Imaginez que vous jouez à un jeu tout en apprenant une langue. Vous avez votre adorable petite chouette (rassurez-vous, la nôtre ne menacera pas votre série de jours), vous récoltez des infos, parlez à des personnages, faites des choix, en essayant de rester complètement plongé dans l’aventure quand, sans même que vous vous en rendiez compte, le jeu intervient discrètement pour vous donner un coup de main.
Peut-être qu’il vous souffle les premières lettres dont vous avez besoin. Peut-être qu’il parle plus lentement ? Ou qu’il vous propose une quête plus facile. Presque comme s’il savait que vous alliez vous heurter à un mur (virtuel).
Trop beau pour être vrai ? (Aussi beau qu’un rayon de soleil un jour d’hiver en Belgique ?) C’est la promesse de l’apprentissage adaptatif. Et ce n’est pas une promesse en l’air : une nouvelle étude empirique prouve que nous pouvons la tenir (celle de l’adaptativité, pas celle du soleil… pas encore).
Des chercheurs de la KU Leuven ont voulu savoir si Language Hero, notre jeu narratif, peut évaluer automatiquement les performances langagières des élèves en temps réel et adapter les tâches à leur niveau en conséquence.
Alors, en est-il capable ?
[Attention, spoiler]
Oui, il en est capable.
Pourquoi cette recherche est-elle importante ?
D’un point de vue théorique, la recherche en acquisition des langues secondes est claire : on apprend à parler une langue en l’utilisant dans des interactions porteuses de sens, que ce soit avec une autre personne ou avec des systèmes de dialogue oral. Mais pour que ces systèmes soutiennent réellement l’apprentissage, ils doivent s’adapter en temps réel aux besoins et au niveau de chaque élève (consultez Bibauw et al., 2022 pour tout savoir sur les systèmes de dialogue).
Tout le monde promet des outils d’IA adaptatifs et personnalisés. Mais il nous faut des preuves empiriques pour montrer comment cette adaptation fonctionne et si elle améliore réellement l’apprentissage des langues.
C’est précisément ce que les chercheurs de la KU Leuven ont étudié dans leur étude récemment publiée. Pour examiner dans quelle mesure l’adaptativité intégrée à Language Hero permettait de prédire la réussite des tâches, ils ont analysé la production orale des élèves à l’aide de mesures fondées sur la théorie (voir Koizumi & In’nami, (2024) pour approfondir ces mesures).
Plus précisément,
- Ils ont analysé les données orales de 263 élèves du secondaire apprenant le français comme langue seconde (L2) en Belgique, pendant qu’ils jouaient à Language Hero.
- Au total, plus de 22 000 réponses orales ont été produites par les 263 participants, qui ont réalisé 739 microtâches.
- Ils ont examiné 16 caractéristiques linguistiques liées à des mesures de complexité, de correction et de fluidité, ainsi qu’au degré de réalisation de la tâche, plus 4 mesures d’utilisation des indices.
Ils se sont ensuite demandé :
Ces mesures permettent-elles de prédire si un apprenant réussira la tâche suivante ?
Ils ont découvert que :
- Douze mesures linguistiques et 2 mesures d’utilisation des indices prédisaient de manière significative la réussite des tâches.
- Plus précisément, la fluidité, l’utilisation des indices, et le fait d’avoir réalisé efficacement la tâche étaient les meilleurs prédicteurs.
Par exemple, plus un élève cliquait sur les indices pour demander de l’aide, plus il avait de chances de réussir la conversation suivante.
- Fait intéressant, la correction grammaticale ne permettait pas de prédire la réussite de la tâche (est-ce un cerveza o una cerveza por favor ? Peu importe, tant que vous en obtenez une.)
Même si les joueurs reçoivent toujours un feedback grammatical, ce résultat renforce l’idée que la communication et l’attention portée au sens, autrement dit faire passer le message, comptaient davantage que l’attention portée uniquement à la forme. Youpi ! Des décennies de recherche sur l’apprentissage basé sur les tâches ont raison !
- Parlons statistiques une minute : globalement, le modèle expliquait 45 % de la variance de la réussite des élèves aux tâches suivantes.
Autrement dit, les données linguistiques et comportementales recueillies en jeu, en tenant compte des différences entre élèves et de la difficulté des tâches, permettaient d’expliquer près de la moitié de la variation lorsqu’il s’agit d’estimer si un élève réussira une future tâche orale. Si vous préférez les chiffres aux mots, consultez l’article complet.
Et pourquoi est-ce important ?
L’adaptabilité peut soutenir tous les apprenants
Les modèles d’apprenant basés sur les données, comme celui de Language Hero, peuvent améliorer la micro-adaptabilité et offrir un meilleur soutien individualisé. Par exemple, pour les élèves de niveau plus faible, le système peut fournir des indices plus détaillés, ajuster la complexité linguistique ou proposer d’autres tâches, le tout sur la base d’indicateurs en temps réel des performances des élèves.
Des données utiles pour les enseignants
Ces modèles élargissent les possibilités pédagogiques en fournissant des données linguistiques interprétables, sous forme de tableaux de bord et de visualisations du niveau et des progrès des élèves. Les enseignants gagnent du temps, choisissent ce qui compte le plus et décident où concentrer leur attention.
Une IA digne de confiance
Cette recherche propose un modèle d’apprenant transparent et fondé sur la théorie (à l’opposé de la « boîte noire » opaque des chatbots prêts à l’emploi), qui, nous l’espérons, renforcera la confiance dans les applications d’apprentissage des langues basées sur l’IA
Les systèmes de dialogue oral savent faire plus que « répondre »
…ou offrir une pratique orale. D’une certaine manière, ils peuvent sentir qu’un apprenant va être en difficulté avant même qu’il ne s’en rende compte. Et c’est là que l’adaptativité entre en jeu.
Cette étude est une étape importante pour nous. Elle montre que notre adaptativité fondée sur des données probantes va dans la bonne direction. Et nous comptons bien continuer à la développer, à la valider et à la partager avec tous nos élèves.
Article original
Cornillie, F., Gijpen, J., Metwaly, S., Luypaert, S., & Van den Noortgate, W. (2025). Towards adaptive spoken dialogue systems for language learning: Predicting task completion from learning process data. CALICO Journal, 42(3). https://utppublishing.com/doi/10.3138/calico-2025-0035
Autres travaux cités
Bibauw, S., François, T., & Desmet, P. (2022). Dialogue Systems for language learning: Chatbots and beyond. In N. Ziegler & M. González-Lloret (Eds.), The Routledge handbook of second language acquisition and technology (pp. 121–135). Routledge. https://doi.org/10.4324/9781351117586
Koizumi, R., & In’nami, Y. (2024). Predicting functional adequacy from complexity, accuracy, and fluency of second-language picture-prompted speaking. System, 120, 103208. https://doi.org/10.1016/j.system.2023.103208