Des contenus, des plateformes et des standards

On analyse souvent le marché du Digital Learning selon 3 axes : les contenus, qui constituent le monde des outils auteurs, des contenus sur étagères et de la production de contenus pédagogiques numériques sur mesure (ces segments étant propulsés par divers fournisseurs, dont certains interviennent au croisement de plusieurs segments) ; les plateformes (LMS, LXP, classes virtuelles… on ne compte plus le nombre d’acronymes qui sont, pour une plateforme, autant de tentatives de se différencier de la concurrence) qui permettent aux apprenants d’accéder aux ressources et activités pédagogiques ; les standards, qui permettent une meilleure intégration technique entre plateformes et contenus ou activités pédagogiques (SCORM, LTI, xAPI, etc).

L’IA générative est à coup sûr en train de transformer le marché des contenus. Elle permet aux concepteurs de générer plus facilement des textes, illustrations, questionnaires, traductions, etc. Le marché des plateformes, LMS/LXP en tête, est également bousculé par les IA de type ChatGPT, tant celles-ci remettent en question la manière d’accéder à l’information. Les moteurs conversationnels et l’Adaptive Learning redistribuent les cartes. Qu’en est-il de l’impact de l’IA sur les standards ?

Des standards menacés par l’IA ?

Pas plus que les contenus ou les plateformes, les standards n’échappent à la révolution de l’IA. S’il est encore prématuré de dresser un bilan, on commence à sentir des effets très contrastés. Certains standards pourraient bien devenir obsolètes à plus ou moins brève échéance, alors que d’autres pourraient en ressortir grandis.

Commençons par les standards potentiellement menacés par l’IA. Par nature, le rôle d’un standard est de fixer des règles claires, auxquelles tout le monde peut se référer. Les standards ont donc tendance à figer la manière d’aborder un domaine. Leur approche peut être qualifiée de « statique », là où l’IA brille par son « adaptabilité ». Par exemple, un standard sur les métadonnées définit la liste des propriétés que l’on peut associer à une activité pédagogique, constituant une sorte de fiche descriptive structurée, que des moteurs de recherche pourront exploiter. La solution n’est pas idéale, car il peut être coûteux de renseigner des métadonnées, mais c’est la seule qu’on avait jusque-là trouvée pour décrire une ressource. L’IA procède ici à une véritable redistribution des cartes, car sa puissance lui permet d’analyser des contenus par une analyse syntaxique approfondie, qu’il s’agisse de texte, d’audio, voire de vidéo, sans besoin aucun de disposer de métadonnées, de règles, de structure. L’usage des métadonnées et des standards associés comme le LOM (Learning Object Metadata), part significative de SCORM, pourrait rapidement tomber en désuétude.

Encore ne s’agit-il que d’un exemple : l’IA pourrait apporter des alternatives partout où les standards proposent une vision trop statique des choses. Je pense notamment à certains standards orientés métiers, comme les référentiels de compétences, conçus de manière laborieuse par tel ou tel organisme, et souvent en décalage avec l’évolution rapide des métiers : on imagine qu’une IA nourrie de données RH dressera et maintiendra un référentiel de compétences de manière dynamique.

xAPI « boosté » par l’IA

À l’inverse, certains standards prennent soin de définir un cadre plus flexible, plus générique. C’est le cas d’un standard comme « Expérience API » (xAPI) qui définit la manière de décrire des traces d’apprentissage. xAPI ne fige rien ; il fournit simplement un format, un langage que différents systèmes peuvent utiliser pour échanger des données. Ce faisant, en permettant d’homogénéiser différentes sources de données, xAPI contribue à la qualité des données qui alimentent les moteurs d’IA. Dans ce couple, les rôles sont complémentaires : xAPI définit un format, l’IA en extrait de l’information utile. xAPI fournit un cadre stable et homogène et l’IA brille par ses capacités d’analyse dynamique !

Quelques signes récents montrent que l’adoption de xAPI semble stimulée par la récente poussée de l’IA. En effet, depuis la publication de la version 2.0 du standard xAPI à l’IEEE (automne 2023), le marché des dépôts de traces d’apprentissage (LRS) a connu une forte croissance, avec désormais 37 LRS certifiés xAPI.

Forte d’un écosystème cohérent pour la collecte et le stockage de traces d’apprentissage, l’IA peut continuer à révolutionner la formation en s’aventurant sur des terrains où les pratiques paraissent dorénavant trop rigides. Face aux parcours pédagogiques figés, conçus au sein du LMS, l’IA peut proposer un flux d’activités individualisées, permettant à l’apprenant d’atteindre un objectif précis. Face aux tableaux de bord figés proposés par les plateformes LMS ou Learning Analytics, l’IA peut proposer des moteurs conversationnels aptes à répondre aux questions d’un formateur ou d’un manager.

De nouveaux standards propres à l’IA ?

L’IA est porteuse de solutions… comme nouvelles problématiques. En particulier, de nouveaux standards commencent à voir le jour dans le domaine de l’IA, traitant de considérations éthiques, de transparence, de qualité des données, de fiabilité et de gestion des risques. Leurs noms de codes, un peu barbares : « ISO/IEC 42001:2023 », « ISO/IEC 23894:2023 » et « ISO/IEC 23053:2022 ». Des concepts comme l’XAI (eXplainable AI), en d’autres termes une IA « explicable », voient le jour pour éviter que la complexité des algorithmes d’IA ne fasse pas perdre à l’Humain ses capacités de jugement. Prenons un exemple : un moteur d’IA identifie un élève comme étant en fort risque d’échec ; ce même moteur devrait alors être capable d’expliquer comment il arrive objectivement à cette conclusion ; à défaut d’explication, l’Humain se méfiera (à juste titre) ; surtout, il ignorera comment agir.

À suivre…