Pourquoi l’IA rend les modèles éducatifs traditionnels obsolètes – et que faire pour y remédier

• Le modèle éducatif qui domine les institutions mondiales est dépassé et fondamentalement mal préparé à l’ère de l’IA. L’IA met non seulement en évidence les défauts du modèle traditionnel de cours magistraux et d’examens, mais sape activement sa valeur. Un nouveau modèle d’éducation basé sur les compétences est mieux placé. à l’ère de l’IA que les modèles traditionnels, car il est résilient à une utilisation inconsidérée de l’IA et cultive les compétences qui lui manquent.

L’essor des outils d’intelligence artificielle (IA) générative transforme le paysage de l’enseignement supérieur, suscitant à la fois enthousiasme et inquiétude. Alors que beaucoup célèbrent leur potentiel à révolutionner l’éducation, d’autres préviennent qu’ils risquent rapidement d’éroder l’intégrité académique en permettant une tricherie et un plagiat généralisés. Bien que ces préoccupations soient valables et compréhensibles, elles éclipsent un dilemme plus critique : le modèle éducatif qui domine les institutions mondiales est obsolète et fondamentalement mal préparé à l’ère de l’IA.

Si nous voulons former des apprenants très efficaces, capables de transférer leurs compétences de la salle de classe au monde réel, nous devons nous assurer qu’ils se souviennent activement et appliquent délibérément les informations dans le temps et dans le contexte. Ils ont également besoin d’un feedback continu et constructif qui comble leurs lacunes de compréhension. Il y a quatre raisons pour lesquelles le modèle éducatif le plus populaire et le plus répandu (cours magistral plus examens à enjeux élevés) ne remplit pas ces conditions :

• Les cours magistraux sont des pipelines de connaissances unidirectionnels qui obligent les étudiants à consommer passivement des informations plutôt qu’à les exploiter activement. La recherche suggère du temps et encore que l’apprentissage passif est un apprentissage sous-optimal, conduisant à de moins bons résultats éducatifs par rapport à d’autres méthodes (d’apprentissage actif). Les connaissances transmises via des cours magistraux sont souvent en retard par rapport aux progrès rapides de la technologie, des tendances de l’industrie et des exigences professionnelles. Par conséquent, de nombreux diplômés entrent sur le marché du travail équipés de «périssable » des compétences mal adaptées aux besoins et aux exigences des employeurs. Les évaluations à enjeux élevés (dissertations, examens) ne capturent qu’un seul moment du parcours académique d’un étudiant, offrant un aperçu rétroactif mais peu de retours concrets. Elles ont également tendance à évaluer les mauvais types de compétences ( mémorisation et rappel) et le faire dans des conditions artificielles qui imitent rarement des scénarios du monde réel où la résolution collaborative de problèmes et les solutions à ressources ouvertes sont monnaie courante.

L’IA met non seulement en évidence les lacunes d’un modèle traditionnel de cours magistraux et d’examens, mais elle en mine activement la valeur. Les étudiants se demanderont à juste titre pourquoi ils devraient assister à des cours alors que l’IA peut interpréter, visualiser et résumer des informations complexes quand et comme ils le souhaitent, de manière adaptée à leur niveau de préparation et à leurs besoins. Les notes des dissertations et des examens ne peuvent pas correspondre aux commentaires formatifs hautement personnalisés (en temps réel) que les outils d’IA peuvent offrir. De plus, si leur valeur une fois diplômés réside simplement dans leur capacité à mémoriser des connaissances spécialisées, ils se rendront vite compte que les outils d’IA peuvent reproduire cet ensemble de compétences à un coût bien inférieur et avec une efficacité accrue.

De toute évidence, un nouveau modèle est nécessaire pour dynamiser l’enseignement, l’apprentissage et l’évaluation en s’appuyant sur les enseignements de la science de l’apprentissage. Celui qui prépare les étudiants à utiliser de manière éthique, efficace et critique, ainsi qu’à prendre des décisions basées sur les outils d’IA et leurs résultats. Bref, un modèle qui leur confère une IA résiliente, »compétences durables». Un modèle basé sur les compétences structure le parcours d’apprentissage autour de la maîtrise des compétences, les compétences fondamentales servant de fondement sur lequel se construisent des compétences plus complexes. Une telle approche abandonne les cours magistraux au profit d’une « classe inversée » où les compétences sont acquises de manière indépendante à la maison, puis appliquées à des problèmes du monde réel pendant le cours en utilisant des techniques d’apprentissage actif telles que la discussion et la simulation socratiques. des missions basées sur des défis du monde réel. Ceux-ci permettent non seulement aux étudiants d’appliquer leurs compétences à des problèmes authentiques, mais aussi d’être évalués en fonction de leur capacité à réfléchir, réviser et améliorer de manière itérative leur réflexion en fonction des défis dynamiques auxquels ils sont confrontés. Un modèle basé sur les compétences est bien mieux placé pour une ère d’IA. que les modèles traditionnels car c’est :

• Résilient à une utilisation inconsidérée de l’IA : Les techniques d’apprentissage actif (débats, jeux de rôle et discussions) sont dynamiques, sociales et rapides, exigeant que les étudiants se présentent et interagissent, ainsi qu’une « réflexion debout » de manière créative et critique. Des missions authentiques et expérientielles liées à des problèmes du monde réel les obligent également à appliquer leurs compétences spécifiques pour relever un défi contemporain spécifique auquel est confronté un partenaire (local) spécifique. L’IA peut être en mesure de fournir de l’inspiration et des suggestions, mais elle ne peut pas être utilisée inconsidérément pour résoudre de tels problèmes.Cultive les compétences qui manquent à l’IA : Les outils d’IA sont peut-être impressionnants, mais ils manquent encore d’une véritable créativité, d’un raisonnement éthique, d’une intelligence émotionnelle et de la capacité de travailler, de diriger et de négocier avec les autres. En formant explicitement les étudiants à ces compétences, nous garantissons qu’ils peuvent faire ce que l’IA ne peut pas faire. Et en les formant à d’autres compétences (telles que la pensée critique), nous garantissons qu’ils peuvent utiliser l’IA de manière efficace et éthique, ainsi qu’évaluer de manière critique ses résultats.

Profiter de l’IA pour passer à un modèle basé sur les compétences

Les outils d’IA peuvent – ​​et doivent – ​​être utilisés par les dirigeants universitaires, les éducateurs et les étudiants dans le cadre d’un modèle basé sur les compétences. Par exemple, pour :1. Conception du programme d’études et cartographie des compétences : Les dirigeants universitaires peuvent utiliser l’IA pour analyser les tendances du marché, les descriptions de poste et les demandes du secteur afin d’identifier les compétences qu’ils souhaitent que les étudiants acquièrent. Il peut organiser ces compétences dans une taxonomie hiérarchique et suggérer comment séquencer les compétences afin de construire un programme d’études échafaudé.2. Génération de contenu : Les enseignants peuvent utiliser l’IA pour générer des exercices d’apprentissage actif créatifs qui ciblent directement les compétences formées dans leur cursus. L’IA peut également aider à générer des idées de missions expérientielles en puisant dans des bases de données sur les défis actuels de l’industrie ou les problèmes actuels de la communauté.

3. Apprentissage adaptatif et feedback : Les enseignants peuvent utiliser les données en temps réel et les commentaires de l’IA pour adapter les méthodes pédagogiques à la volée et contribuer à automatiser la notation. Ailleurs, les étudiants peuvent utiliser ces mêmes outils pour ajuster de manière dynamique la difficulté ou l’orientation du matériel d’apprentissage, en fonction de leur maîtrise d’une compétence ou d’un concept et pour recevoir un retour formatif continu et en temps réel basé sur leurs performances. 4. Mesures de performances : L’IA peut aider les dirigeants universitaires à surveiller l’efficacité de leur nouveau modèle basé sur les compétences en suivant les indicateurs de performance clés, notamment l’engagement des étudiants, les taux d’acquisition des compétences et leur relation avec les indicateurs de réussite des diplômés. Ces informations peuvent être utilisées pour fournir un retour d’information sur la durabilité des compétences acquises et orienter le perfectionnement continu du programme. Le modèle éducatif traditionnel, axé sur l’enseignement aux étudiants, quoi penser via des cours et des examens était inadéquat avant l’IA et semble encore plus imparfait dans un monde intégré à l’IA. Pire encore, il dote les diplômés d’un ensemble de compétences qui peuvent être reproduites facilement et à moindre coût par l’IA. Les établissements d’enseignement qui adoptent le «comment Le modèle « penser » se retrouvera à former des diplômés dotés des « compétences durables » qui manquent à l’IA, qui pourront exploiter ces mêmes outils pour apporter des contributions éclairées et percutantes à la société, plutôt que d’être mis à l’écart.