Comprendre l'IA et les résultats d'apprentissage

Comprendre l'IA et les résultats d'apprentissage

L'éducation est l'un des domaines les plus prometteurs pour l'IA. Avec des outils comme ChatGPT, un soutien à l'apprentissage personnalisé peut être accessible à tout étudiant, n'importe où, à tout moment.

Cependant, le secteur de l'éducation est encore au début de sa compréhension de l'impact de l'IA sur les résultats d'apprentissage. L'année dernière, notre équipe a entrepris d'étudier l'utilisation d'outils comme le mode d'étude et a constaté des gains prometteurs dans la performance des étudiants. Mais notre recherche a également soulevé une question importante : comment pouvons-nous évaluer comment l'IA influence le progrès d'un apprenant au fil du temps, et pas seulement lors d'un examen final ?

C'est un défi qui concerne un écosystème plus large. À ce jour, la plupart des méthodes de recherche se concentrent sur des signaux de performance étroits, tels que les notes d'examen, et manquent de la capacité à évaluer comment les étudiants apprennent réellement avec l'IA dans des contextes réels, et comment cette utilisation façonne les résultats au fil du temps.

Pour combler cette lacune, nous avons développé le Learning Outcomes Measurement Suite, un cadre créé en collaboration avec l'Université de Tartu en Estonie et l'Initiative SCALE au Stanford Accelerator for Learning pour soutenir la mesure longitudinale des résultats d'apprentissage dans différents contextes éducatifs.

Une validation approfondie est en cours grâce à un essai contrôlé randomisé, et d'autres recherches sont prévues avec les organisations fondatrices du Learning Lab, l'écosystème de recherche sur l'apprentissage d'OpenAI, y compris des chercheurs de l'Arizona State University, du UCL Knowledge Lab et du MIT Media Lab (s'appuyant sur des études collaboratives antérieures).

Aujourd'hui, nous partageons un aperçu de la manière dont fonctionne le Learning Outcomes Measurement Suite et pourquoi il est important. Au fil du temps, nous avons l'intention de publier davantage de recherches et de rendre le Learning Outcomes Measurement Suite disponible en tant que ressource publique pour les écoles, universités et systèmes éducatifs du monde entier.

“Cette recherche nous permet d'apprendre rapidement tout en posant les bases d'une compréhension plus approfondie de la manière dont l'IA peut être intégrée de manière réfléchie dans les écoles de manière significative. Nous voulons comprendre comment ces outils peuvent soutenir un apprentissage académique rigoureux tout en cultivant la pensée critique, la créativité, la curiosité et la confiance des étudiants en eux-mêmes en tant qu'apprenants.” – Susanna Loeb, Professeur d'éducation et Directrice de la faculté, Initiative SCALE à l'Université de Stanford

Résumé des points clés

• Les méthodes de recherche actuelles sur l'impact de l'IA sur l'apprentissage montrent des signaux prometteurs concernant la performance, mais ne capturent pas l'ensemble du tableau sur la manière dont l'IA affecte les résultats d'apprentissage au fil du temps.

• Le Learning Outcomes Measurement Suite fournira, pour la première fois, un cadre standard pour des études longitudinales qui aideront les éducateurs, chercheurs et institutions à comprendre comment l'IA façonne l'apprentissage et les résultats dans différents contextes.

• Le Learning Lab d'OpenAI est un nouvel écosystème de recherche axé sur l'avancement de ce travail. OpenAI publiera des résultats en collaboration avec divers partenaires à mesure que le domaine continue de se développer.

Origines et premières recherches

Lorsque les étudiants utilisent des outils d'IA pour étudier et apprendre, cela peut signifier de nombreuses choses différentes, allant de la recherche de réponses rapides à l'utilisation de l'IA pour résoudre des problèmes étape par étape avec un accompagnement semblable à celui d'un tuteur. Pour encourager les utilisateurs à interagir avec ChatGPT de manière à soutenir une compréhension plus profonde et le développement de compétences, OpenAI a introduit le mode d'étude l'année dernière.

Sous le capot, le mode d'étude est alimenté par des instructions système personnalisées que nous avons rédigées en collaboration avec des enseignants, des scientifiques et des experts en pédagogie pour refléter un ensemble de comportements fondamentaux qui soutiennent un véritable apprentissage, et pas seulement des réponses—en utilisant des structures d'apprentissage, des vérifications de compréhension et des pratiques guidées.

Pour tester si ce style d'interaction avec l'IA, aligné sur la pédagogie, se traduit par de meilleurs résultats d'apprentissage, nous avons mené une étude randomisée avec plus de 300 étudiants préparant des examens en neurosciences et en microéconomie. Bien que l'analyse soit encore en cours, les premiers résultats nous donnent confiance que ce style d'interaction avec l'IA, encouragé par des fonctionnalités comme le mode d'étude, peut améliorer les résultats d'apprentissage.