Avec un peu de rétard, je viens de trouver un article paru sur Science le 17 juillet 2009: Foundations of a new science of learning
Les auteurs sont des autorités en sciences de la cognition:
Andrew N. Meltzoff Institute for Learning and Brain Sciences, University of Washington, Department of Psychology, University of Washington, Learning in Informal and Formal Environments (LIFE) Center, University of Washington
Patricia K. Kuhl, Department of Speech and Hearing Sciences, University of Washington, Institute for Learning and Brain Sciences, University of Washington, Learning in Informal and Formal Environments (LIFE) Center, University of Washington
Javier Movellan, Institute for Neural Computation, University of California at San Diego La Jolla, Temporal Dynamics of Learning Center (TDLC), University of California at San Diego La Jolla
Terrence J. Sejnowski, Institute for Neural Computation, University of California at San Diego, La Jolla, Temporal Dynamics of Learning Center (TDLC), University of California at San Diego, La Jolla, Howard Hughes Medical Institute, Salk Institute for Biological Studies, La Jolla, Division of Biological Sciences, University of California at San Diego, La Jolla
Voici le abstract de l’article:
“Human learning is distinguished by the range and complexity of skills that can be learned and the degree of abstraction that can be achieved compared with those of other species. Homo sapiens is also the only species that has developed formal ways to enhance learning: teachers, schools, and curricula. Human infants have an intense interest in people and their behavior and possess powerful implicit learning mechanisms that are affected by social interaction. Neuroscientists are beginning to understand the brain mechanisms underlying learning and how shared brain systems for perception and action support social learning. Machine learning algorithms are being developed that allow robots and computers to learn autonomously. New insights from many different fields are converging to create a new science of learning that may transform educational practices.”
Plus récent, sur le site de NSF - National Science Foundation, l’annonce suivante:
Researchers find social aspects of learning important at all ages
et c’est ici qu’on a confirmation que, je cite: “Andrew Meltzoff and his colleagues at the University of Washington are studying an emerging field called the “Science of Learning,” which re-evaluates how children learn in formal and informal settings.” (Il s’agit plus spécifiquement du Learning and Brain sciences institute de Washington University)
Parmi les découvertes de ce groupe de chercheurs, celle annoncée par NSF, c’est-à-dire que les jeunes étudiants apprennent mieux (plus rapidement et efficacement) dans un contexte social, donc qui apprennent des autres: Learning is social. C’est celle-ci la contribution de Meltzer et de Kuhl à l’article paru sur Science. Meltzer est en effet surtout connu pour ses études sur l’imitation, et l’apprentissage par imitation, et Kuhl pour ses études sur l’apprentissage des langues de la part des enfants comme des adultes.
Or, la télévision et l’éducation à distance, ou plus en général les nouvelles technologies digitales, introduisent une dimension différente de celle face-à-face. Et cette dimension, du moins à un âge précoce et pour certains apprentissages, ne semble pas être aussi performante que la relations sociale directe. C’est le cas pour des enfants de 9 mois, et pour la tâche d’apprendre une deuxième langue: le chinois. Trois conditions ont été comparées: exposition via DVD, enregistrement sonore, interaction avec un adulte. La troisième condition s’est montrée plus efficace que les deux premières, qui n’ont produit aucune forme d’apprentissage. Kuhl commente donc: “Apparently babies need other people to learn. They take in more information by looking at another person face to face than by looking at that person on a big plasma TV screen“. Et Meltzoff: “A major role we play as parents is teaching children where the important things are for them to learn,” he said. “One way we do this is through joint visual attention or eye-gaze. This is a social mechanism and children can find what’s important — we call them informational ‘hot spots’ — by following the gaze of another person. By being connected to others we also learn by example and imitation.”
C’est le genre de preuve et de test dont le domaine de l’éducation, et des nouvelles technologies, a tant besoin. Mais il faut aussi savoir tenir compte des conditions de l’expérience, et ne pas généraliser au dela du nécessaire. Ce qui est valable pour des enfants de 9 mois pourrait ne pas se transferer à des enfants de 9 ou 19 ans. Je serais donc pour accepter la conclusion offerte par Meltzoff avec ces précautions, quand il dit: “We’re not sure of the long-term consequences of raising children in a digital world with the level of multitasking that there is, and perhaps a cut-back on face-to-face social interaction.”
Et en effet, lui aussi, il ne nie pas le rôle que les nouvelles technologies peuvent jouer dans l’apprentissage.
Non seulement il invite à apprendre des activités non-scolaires (le jeux, les jeux online) et importer dans la classe les mécanismes qui fonctionnent à l’extérieur: un enfant qui calcule les points au baseball ne peut pas ne pas réussir ses mathématiques à l’école. Quelque chose cloche, à l’école.
Mais il invite aussi à regarder avec attention au monde des jeux online, sociaux, et au monde de la robotique sociale:
“Research is showing that children are more receptive to learning from social robots, robots that are more human in appearance and more interactive.”
C’est ce que l’article paru sur Science déclare, comme résumé ici.
Mais si on veut approfondir cet aspect de la robotique sociale et son rôle dans l’apprentissage, on peut lire sur le site de Dana Foundation l’interview à un autre des auteurs de l’article: Sejnowsk, qui a pour titre:
D’abour Sejnowski y fournit une définition de ce que cela signifie pour lui une science de l’apprentissage, a science of learning, ou mieux, une nouvelle science de l’apprentissage:
“The new science of learning describes an emerging discipline that is applying sophisticated computational models to more traditional approaches to understanding learning, with the ultimate goal of improving educational practice.
The old science of learning has been largely based on animal behavior and child development. Neuroscientists have uncovered the brain mechanisms underlying several different kinds of learning, including motor learning, implicit learning, and how knowledge of facts and events is attained. We’ve parsed the different memory systems and are now beginning to understand how they work together synergistically to affect behavior, including how it affects children’s ability to learn efficiently - or, as in some cases, not learn well.
Over the last ten years, we’ve also witnessed the unexpected emergence of a theory of learning, a mathematical framework that encompasses learning in machines and people. Machine learning is an area of mathematics and engineering that has been made possible by the great advances in digital computers, which have incredibly fast processors and enormously large memory capacities. This gives us, for the first time, the capability to sort through enormous amounts of data collected over decades and explore constraints on how systems could learn. Now we can use that same approach, including the very same theories and algorithms, to try to understand how biological learning fits in, and specifically, how we might improve learning in the classroom. ”
Donc, cette nouvelle science ne se base plus seulement sur la psychologie du développement et le comportement animal, mais puise dans les neurosciences, les sciences du cerveau, et dans les théories computationnelles, ou dans l’intelligence artificielle. Les sciences de la cognition ne se limitent pas au cerveau mais ont un périmètre plus large.
Du reste, comme le dite Sejnowski, les deux domaines des neurosciences et de l’apprentissage artificiel se rencontrent souvent, dans leurs résultats, mais aussi dans les pratiques: les neurosciences inspirent les algorithmes de l’apprentissage computationnel autant que celui-ci inspire des modèles du cerveau.
Un exemple de cette compénétration est fournie par les modèles de l’imitation de Meltzoff:
“Engineers, having seen that imitation is highly effective in humans, combined imitation learning with reinforcement learning to boost the performance of control systems. In apprenticeship learning, for example, a powerful computer tracks the actions of an expert human controlling a complex system, and then programs the reinforcement system to imitate and learn the very complex motor commands that the human makes. Engineers are now able to reproduce human skills that were previously thought beyond the reach of machines. For example, Andrew Ng, Ph.D., at Stanford has used apprenticeship learning with reinforcement to automatically control helicopters that do stunts like flying upside down.”
et réciproquement:
“What is emerging out of this is a new generation of robots that interact with humans on their own terms. We call them social robots. Javier Movellan, Ph.D., at the University of California, San Diego’s Institute for Neural Computation is building social robots that interact with 18-month-old toddlers in the Early Child Education Center on campus. The current prototype is called “Rubi.”
A propos de Rubi on peut voir l’article de Movellan et autres à propos du projet Rubi/Qrio de Movellan et Sony; et l’article de Tanaka et autres, avec ses vidéos:
SI Movie 1
SI Movie 2
SI Movie 3
SI Movie 4
SI Movie 5
Le projet consiste à faire intéragir des enfants de 18 mois avec un robot humanoïde (mais pas trop) produit par Sony, en l’intégrant avec des comportements sociaux (crier si l’enfant lui arrache, comme il arrivait au début, les bras) et en observant les communications entre enfant et robot. L’étude montre que la fénêtre de communication entre enfant et robot est étroite: si le robot répond trop tôt ou trop tard (avec 1-2 sécondes de rétard) l’enfant décroche et n’ntéragit pas socialement avec lui. Mais si la fénêtre est respectée, alors l’enfant s’engage et répond à nouveau et ça y est: le robot devient un pôle d’interaction sociale.
“Finally, once the child is engaged, more sophisticated interactions can occur. Rubi has a touch-sensitive computer screen on its belly and it can teach the child colors and songs and lots of wonderful things. The children really love this. They come in every day and expect to see Rubi, and are upset if Rubi is not there. They have accepted Rubi as a normal part of their lives. This is magic. ”
Mais à quoi cela sert? Sejnowski est très courageux dans sa réponse:
“What has been shown to date is a proof of the principle that it is possible to create robots that engage in social interactions with human beings, at least at the preschool age. Now the really important work begins, which is how to use that rapport to help the child learn and understand new concepts - in short, to perform individualized educational instruction. Social interactions will be absolutely critical to achieving that goal.
The possibilities are staggering. Using machine learning, this robot will be able to record every answer that the child gives and track it over time to determine what the child has mastered and what he or she is having trouble with. It will then be able to craft a teaching schedule that is optimal for that child. In this way, the robot is essentially creating an individualized curriculum based on all the information about that child that is being fed into the robot’s internal model of the child.”
Le robot social pourrait donc substituer, ou mieux intégrer l’enseignant qui se trouve avec 30 enfants, afin de pouvoir, même en ces conditions, personnaliser l’enseignement par rapport à chaque enfant.
Et sur cela aussi Sejnowski a un mot à dire qui ne s’oublie pas facilement:
“One-on-one human tutoring can improve the performance of a child by two standard deviations (a measure of difference from the mean). This is an enormous enhancement over what can be taught in a large classroom, where often the best that a teacher can do is to try to teach to students who are in the middle range of the class in terms of achievement. Very often, that means that students who are below average may be lost while those who are above average may be bored. It’s one of the most difficult tasks of being a teacher. But by having an individual tutor - a social robot - for every student, you could have the best of both worlds. ”
Encore une fois, le mot n’est pas substituer, mais intégrer, et permettre une personnalisation qui améliore de manière mesurable les performances des élèves.
Ce qui ne se fait pas seulement à travers des robots comme Rubi, mais peut se faire avec les ordinateurs qui sont deja dans les classes (dans certraines au moins), en les trasnformant en ‘robots sociaux’ capable de fournir les prestations d’un tuteur social; un visage donc, avec des expressions d’émotion. Un agent artificiel mais purement numérique. Qui, comme Rubi, permet de mettre en place trois fondamentales de comportement:
- attention partagée
- imitation sociale
- empathie.
Et voici pourquoi la vidéo ne suffit pas à enseigner le chinois, parce qu’elle manque de ces trois formes d’interaction sociale, formes d’interaction qui sont liées à l’expresison des émotions, mais aussi à d’autres conditions à explorer.
Références:
Meltzoff AN, Kuhl PK, Movellan J, Sejnowski TJ. Foundations for a new science of learning. Science 2009 July 19; 325(5938):284-288.
Javier R. Movellan , Fumihide Tanaka , Ian R. Fasel , Cynthia Taylor , Paul Ruvolo , Micah Eckhardt, The RUBI project: a progress report, Proceedings of the ACM/IEEE international conference on Human-robot interaction, March 10-12, 2007, Arlington, Virginia, USA PDF
Tanaka et al. (2007). Socialization between toddlers and robots at an early childhood education center. PNAS, 104, 46, 17954-17958. PDF
Alors, bonne lecture!
Elena Pasquinelli