Concevoir des activités d’apprentissage ni trop faciles ni trop difficiles est essentiel pour optimiser l’apprentissage à long terme. On peut se demander comment définir et sélectionner cette « difficulté optimale ». Dans cette présentation, on montre comment les modèles de type Elo ou de réponse à l’item peuvent être utilisés pour estimer conjointement le niveau de l’apprenant et la difficulté des items à partir d’un historique de données passées. Ces représentations permettent d’analyser la dynamique d’apprentissage au sein de populations d’apprenants, ce qui peut également aider la métacognition.
Quelle tâche proposer ensuite à un apprenant ? J’aborde la conception des récompenses pour les tuteurs intelligents et montre pourquoi des objectifs simplistes (par exemple, le taux de réussite immédiat) ne sont pas optimaux. Erva Kandemir a montré comment la difficulté relative de la préparation était corrélée au score final à un concours de médecine. Enfin, je montre comment utiliser cette recherche pour développer des IA d’évaluation adaptative en classe, et je souligne les défis d’enseigner à la fois à des grands débutants et à des champions du monde de programmation dans une même classe.