639 - Quels savoirs pour étudier l’articulation entre le rationnel technique et les conditions didactiques des apprentissages en STIM

Cette présentation brosse un portrait global de l'enseignement de la technologie au primaire et au secondaire dans les classes publiques du Québec. À l'aide de questionnaires et d'entrevues semi-dirigées, nous avons exporé les expériences des enseignant.e.s et des conseiller.ère.s pédagogiques en science et technologie, ainsi que des technicien.nes en travaux pratiques, afin de documenter les facilitateurs et défis auxquels ils sont confrontés. Les participant.e.s ont partagé leurs perspectives sur divers aspects cruciaux, notamment le soutien institutionnel et l’équipement dont ils disposent, ainsi que les ressources qui facilitent leur travail. Les résultats préliminaires que nous vous présenteront visent non seulement à mettre en lumière les réalités actuelles de l'éducation technologique au Québec, mais aussi à susciter une réflexion critique sur son avenir.

Cette communication présentera les résultats d'une recherche sur la formation initiale des enseignants québécois en éducation technologique. Au moyen de questionnaires et d'entretiens semi-dirigés administrés à des formateurs universitaires (chargés de cours et professeurs), ainsi que de l'analyse de plans de cours abordant l'éducation technologique dans les programmes de baccalauréat en enseignement primaire ou secondaire, nous avons pu dresser un portrait actuel de la préparation des futurs éducateurs à enseigner la technologie.

Bien que les formateurs interrogés intégraient tous des éléments d'éducation technologique à leurs cours, il existe des disparités notables quant aux contenus enseignés, au temps alloué à cet enseignement et aux approches pédagogiques utilisées. Nous avons toutefois observé plusieurs similitudes entre les facilitateurs de cet enseignement et la perception de la nature de l'éducation technologique chez nos participants. Les résultats préliminaires que nous présenterons ici ont le potentiel de susciter une réflexion sur l'avenir de la formation initiale des enseignants en éducation technologique au Québec.

Au Québec, le « i » de STIM (science, technologie, ingénierie et mathématiques) est principalement un contexte d’application des sciences, sans un enseignement complet des techniques ni une prise en compte du volet social de la pratique ingénieure. Cette approche limite l’étude du design et de la pensée technologique. Dans cette présentation, nous analyserons trois modèles d’éducation technologique présents dans divers curriculums à travers le monde – intégré, indépendant et diversifié – et la vision épistémologique de l’ingénierie qu’ils véhiculent. Notre cadre conceptuel repose sur quatre composantes de l’activité technologique : intellectuelle, matérielle, sociale et sémiotique. En confrontant ces modèles à la réalité québécoise, nous proposons une réflexion sur la vision que nous souhaitons pour l’éducation technologique et l’ingénierie au Québec.

L’essor des plateformes d’apprentissage en ligne a transformé l’enseignement supérieur, offrant aux étudiants une flexibilité accrue, mais posant également des défis majeurs liés à l’identification et au suivi des étudiants à risque. Ma recherche porte sur la conception et l’optimisation d’un tableau de bord prédictif basé sur des techniques d’intelligence artificielle et d’apprentissage automatique pour détecter précocement les étudiants en difficulté dans un environnement d’apprentissage en ligne.
L’objectif principal est de modéliser un système de prédiction fiable, permettant aux enseignants et aux décideurs académiques d’anticiper les risques d’échec, d’identifier les facteurs influençant la réussite et d’adapter les interventions pédagogiques en conséquence. Pour ce faire, plusieurs algorithmes de machine learning ont été évalués, incluant des modèles individuels (Random Forest, SVM, Naïve Bayes, Régression Logistique, Arbres de Décision, Réseaux de Neurones) ainsi qu’un modèle d’ensemble basé sur le stacking, qui combine les forces de plusieurs algorithmes pour améliorer la robustesse et la précision des prédictions.
Une expérimentation a été menée sur une base de données réel extraite de la plateforme Loghate (ALTISSIA) de l’Université Hassan II de Casablanca, couvrant la période de janvier 2022 à février 2023, avec 760 étudiants inscrits, intégrant des variables démographiques, d’engagement ...
 

L'évolution rapide des technologies numériques offre des opportunités pour améliorer l'apprentissage grâce à des stratégies pédagogiques innovantes. Cependant, les solutions de technologies éducatives (EdTech) ne s’alignent pas toujours avec les processus d'enseignement et d'apprentissage propres à chaque domaine, ce qui entraîne un décalage pédagogique. Cette étude explore l’ergonomie des systèmes interactifs à travers la conception centrée sur l’humain (IxDF, 2021) pour l’intégration des technologies éducatives dans l’enseignement supérieur, en mettant l’accent sur l’importance de solutions contextualisées et adaptées aux besoins des utilisateurs apprenants et enseignants. Pour une intégration efficace, l’étude préconise des interventions itératives et à petite échelle permettant un ajustement continu. De plus, elle conçoit l’EdTech comme un système complexe composé de multiples éléments interconnectés, où la réussite de l’implantation repose sur un équilibre entre l’automatisation et une interaction humaine significative.

Dans cette communication, nous présentons un enrichissement du modèle SAMR (Substitution, Augmentation, Modification, Redéfinition) (Blundell et al., 2022). En intégrant des facteurs contextuels et humains, nous visons à offrir un cadre holistique qui va favoriser l’adoption des technologies éducatives. En s’appuyant sur des études de cas et des expériences vécues, nous proposons des recommandations pratiques aux établissements d’enseignement supérieur, notamment en lien avec l’exploitation des systèmes intelligents et des plateformes collaboratives pour favoriser des environnements d’apprentissage hybrides engageants, inclusifs et plus efficaces.

Notre façon d’interagir avec l’Intelligence Artificielle ( IA ) est devenue une science qu’il faudrait enseigner à tout le monde. Une compétence qui fera sans doute des différences dans notre métier et notre business. Dans le domaine de l’éducation, les pratiques pédagogiques ont beaucoup innové et la réussite des apprenants est tributaire du développement de leurs capacités métacognitives. Grâce au mécanisme d’attention, l’IA a pu développer aussi sa propre capacité métacognitive de manière inattendue et spectaculaire. La réalité est que les LLMs sont devenus de véritables assistants pour la pratique de tous les métiers. Concevoir et évaluer les performances des prompts et déployer ces prompts via des APIs, est devenu une science qui va générer de nouvelles opportunités de business avec un fort potentiel d’embauche. Grace aux LLMs multi modaux basés sur le raisonnement l’écosystème « AI Agents » est devenu une réalité qui sera fortement ancrée dans l’automatisation des tâches complexes de nos système d’information. Cette conférence vise à développer, à travers des démonstrations et des applications réelles des concepts suivants : Prompt Engineering, Ai Agents et pédagogique : Comment développer un voice Bot Pédagogique

La prédiction des performances étudiantes constitue un enjeu majeur pour anticiper les difficultés académiques et améliorer l’accompagnement pédagogique. L’Intelligence Artificielle apporte des solutions novatrices à travers des modèles prédictifs de Machine Learning et de Deep Learning, qui permettent d’anticiper les résultats académiques et de détecter les étudiants en difficulté. Toutefois, notre revue systématique de la littérature, réalisée selon la méthodologie PRISMA, a mis en évidence plusieurs lacunes dans les approches existantes. D’abord peu de recherches fournissent des résultats suffisamment tôt, ce qui limite la capacité des enseignants à intervenir efficacement pour aider les étudiants en sous-performance. En outre, parmi les 42 articles analysés, aucune étude n’intègre un système de recommandation d’interventions personnalisées pour chaque étudiant, ce qui pourrait pourtant les aider à améliorer leurs performances. Enfin, nous avons constaté un manque de généralisation dans le test des modèles, car la majorité des études se concentrent sur des contextes et des jeux de données spécifiques, rendant leur application difficile à d’autres populations étudiantes ou environnements académiques. Face à ces lacunes, nous proposons de développer un système capable de prédire les performances des étudiants à un stade précoce, et de proposer des recommandations concrètes et adaptées aux enseignants, tout en garantissant une généralisation à des contextes éducatifs variés.