour un style d’interview, d’autres pour la description d’une histoire. Les productions peuvent également être « embellies » par de la musique, des sons et des commentaires, rappelant ainsi ce qui est souvent fait pour accompagner la publication de photos ou de vidéos sur des réseaux sociaux tels qu’Instagram.

Diversifie la manière d’évaluer

Du point de vue de l’enseignant-e, il peut être également agréable de varier et d’écouter des évaluations, plutôt que de lire le texte équivalent.

Sur la base des retours de le part du Professeur Ugazio et d’autres enseignant-es, nous avons également identifié quelques inconvénients et risques potentiels à prendre en compte avant de scénariser une utilisation du podcast dans le cadre d’un cours :

Attention à l’égalité de traitement

Certain-es étudiant-es peuvent être timides à l’oral et préfèrent écrire. Certain-es peuvent également être désavantagé-es car leur langue maternelle n’est pas celle du cours en question. Donner la possibilité aux étudiant-es de rédiger le texte et le lire ensuite (ou le faire lire) peut contribuer à amoindrir ce problème.

Difficultés techniques

Si certain-es sont plus doué-es pour « colorer » les podcasts, d’autres peuvent trouver cela fastidieux. Cependant, le Professeur Ugazio souligne que de très beaux podcasts peuvent être créés avec un minimum d’effort (par exemple, ajouter une piste musicale demande très peu d’effort et ne nécessite que des compétences basiques).

Pas adapté à tous les contextes pédagogiques

Le podcast ne conviendra pas forcément dans les cas ou des aspects très techniques doivent être démontrés, ou lorsque de nombreuses références doivent être faites. Par exemple, il sera difficile d’utiliser le podcast pour décrire une formule mathématique ou une ligne de code, sans support visuel.

Pas idéal pour les devoirs plus longs

Il peut être très long et fatigant de produire (ainsi que d’écouter/de corriger) un podcast de plus de 10 minutes. L’objectif du devoir et les critères d’évaluation doivent donc être précis et limités.

Conclusion

Les podcasts offrent de nombreux avantages pour l’enseignement, notamment en termes de flexibilité, d’accessibilité et d’engagement. Les enseignant-es peuvent enregistrer des cours, des discussions en classe et des commentaires pour aider les étudiant-es à rester engagés dans leur propre processus d’apprentissage. Les podcasts sont également une option pratique pour les étudiant-es ayant des besoins spécifiques, tels que les étudiant-es ayant des troubles de l’attention ou des difficultés de lecture. En outre, les podcasts peuvent être utilisés pour fournir du contenu pédagogique supplémentaire et aider les étudiant-es à se préparer à des tâches d’évaluation. Plus important encore, le podcast représente une petite révolution pour l’apprentissage autonome et l’enseignement expérientiel.

En somme, les podcasts offrent un potentiel énorme pour l’enseignement, permettant aux enseignant-es de créer des contenus et scénariser des activités pédagogiques flexibles et engageantes pour les étudiant-es. En combinant les méthodes d’enseignement traditionnelles avec les podcasts, les enseignant-es peuvent offrir aux étudiant-es une expérience d’apprentissage plus variée, efficace et expérientielle.



Moodle@UNIGE: mise à jour estivale, archivage et résultats de l’enquête de satisfaction

Quelques informations importantes avant la pause estivale:

La plateforme Moodle@UNIGE sera mise à jour le lundi 18 juillet 2022. Une coupure de service est prévue ce jour-là de 8h à 12h.

Une copie des données de la plateforme à cette date sera archivée. Une fois la procédure terminée, les enseignant-es pourront réinitialiser les espaces de cours qu’ils et elles souhaitent réutiliser l’an prochain. Les liens vers les archives Moodle se trouvent dans le bandeau noir en bas de page de la plateforme Moodle. Assurez-vous cependant que les étudiant-es qui passent les rattrapages conservent l’accès au contenu, soit en attendant la fin des rattrapages pour réinitialiser, soit en les invitant à consulter les archives Moodle.

⇒ Fiche pratique pour réinitialiser son espace de cours (attention: procédure à effectuer après le 18.07.22 afin que votre espace de cours de l’année précédente soit archivé!)

L’équipe Moodle remercie très sincèrement tou-tes les répondant-es pour la pertinence et la qualité de leurs réponses à l’enquête de satisfaction réalisée durant le mois de mai. Les résultats constituent une véritable base d’informations sur laquelle l’équipe pourra s’appuyer pour orienter les nouveaux développements et améliorer l’accompagnement des utilisateurs/trices. Bravo aux 3 gagnant-es du tirage au sort qui ont remporté un mug UNIGE: Dominik G., Paula M. et Kylian B.!

⇒ Consulter le rapport sur le site du pôle eLearning.



Résilience et pédagogie: une exploration au creux de la vague

Les vacances d’été approchent et donnent envie d’oublier les vagues épidémiologiques et autres infographies pour nous plonger dans de vraies vagues bien fraîches ! Cependant, en agitant nos orteils dans le sable et en observant les bateaux qui passent, peut-être que cet horizon à nouveau plus ouvert nous permet de nous demander comment nos enseignements pourraient mieux naviguer sur une mer parfois agitée?

Post Covid

Les publications se multiplient pour documenter ce qui s’est passé dans l’enseignement supérieur pendant la pandémie du COVID-19 . La plupart des hautes écoles ont fait des sondages auprès de leurs étudiant-e-s et parfois aussi auprès des enseignant-e et se mettent en devoir de tirer des leçons de la crise. La mise à distance de tous les enseignements a eu des conséquences très variables, mais avec une constante : elle s’est faite dans l’urgence, sans laisser le temps de vérifier la qualité de l’enseignement et encore moins d’intégrer des principes d’ingénierie techno-pédagogique. Cet enseignement à distance en urgence a un nom : « Emergency Remote Teaching » (ERT) et s’il a souvent représenté une prouesse, assurant une certaine continuité de l’enseignement, le danger est de le confondre avec une pédagogie en ligne fondée et de considérer la transposition en ligne d’un cours comme du eLearning (Hodges, Moore et al. 2020) alors qu’il s’agit d’une simple bouée de sauvetage. Certains n’ont pas attendu d’être au creux de la vague pour se demander comment éviter de se retrouver à s’accrocher à une solution aussi précaire et ont réfléchi à ce que pourrait être une pédagogie résiliente.