🧠 Moteur d'Apprentissage Adaptatif — Suivi des Connaissances en Direct

Le BKT suppose qu'un élève peut apprendre du simple fait de tenter une question, qu'il ait eu raison ou non — par le retour d'information, en travaillant le problème, ou simplement par exposition répétée. Après avoir calculé la probabilité a posteriori bayésienne à partir de la justesse observée, le modèle applique une étape supplémentaire : P(L_suivant) = P(L_post) + (1−P(L_post))·T, où T est la probabilité de transition (taux d'apprentissage) qu'un élève non-maîtrisant bascule vers la maîtrise à cette tentative. Fait crucial, le BKT suppose que l'apprentissage est unidirectionnel — on ne suppose jamais que la maîtrise s'oublie — donc T ne fait que pousser l'estimation vers le haut. C'est exactement ce que contrôle le curseur de taux d'apprentissage de cette simulation, et vous pouvez observer que des réglages plus élevés tirent les estimations de maîtrise vers 100 % bien plus vite.

La politique « Compétence la plus faible en premier » pose simplement une question issue de la compétence ayant actuellement l'estimation P(L) la plus basse, concentrant la pratique là où le modèle pense que l'élève en a le plus besoin — c'est l'idée centrale derrière les systèmes adaptatifs basés sur la maîtrise comme le moteur d'exercices de Khan Academy et ALEKS. « Pondérée par l'incertitude » fait la même chose de façon probabiliste, en échantillonnant les compétences avec une chance proportionnelle à (1 − P(L)), si bien que les compétences faibles sont favorisées mais pas forcées de façon déterministe. « Tourniquet » parcourt les compétences dans un ordre fixe indépendamment de la maîtrise, et « Aléatoire » choisit uniformément au hasard comme référence. Basculer entre ces politiques tout en observant le graphique en barres de maîtrise rend directement visible le gain d'efficacité de l'adaptativité : la politique du plus faible en premier atteint la pleine maîtrise des cinq compétences en nettement moins de questions que la référence aléatoire.

C'est exactement ce que modélisent les paramètres de chance et de glissement, et c'est pourquoi le BKT suit une probabilité plutôt qu'un simple fait observé. Un élève dont l'état de maîtrise réel est « non maîtrisé » peut quand même répondre correctement avec une probabilité g (une chance heureuse, ou une connaissance partielle qui fonctionne cette fois) — la simulation tire effectivement à pile ou face à chaque fois qu'un élève simulé non-maîtrisant reçoit une question. Symétriquement, un élève véritablement maîtrisant répond incorrectement avec une probabilité s (un glissement momentané, une mauvaise lecture de la question, ou une faute de frappe). Comme ces deux effets sont simulés comme de véritables tirages aléatoires — et non des résultats scriptés — vous verrez occasionnellement des bonnes réponses chanceuses sur des compétences faibles et des échecs malchanceux sur des compétences que le modèle estime déjà hautement maîtrisées, exactement comme cela arriverait avec un véritable élève.

Les hypothèses du BKT sont de fortes simplifications : il traite la maîtrise de chaque compétence comme entièrement binaire et indépendante de toutes les autres, ignore le crédit partiel et le temps de réponse, et suppose un taux de chance/glissement fixe plutôt qu'un taux qui varie selon la difficulté de la question ou l'élève. Les systèmes de recherche modernes comme le suivi profond des connaissances (Deep Knowledge Tracing, DKT, utilisant des réseaux de neurones récurrents) et les extensions bayésiennes avec des paramètres de difficulté par item (plus proches de la théorie de réponse aux items) assouplissent ces hypothèses et s'ajustent souvent plus précisément aux données réelles des élèves, au prix d'être bien moins interprétables — on ne peut pas lire une seule probabilité transparente indiquant qu'un élève a maîtrisé les fractions à partir de l'état caché d'un réseau de neurones, comme on le peut avec le BKT. Cette interprétabilité est précisément la raison pour laquelle le BKT, malgré ses trois décennies d'existence, reste largement déployé dans les vrais systèmes de tutorat en production aujourd'hui.