Dans le cadre de mon doctorat, j’ai fait un cours de « lectures dirigées» dans lequel je me suis intéressée aux systèmes de recommandations et leur application dans le contexte d’une plateforme numérique de support à l’autogestion individuelle et collective du développement professionnel. J’ai fait une synthèse de mes apprentissages que j’ai rendue disponible à l’aide d’un mot de passe que vous pouvez me demander par courriel à l’adresse michelle@iteractive.ca. J’en reprends quelques points ici.

Le Conseil supérieur de l’éducation (1997) mentionne que « c’est en cours d’emploi que la qualification propre à l’enseignement se développe, moyennant que l’on y consente et que l’on bénéficie de ressources adéquates » (p. 57). En 2000, le Conseil ajoute : « Dans le but d’optimiser les ressources existantes, une certaine concertation des différents acteurs, autant pour la définition des besoins que pour l’offre de services, serait fortement souhaitable. En outre, conçu de manière à faire appel à des voies diversifiées, le perfectionnement devrait emprunter une pluralité de moyens n’accordant pas la priorité, et encore moins l’exclusivité, à la formation en milieu universitaire » (p. 64).

En partie en réponse à cet élément de recommandation, je vise à créer, dans le cadre de mon projet doctoral, pour les enseignants du collégial, une plateforme numérique de support à l’autogestion individuelle et collective de leur développement professionnel. Cette autogestion s’inscrit dans la lignée de l’apprentissage autodirigé, que Knowles (1975) définit comme « un processus dans lequel les individus prennent l’initiative, avec ou sans l’aide des autres, de poser un diagnostic sur leurs besoins de formation, de formuler leurs objectifs d’apprentissages, d’identifier les ressources humaines et matérielles nécessaires à l’apprentissage, de choisir et de mettre en œuvre les stratégies d’apprentissages appropriées et d’en évaluer les retombées » (p. 18). Le concept d’autogestion s’arrime aussi avec celui d’heutagogie, défini par Hase et Kenyon (2000) comme étant l’étude de l’apprentissage autodéterminé.

Il peut s’agir de ressources humaines (des enseignants, accessibles via les réseaux sociaux, qui partagent des intérêts ou qui peuvent agir en tant que mentor, des spécialistes du domaine d’enseignement qui se regroupent pour échanger, etc.), des activités de formation en contexte formel (un cours à l’université, une formation offerte par un partenaire du réseau collégial, etc.) ou moins formel (des conférences ou ateliers lors de colloques), etc. En matière de développement professionnel, Gagnon (2003) soutient d’ailleurs qu’une répartition proportionnelle des ressources pour les activités structurées et les activités en contexte informel maximiserait les apprentissages. Cheng (2009), dans Zuiker et Ang (2011), résumé par Martineau (2013), soutient, dans le même sens, « que les programmes de formation pour les enseignants doivent combiner des ressources globales, locales et individuelles afin de maximiser les opportunités d’apprendre » (2e paragraphe).

Pour supporter les enseignants dans l’identification et la gestion des ressources, la plateforme devra mettre à la disposition des enseignants les ressources nécessaires à l’apprentissage en fonction des objectifs qu’ils se sont fixés et en se servant de l’évaluation des retombées identifiées par la communauté. Les ressources existent, il faut savoir les trouver pour pouvoir les exploiter.

L’idée derrière le concept de système de recommandation est que les préférences sont persistantes. Ces préférences peuvent s’exprimer de façon implicite ou explicite. Les préférences implicites sont collectées à partir des actions des utilisateurs. Ces actions en disent beaucoup sur les préférences des utilisateurs, bien que ce soit à leur insu : cliquer sur un lien (une publicité, un résultat, une référence croisée), acheter un produit, suivre une personne sur un réseau social, le temps de lecture d’une vidéo ou d’une chanson, etc.

Dans le cas des préférences explicites, le système demande à l’utilisateur d’évaluer un item. Cela peut être fait à l’aide de différents systèmes (une échelle de 0 à 5 étoiles – avec ou sans les demies, avec ou sans guide de calibration – un système de votes positifs ou négatifs, ou de votes positifs seulement, etc.). Ces données sont plus difficiles à collecter puisqu’elles nécessitent l’action de l’utilisateur, qui doit fournir un effort, contrairement à la collecte de données implicites.

Le rôle du système de recommandation se découpe en deux tâches (Ekstrand, Riedl et Konstan, 2011) :

  1. Prédire l’appréciation : soit un utilisateur et une ressource, comment estime-t-on que l’utilisateur appréciera cette ressource? La réponse est souvent représentée selon la même échelle que le système d’évaluation (un nombre d’étoiles, par exemple).
  2. Recommander des ressources : soit un utilisateur, quelle est la liste des N ressources les plus susceptibles d’être appréciées par cet utilisateur? La réponse est représentée par une liste de type top-N ou encore simplement placée dans l’ordre résultant, comme lors d’une recherche sur un moteur de recherche (les résultats les plus pertinents sont placés au début).

Plusieurs approches permettent de supporter la prise de décisions en fonction de ces critères :

  • Des systèmes non personnalisés : « en moyenne, les autres utilisateurs ont attribué 4 étoiles à cet item »
  • Des systèmes basés sur le contenu : « sachant ce que vous avez aimé avant, cet item pourrait vous plaire »
  • Des systèmes de filtrage collaboratif (utilisateur-utilisateur, item-item, réduction de la dimensionnalité) : « les utilisateurs qui partagent vos préférences ont apprécié cet item »
Approche Avantages Limites Contexte d’utilisation
Non personnalisé
  • Calculs et explications simples en utilisant la moyenne
  • Biais réduit lors d’un petit nombre d’évaluations avec l’utilisation de la moyenne amortie
  • Répercussions moindres lors d’une très mauvaise évaluation avec l’utilisation du pourcentage de votes positifs
  • Résultat biaisé lors d’un petit nombre d’évaluations
  • Répercussion importante d’une très mauvaise évaluation avec les moyennes
  • Explications difficiles par un histogramme avec la moyenne amortie (qui inclut des « fausses évaluations »)
  • Résultat incluant toutes les évaluations, y compris celles des utilisateurs qui n’ont pas les mêmes préférences
  • Résultats polarisés et influencés par les utilisateurs avec de fortes opinions
Lorsque l’utilisateur n’est pas connecté, pour afficher ce que les autres aiment, ce que les autres sont en train de consulter, des ressources complémentaires à l’aide de la règle d’association, etc.
Basé sur le contenu
  • Profil compréhensibleCalculs simples
  • Capacité à produire des recommandations pour lesquels il n’y a pas d’évaluations
  • Approche flexible (qui peut s’intégrer à des systèmes basés sur les requêtes et des systèmes à base de cas)
  • Interdépendances impossibles à gérer (par exemple, préférer des cours crédités pour le volet pédagogique, mais préférer des ressources d’apprentissage dans un contexte informel pour le volet disciplinaire)
Dans des domaines où il y a fréquemment plusieurs nouveaux items

Ce n’est toutefois pas pertinent dans tous les cas  (« c’est pas parce que j’aime la sauce hollandaise que c’est important qu’il y en ait dans tout… »)

Utilisateur-utilisateur
  • Profil compréhensible
  • Implémentation relativement simple
  • Performances acceptables dans la plupart des cas
  • Précalculs minimes
  • Bonne place à la sérependipité
  • Calculs couteux à faire à la demande
  • Plusieurs paires d’utilisateurs n’ont que très peu d’items évalués en commun
Lorsqu’il y a beaucoup plus d’utilisateurs que d’items

Dans des situations où s’exprime le besoin d’un bon degré de sérendipité

Item-item
  • Profil compréhensible
  • Implémentation relativement simple
  • Performances acceptables dans la plupart des cas
  • Calculs à la demande minimes
  • Précalculs nombreux
Lorsqu’il y a beaucoup plus d’items que d’utilisateurs

Dans des situations où les items populaires doivent être identifiés

Réduction de la dimensionnalité
  • Moins rigide que les approches utilisateur-utilisateur et item-item
  • Temps de calcul augmenté de façon drastique en fonction du nombre d’utilisateurs et d’items
Dans des situations où il est nécessaire d’identifier des utilisateurs qui apprécient des items très similaires, sans être identiques

Références (d’autres références ont été utilisées dans la version longue de la synthèse)

Conseil supérieur de l’éducation (1997). Enseigner au collégial : une pratique professionnelle en renouvellement. Québec : Gouvernement du Québec. Repéré à
http://www.cse.gouv.qc.ca/fichiers/documents/publications/ens_coll.pdf

Conseil supérieur de l’éducation (2000). La formation du personnel enseignant du collégial : un projet collectif enraciné dans le milieu. Québec : Gouvernement du Québec. Repéré à
http://www.cse.gouv.qc.ca/fichiers/documents/publications/form_col.pdf

Ekstrand, M. D., Riedl, J. T. et Konstan, J. A. (2011). Collaborative Filtering Recommender Systems. Foundations and Trends® in Human–Computer Interaction, 24(2), 81-173.
http://dx.doi.org/10.1561/1100000009

Gagnon, N. (2003). Essai de positionnement du concept de communauté de pratique stratégique – en réseau – dans un contexte de formation en milieu organisationnel (Mémoire de maitrise, Université Laval). Repéré à
http://www.parcours.uqam.ca/upload/files/Observatoire/Obs_Gagnon_CDP_long.pdf

Hase, S. et Kenyon, C. (2000). From Andragogy to Heutagogy. ultiBASE, 5(3). Repéré à
http://www.psy.gla.ac.uk/~steve/pr/Heutagogy.html

Konstan, J. A. et Ekstrand, M. D. (2015). Introduction to Recommender Systems. Repéré dans l’environnement Coursera :
https://www.coursera.org/learn/recommender-systems

Knowles, M. S. (1975). Self-Directed Learning. New York : Association Press.

Martineau, S. (2013, 29 octobre). Environnement virtuel et formation à l’enseignement [Billet de blogue]. Repéré à
http://propossurlemonde.blogspot.ca/2013/10/environnement-virtuel-et-formation.html

 

Cet article a d’abord été publié dans le blogue personnel de Michelle Deschênes.

Partager :