IA et Serious Games : passer aux expériences pédagogiques

Et si l’intelligence artificielle ne servait plus seulement à produire des contenus, mais à créer des expériences d’apprentissage capables de réagir, de s’adapter et d’évoluer avec l’apprenant ?

Depuis plusieurs années, les serious games permettent d’apprendre autrement.

Ils placent l’apprenant dans une situation où il ne se contente plus d’écouter ou de mémoriser : il agit, prend des décisions, expérimente leurs conséquences et apprend de ses erreurs.

L’arrivée de l’intelligence artificielle ouvre aujourd’hui une nouvelle étape.

Elle permet d’imaginer des expériences pédagogiques qui ne seraient plus totalement identiques pour tous, mais capables de s’adapter progressivement aux actions, aux difficultés et aux besoins de chaque utilisateur.

Le serious game pourrait ainsi évoluer d’une expérience interactive vers une véritable expérience pédagogique adaptative.

Mais cette évolution pose une question essentielle :

Comment utiliser l’intelligence artificielle pour enrichir l’apprentissage sans perdre de vue les objectifs pédagogiques ?

Du contenu à l’expérience

Pendant longtemps, le numérique éducatif a principalement consisté à transposer des contenus existants vers de nouveaux supports.

Le cours est devenu une présentation.

La présentation est devenue un module e-learning.

Le questionnaire papier est devenu un quiz interactif.

Ces évolutions ont amélioré l’accès aux ressources, mais elles n’ont pas toujours profondément transformé l’expérience d’apprentissage.

Le serious game introduit une logique différente.

L’apprenant n’est plus seulement destinataire d’une information.

Il devient acteur d’une situation.

Il doit observer, comprendre, choisir, agir et parfois recommencer.

Cette logique est particulièrement intéressante lorsqu’il s’agit de développer des compétences qui ne peuvent pas être acquises uniquement par la mémorisation : prise de décision, résolution de problèmes, communication, prévention, collaboration ou adaptation à une situation complexe.

L’IA permet désormais d’aller plus loin.

Un serious game qui s’adapte à l’apprenant

Dans un serious game traditionnel, les scénarios sont généralement conçus à l’avance.

Une décision conduit à une conséquence déterminée par les concepteurs.

Cela peut être représenté simplement :

Situation → Décision → Conséquence → Feedback

Avec l'intelligence artificielle et les mécanismes d'adaptation, cette logique peut devenir plus dynamique :

Situation → Décision → Analyse → Adaptation → Nouvelle situation → Feedback personnalisé

L’expérience peut ainsi évoluer en fonction de ce que fait l’apprenant.

Un joueur qui maîtrise rapidement une notion pourrait rencontrer une situation plus complexe.

Un autre qui commet plusieurs fois la même erreur pourrait recevoir une explication supplémentaire ou être confronté à une nouvelle situation lui permettant de retravailler cette compétence.

L’objectif n’est pas de rendre le jeu plus difficile.

Il est de rendre l’expérience plus pertinente pour celui qui la vit.

1. Personnaliser les parcours

Tous les apprenants n’ont pas les mêmes connaissances, les mêmes difficultés ni le même rythme.

Pourtant, de nombreux dispositifs proposent encore un parcours identique à tous.

L’IA peut contribuer à faire évoluer cette logique.

En analysant les choix réalisés, les réussites, les erreurs ou la progression, un dispositif peut proposer différentes situations pédagogiques.

Un apprenant qui maîtrise déjà une compétence pourrait accéder plus rapidement à une situation complexe.

À l’inverse, celui qui rencontre une difficulté pourrait bénéficier d’une étape intermédiaire.

On passe alors progressivement :

d’un parcours standardisé

à

un parcours capable de s’adapter.

C’est l’un des principes de l’adaptive learning.

2. Créer des personnages plus interactifs

Les personnages occupent souvent une place importante dans les serious games.

Ils expliquent.

Questionnent.

Conseillent.

Réagissent aux décisions du joueur.

Traditionnellement, leurs dialogues sont entièrement écrits à l’avance.

L’IA générative ouvre la possibilité de créer des interactions plus souples.

Un personnage pourrait, par exemple, répondre différemment selon la question posée par l’apprenant ou tenir compte de certaines actions réalisées précédemment.

Dans une simulation professionnelle, l’apprenant pourrait ainsi devoir dialoguer avec un client, un collaborateur, un usager ou un personnage virtuel dont les réactions évoluent au fil de l’échange.

L’apprentissage devient alors moins prévisible.

Et potentiellement plus proche d’une situation réelle.

3. Transformer l’erreur en opportunité pédagogique

Dans un dispositif classique, une mauvaise réponse conduit souvent à un message simple :

« Réponse incorrecte. »

Or l’erreur constitue précisément l’un des moments les plus intéressants de l’apprentissage.

Pourquoi l’apprenant s’est-il trompé ?

Quelle logique a-t-il suivie ?

Quelle information lui manquait ?

Comment l’aider à comprendre sans lui donner immédiatement la solution ?

L’IA peut permettre d’imaginer des feedbacks plus contextualisés.

Au lieu de simplement indiquer qu’une réponse est incorrecte, le dispositif peut aider l’apprenant à analyser sa décision :

Quelle information auriez-vous pu prendre en compte avant d’agir ?

ou :

Votre décision répond à un premier problème, mais quelles pourraient être ses conséquences quelques instants plus tard ?

Le feedback devient alors une partie intégrante de l’expérience.

L’objectif n’est plus seulement de corriger l’erreur. Il est d’aider à comprendre pourquoi elle s’est produite.

4. Faire évoluer les scénarios

C’est probablement l’une des perspectives les plus intéressantes.

Imaginez une simulation dans laquelle l’environnement évolue réellement selon les décisions prises.

Un choix modifie la situation.

Cette nouvelle situation entraîne de nouvelles contraintes.

Les personnages réagissent.

De nouveaux événements apparaissent.

Le joueur doit alors continuellement observer et adapter sa stratégie.

L’intelligence artificielle peut contribuer à rendre ces environnements plus dynamiques.

Le serious game se rapproche alors davantage d’un système de simulation pédagogique que d’un scénario linéaire.

Cette approche peut être particulièrement pertinente pour la formation à des environnements complexes : management, sécurité, prévention, santé, mobilité, relation client ou gestion de crise.

5. Mieux comprendre les apprentissages

Un serious game produit également des informations intéressantes sur la manière dont un apprenant agit.

Quelles décisions prend-il ?

À quel moment hésite-t-il ?

Quelles erreurs reviennent régulièrement ?

Quelles compétences semblent maîtrisées ?

Sur quelles situations rencontre-t-il davantage de difficultés ?

Ces informations peuvent alimenter des mécanismes de learning analytics.

L’objectif ne doit pas être de surveiller l’apprenant.

Il est de mieux comprendre son parcours afin de proposer un accompagnement plus pertinent et d’améliorer le dispositif pédagogique.

Cette distinction est fondamentale.

Les données doivent rester au service de l’apprentissage, dans un cadre transparent, proportionné et respectueux des personnes.

Du serious game au serious game adaptatif

Nous pouvons ainsi distinguer plusieurs niveaux d’évolution.

Niveau 1 — Le serious game scénarisé

Les situations, choix et conséquences sont entièrement conçus à l’avance.

Niveau 2 — Le serious game personnalisé

Certaines situations évoluent selon le profil ou la progression de l’utilisateur.

Niveau 3 — Le serious game adaptatif

Le dispositif analyse les interactions et ajuste progressivement la difficulté, les situations ou les feedbacks.

Niveau 4 — Le serious game conversationnel

Des personnages ou assistants pédagogiques permettent des interactions plus ouvertes.

Niveau 5 — L’environnement d’apprentissage intelligent

Scénario, personnages, difficulté, accompagnement et analyse des apprentissages interagissent pour proposer une expérience beaucoup plus individualisée.

Cette évolution ne signifie pas que le niveau 5 soit systématiquement préférable au niveau 1.

La sophistication technologique n’est jamais un objectif pédagogique.

Le bon niveau est celui qui répond au besoin réel de l’apprenant.

SAFE ROADS : un terrain d’expérimentation

Cette réflexion prend une dimension très concrète avec SAFE ROADS.

La prévention routière constitue un terrain particulièrement adapté à l’apprentissage par l’expérience.

Connaître une règle ne signifie pas nécessairement savoir prendre la bonne décision lorsqu’une situation complexe se présente.

L’intérêt d’un serious game est précisément de pouvoir confronter l’utilisateur à des situations où il doit :

observer son environnement,

identifier un risque,

prendre une décision,

constater ses conséquences,

puis comprendre comment améliorer son comportement.

L’intégration progressive de mécanismes d’intelligence artificielle ouvre plusieurs pistes pour faire évoluer ce type de dispositif.

À terme, il devient envisageable d’adapter certaines situations aux comportements observés, de personnaliser les feedbacks ou encore d’identifier les notions nécessitant un accompagnement supplémentaire.

L’IA ne constituerait donc pas une couche technologique ajoutée au serious game.

Elle deviendrait un outil au service de la scénarisation pédagogique et de l’accompagnement de l’apprenant.

Le rôle du learning designer devient encore plus important

On pourrait penser que l’arrivée de l’intelligence artificielle simplifie la conception pédagogique.

En réalité, elle augmente probablement la nécessité du learning design.

Plus un dispositif possède de possibilités, plus il devient nécessaire de déterminer précisément :

• ce que l’apprenant doit apprendre ;

• les situations auxquelles il doit être confronté ;

• les décisions qu’il doit pouvoir prendre ;

• les erreurs pédagogiquement intéressantes ;

• le type de feedback à proposer ;

• les données réellement nécessaires ;

• les limites à ne pas franchir.

L’IA peut générer.

Analyser.

Adapter.

Simuler.

Mais elle ne détermine pas à elle seule ce qui mérite d’être appris et pourquoi.

Cette responsabilité reste humaine.

L’approche Lian Studio : la pédagogie avant la technologie

Chez Lian Studio, nous défendons une approche simple :

on ne commence pas un projet par la technologie.

On commence par le besoin.

Quel problème voulons-nous résoudre ?

Quel public souhaitons-nous accompagner ?

Quels comportements ou compétences voulons-nous faire évoluer ?

Quelle expérience permettra de les travailler ?

Comment saurons-nous que le dispositif produit réellement un effet ?

Ce n’est qu’ensuite que nous déterminons si le jeu, l’IA, l’immersion, la simulation ou une combinaison de plusieurs technologies apporte une valeur réelle.

Cette approche permet d’éviter un écueil fréquent de l’innovation numérique :

utiliser une technologie parce qu’elle est disponible plutôt que parce qu’elle est utile.

Une nouvelle génération d’expériences pédagogiques

La convergence entre intelligence artificielle, serious games, simulation et learning analytics ouvre des perspectives importantes.

Mais la véritable innovation ne résidera probablement pas dans des jeux simplement « plus intelligents ».

Elle résidera dans notre capacité à concevoir des expériences qui comprennent mieux quand accompagner, quand questionner, quand augmenter la difficulté et quand laisser l’apprenant chercher par lui-même.

L’enjeu n’est donc pas de supprimer l’effort d’apprentissage.

C’est au contraire de mieux l’organiser.

Car apprendre suppose toujours de chercher, d’essayer, de se tromper, de comprendre et de recommencer.

L’intelligence artificielle peut enrichir ce processus.

Elle ne doit pas le court-circuiter.

À retenir

1. Le serious game transforme l’apprenant en acteur.Il permet d’apprendre par la décision, l’expérimentation et les conséquences.

2. L’IA ouvre la voie à des expériences plus adaptatives.Parcours, scénarios, personnages et feedbacks peuvent progressivement mieux tenir compte des besoins de l’utilisateur.

3. L’erreur peut devenir un véritable outil pédagogique.L’enjeu n’est pas seulement de signaler une mauvaise réponse, mais d’aider l’apprenant à comprendre son raisonnement.

4. Les données doivent servir l’apprentissage.Les learning analytics peuvent améliorer l’accompagnement, à condition d’être utilisés dans un cadre transparent et responsable.

5. Plus la technologie progresse, plus le learning design devient essentiel.L’IA apporte de nouvelles possibilités ; l’humain reste responsable de leur finalité pédagogique.

Passer aux expériences pédagogiques

Les premiers chapitres de L’IA au service de l’éducation nous ont permis de comprendre la transformation en cours, les technologies, leurs usages, leurs bénéfices et leurs limites.

Ce chapitre marque une nouvelle étape.

Il ne s’agit plus seulement de demander :

« Que peut faire l’intelligence artificielle ? »

Mais :

« Quelles expériences d’apprentissage pouvons-nous concevoir grâce à elle ? »

C’est probablement dans ce passage de l’outil à l’expérience que se jouera une partie importante de l’innovation pédagogique des prochaines années.

Et c’est aussi là que la technologie retrouve sa juste place :

non pas remplacer l’apprentissage, mais créer de nouvelles situations pour apprendre, expérimenter et progresser.