En vedette - Un grand bond en avant en matière de traitement du langage naturel pour l'enseignement
Le «traitement du langage naturel» (TLN) est un domaine de l'informatique et de la linguistique qui attire l'intérêt de divers secteurs universitaires, des affaires et gouvernementaux. Le TLN couvre de nombreuses applications: un logiciel pour convertir le texte en discours, la traduction automatique entre les langages ou l'extraction des données pour des concepts spécifiques. Mais nous sommes encore loin de la perfection. Les outils de l'analyse quantitative font depuis longtemps partie du domaine en pleine expansion des technologies d'aide à l'apprentissage, dans lesquels ordinateurs et programmes informatiques jouent un rôle important quant à la manière dont les étudiants rassemblent des informations, étudient et communiquent avec les enseignants et entre eux. L'analyse quantitative peut révéler des informations sur la quantité de travail d'un étudiant, la fréquence à laquelle il consulte le support pédagogique, participe aux cours ou communique avec d'autres étudiants, mais les outils ne permettent pas de mesurer la valeur de ces interactions. C'est donc là qu'entre en jeu l'analyse qualitative. «La plupart des outils d'analyse développés pour la communauté des technologies d'aide à l'apprentissage à ce jour mesurent ce que font les étudiants et dans quelle quantité, mais nous avons besoin aujourd'hui d'outils et de technologies qui portent sur l'aspect 'qualité' de ce qu'ils font. Ils peuvent ensuite utiliser ces connaissances pour les orienter dans leurs progrès», explique Wolfgang Greller, professeur agrégé à New Media Technologies and Knowledge Innovation à l'université ouverte des Pays-Bas. Le Dr Greller coordonnait le projet LTfLL («Language technologies for lifelong learning»), dans lequel 11 partenaires universitaires et économiques ont développé des solutions innovantes portant sur l'aspect qualitatif de la technologie d'aide à l'apprentissage. Bénéficiant d'un financement de la recherche de 2,85 millions d'euros de la Commission européenne, le projet a développé et testé sur le terrain six outils visant à aider les apprenants et les professeurs dans des domaines allant de l'analyse du dialogue et de textes au positionnement des étudiants et au développement conceptuel. Aussi l'équipe a-t-elle fait d'immenses progrès technologiques dans le domaine du TLN. «Si vous avez déjà utilisé Google Traduction, le logiciel de reconnaissance vocale Dragon ou des outils similaires, vous savez qu'ils sont loin d'être fiables à 100%. Il s'agit d'un problème relatif cependant, car si vous vous attendez à une précision de 100% et obtenez 80%, le résultat est mauvais; mais si vous vous attendez à zéro et que le résultat est 80%, c'est bien mieux que rien», explique le Dr Greller. Afin de développer des services et des outils intelligents de soutien et de conseils de prochaine génération pour l'apprentissage individuel et collectif, les chercheurs de LTfLL ont dû faire des progrès sur les deux enjeux importants auxquels fait face le TLN: la précision et la performance. Évaluer les étudiants de manière précise En ce qui concerne la précision, les chercheurs ont développé une technique permettant de mesurer la précision des données produites par leurs outils par rapport aux références établies par les experts humains. Elle a permis par exemple de renforcer les outils de LTfLL portant sur le positionnement (c'est-à-dire évaluer le niveau d'un certain cours auquel il faudrait placer l'étudiant en fonction de leur connaissance du sujet) et le développement conceptuel (l'étudiant comprend-il bien la matière traitée et progresse-t-il une fois qu'il assiste aux cours). «Pour l'analyse du positionnement, les étudiants ont dû répondre à des questions et produire un texte libre. Leurs réponses ont ensuite été analysées par l'outil par rapport aux réponses du 'manuel' fourni par les experts et les enseignants, procédure qui dépend énormément de la précision de la technologie TLN», explique le Dr Greller. Le système n'est pas conçu pour attribuer automatiquement de nouveaux étudiants à une classe ou un niveau spécifiques, mais plutôt pour fournir un guide pour les enseignants sur le niveau existant de connaissances de l'étudiant sur une matière de manière bien plus efficace et rentable que les tests à choix multiples et les entretiens face à face couramment utilisés aujourd'hui. De même, l'analyse de développement conceptuel aider à évaluer la performance des étudiants en observant le contenu éducatif qu'ils produisent et en mesurant l'adéquation du langage qu'ils utilisent pour définir des concepts quant au langage utilisé par la communauté d'experts. «Il ne s'agit pas uniquement de regarder le nombre de mots clés employés par un étudiant dans une dissertation; si c'était le cas, il serait très facile pour tout étudiant de déjouer le système. Au contraire, il s'agit de déterminer dans quelle mesure ils utilisent les bons mots clés pour définir un certain concept qu'ils essaient d'exprimer», explique le coordinateur du projet. Ceci nécessite une technologie de TLN qui tolère les erreurs et qui peut comprendre que deux mots écrits ou mal orthographiés de façons différentes peuvent signifier la même chose et que des mots se ressemblant peuvent avoir des différences de signification en fonction du contexte. «Le système doit comprendre que 'webcam', 'web cam' ou 'cyber cam' fait référence à la même chose et doit déterminer si le mot 'Java' fait allusion à l'île ou au langage de programmation, donc il doit comprendre le contexte», ajoute le Dr Greller. Les outils d'analyse du positionnement et du développement conceptuel ont été testés par le partenaire du projet LTfLL Bit Media. Ce prestataire de solutions d'apprentissage en ligne autrichien organise des cours pour aider les chômeurs à retrouver un emploi en les formant à des compétences informatiques afin d'obtenir le permis de conduire informatique européen (ECDL), une attestation des compétences en TIC (technologies de l'information et de la communication). Améliorer la performance du TLN En matière d'amélioration des performances des systèmes de TLN, les chercheurs de LTfLL ont mis en œuvre une analyse sémantique latente, des techniques de prétraitement et ils ont développé des environnements contextuels pour différents sujets. «L'un des principaux enjeux dans le TLN est qu'il requiert beaucoup de puissance de traitement. Chaque fois qu'un étudiant saisit des informations ou fait une requête, beaucoup de traitement est nécessaire. Développer l'environnement contextuel en avance et prétraiter beaucoup de termes dans un domaine donné (qu'il s'agisse de la médecine ou de l'informatique) signifie que les résultats peuvent être dispensés en secondes et non en jours», ajoute le Dr Greller. «Il s'agissait là d'un problème important que nous souhaitions traiter avec nos outils à la demande et en quasi temps réel.» Les travaux des chercheurs de LTfLL visant à renforcer les technologies de TLN mettent leurs résultats au premier plan du domaine émergent de l'«analytique de l'apprentissage» qui porte sur la mesure, la collecte, l'analyse et le compte rendu des données sur les apprenants et leurs contextes afin de mieux comprendre et d'optimiser l'apprentissage et les environnements d'apprentissage. Un aspect clé de cela est la combinaison du TLN et d'autres technologies portant sur l'analyse du sentiment et la mise en réseau social, en vue de rendre plus ludique, interactif et engageant l'apprentissage dans n'importe quel domaine. LTfLL a reçu un financement de la recherche au titre du sixième programme-cadre (7e PC) de la Commission européenne. Liens utiles: - site web du projet LTfLL - Language technologies for lifelong learning - Fiche d'informations du projet LTfLL sur CORDIS Articles connexes: - En vedette - Des outils de traitement du langage pour aider les enseignants et les étudiants - Des bases de données à activation vocale pour faciliter l'accès aux informations - Un projet de TIC pour améliorer l'interactivité humain-système