Une vraie adaptativité dans les jeux de langues : ce que montre une nouvelle étude
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 se sont ensuite demandé : Ces mesures permettent-elles de prédire si un apprenant réussira la tâche suivante ? Ils ont découvert que : Et pourquoi est-ce important ? L’adaptabilité peut soutenir tous les apprenantsLes 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 enseignantsCes 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 confianceCette 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