Étiqueté : XML

1 septembre 2018

L’encodage des données : 3 – TEI et Humanités digitales

La Text Encoding Initiative (TEI) est une norme d’encodage des données qui prend source dans une alliance entre des institutions de recherche en sciences informatiques et en sciences humaines. Cette filiation d’origine inetrdisciplinaire prédispose la TEI pour jouer un rôle prépondérant dans la nouvelle dynamique mondiale des Humanités digitales. Bien qu’elle soit initialement destinée à l’encodage des tetxes, la version P5 des TEI Guidelines permet aussi un encodage très fin de tous les supports mumtimédia en XML, un langage d’encodage formel très largement utilisé sur Internet.

Gros plan !

1 août 2018

L’encodage des données : 2 – Données strcuturées ou non structurées ?

Données structurées, données non structurées, les big data ont remis en surface ces deux notions pourtant vieilles depuis le temps des copistes médievaux et des premiers imprimeurs de l’ère Gutenberg. Avec le numérique, la structuration des données est au coeur de plusieurs nouveaux processus technologies qui enf ont une matière de base pour développer des produits et services numériques à valeurs ajoutées. Dans ce deuxième billet sur l’encodage des données, le concept de la structuration des données est revisité avec un regard sur l’historique des métiers qui en font usage.

janvier 2025
L	M	M	J	V	S	D
	1	2	3	4	5
6	7	8	9	10	11	12
13	14	15	16	17	18	19
20	21	22	23	24	25	26
27	28	29	30	31

1 mai 2022
L’évaluation par l’IA en éducation
L’éducation et l’enseignement sont parmi les vecteurs clés qui préparent les générations futures à leur rôle d’acteurs directs d’un nouvel ordre mondial fondé sur le numérique et l’intelligence artificielle. Ils subissent à ce titre les transformations structurelles qui les préparent à ce rôle social et culturel clé. Plusieurs aspects de ces transformations sont déjà en marche en vue d’établir un secteur éducatif où l’Intelligence artificielle marque de ses empreintes aussi bien les contenus et les processus que les comportements et les attitudes. L’évaluation des compétences, comme phase principale et sensible de l’éducation, figure parmi les processus où l’on investisse le plus de l’intelligence artificielle. Rapide détour sur les définitions L’IA peut être définie comme la capacité des systèmes informatiques à se comporter d’une manière que nous considérerions comme essentiellement humaine, pour imiter la perception humaine, prendre des décisions et autres processus normalement réalisés grâce à un processus cognitif humain souvent complexe. En d’autres termes, l’IA se produit lorsque les machines s’engagent dans une correspondance de modèles de haut niveau qui, préalablement, nécessitaient des décisions humaines. L’IA n’est pas un processus simple et encore moins une technologie isolée. Elle se construit sur un ensemble de processus automatiques d’une complexité variée allant d’une simple résolution d’opération initialement programmées par l’humain à la résolution d’opération beaucoup plus complexes nécessitant des capacités d’analyse, d’inférence et de déduction, que l’esprit humain ne peut ni prévoir ni résoudre. Cette IA avancée se base sur l’auto-apprentissage (Deep learning) de la machine en exploitant les données brutes récupérées, analysées et interprétées automatiquement par la machine sans intervention humaine. La littérature est abondante sur ces aspects avancés de l’IA (voir notre bulletin du 1 décembre 2020 sur le « Deep Learning, Machine Learning »). Nous ferons ici un simple focus sur le domaine de l’éducation à travers l’action de l’évaluation. L’IA dans l’éducation ? L’utilisation de l’IA a donné une toute nouvelle perspective sur l’éducation aussi bien aux enseignants et aux apprenants qu’aux établissements d’enseignement. On peut résumer brièvement ces perspectives sous les principaux points suivants : L’automatisation des activités administratives de base: Le potentiel de l’IA pour automatiser le travail le plus élémentaire comprend des tâches telles que le remplacement du travail administratif, la notation des papiers, la mesure des modèles d’apprentissage, la réponse aux questions générales, etc. L’automatisation de ces activités administratives signifie que les enseignants peuvent passer plus de temps avec les étudiants, rendant ainsi le processus d’apprentissage plus efficace. De cette façon, l’IA libère du temps pour que les enseignants qui se concentrent davantage sur la conception des programmes, la recherche de cours et les moyens d’accroître l’engagement des apprenants. L’apprentissage personnalisé : Les changements des nouvelles approches pédagogiques de l’enseignement ont introduit le principe du parcours individualisé, dotant l’enseignant de modalités et procédures lui permettant de détecter la différence de progression entre les apprenants et de prévoir des plans sur mesure qui conviennent aux aptitudes scientifiques, intellectuelles et cognitives de chaque apprenant. Devant la complexité de cette situation, notamment en cas de formations massives comme les MOOCs, l’IA peut s’adapter au niveau d’expertise, à la vitesse d’apprentissage et aux objectifs souhaités de chaque apprenant en s’assurant qu’il tire le meilleur parti de son apprentissage. De plus, les systèmes soutenus par l’IA peuvent examiner les antécédents scolaires des apprenants, détecter les lacunes et recommander des cours mieux adaptés à leurs niveaux respectifs, permettant ainsi une opportunité d’apprentissage hautement personnalisée. Les programmes d’IA peuvent aussi aider les apprenants à perfectionner leurs compétences en dehors de la salle de classe en aidant à remédier aux points faibles et offrir un apprentissage expérientiel individuel sans accompagnement par l’enseignant. Des rétroactions constructives : L’IA peut remplacer l’enseignant dans les rétroactions aux activités des apprenants par des commentaires instantanés les aidant ainsi à tout instant à comprendre où ils se trompent et comment ils peuvent mieux le faire. Les chatbots alimentés par l’IA avec un accès à l’ensemble de la base de connaissances d’une institution éducative peuvent répondre à une gamme de demandes génériques et répétitives des apprenants sans avoir à contacter un membre du corps professoral. Un autre point non moins important est l’évaluation des apprentissages qui constitue l’objectif essentiel de tout programme d’enseignement. L’IA dans l’évaluation des apprentissages Dans son acception traditionnelle, l’évaluation est une forme de contrôle des connaissances à l’issue d’une période d’exposition de l’apprenant à un volume de données (pas forcément traduites chez lui en connaissances) qui lui est transmis par l’enseignant. Au fond, il s’agit de l’aboutissement d’une « confrontation » entre deux protagonistes à postures cognitives opposées, celle d’un transmetteur actif représenté par l’enseignent (ou le support livresque) et un récepteur passif que représente l’apprenant (par un processus mémoriel ou par des prises de notes). Ce procédé traditionnel archaïque est remis en cause depuis l’émergence de la pédagogie constructiviste et les changements dans les rôles des uns et des autres : l’enseignant est devenu accompagnateur d’un apprenant devenu à son tour un acteur central dans le processus d’acquisition de connaissances. De ce changement de fond, ont suivi des transformations substantielles dans toute la chaine éducative, la plus sensible et cruciale étant l’évaluation. Dans cette métamorphose des méthodes éducatives, l’intelligence artificielle a trouvé un champ fertile pour marquer de son empreinte le processus éducatif dans son essence. Comment évaluer par l’IA ? Il existe plusieurs façons de comprendre la nature d’implication de l’IA dans l’évaluation en éducation. Les deux façons les plus courantes incluent l’IA basée sur des règles et l’IA basée sur l’apprentissage automatique (Deep learning). L’AI basée sur les règles utilise des routines de prise de décision pour produire une recommandation ou une solution. En ce sens, c’est la forme la plus élémentaire. Un exemple de ce type de système comprend un système de tutorat intelligent (ITS), qui peut fournir une rétroaction granulaire et spécifique aux étudiants. L’IA basée sur l’apprentissage automatique est plus puissante, car les machines peuvent réellement apprendre et s’améliorer au fil du temps, en particulier lorsqu’elles interagissent avec de grands ensembles de données. Ce genre d’IA peut être utilisé pour une variété de tâches telles [… Plus …]
[... Plus ...]