Cette tribune a été initialement publiée par Jessica Dehler, Responsable R&D de Coorpacademy, dans le Journal du Net. Pour y accéder, c’est ici !
À mesure que l’IA devient de plus en plus sophistiquée et présente, l’importance de développer une meilleure compréhension de cette dernière s’intensifie, au même titre que développer ses compétences comportementales.
La capacité à résoudre des problèmes complexes, le développement d’une pensée critique ou encore la créativité ont été identifiés comme des compétences clés de demain par le Forum Économique Mondial. La pensée computationnelle, ou computational thinking dans la langue de Shakespeare, s’intègre dans ce champ de compétences.
La pensée computationnelle peut se définir comme une approche englobant les processus de pensée impliqués dans la formulation de problèmes et l’expression de leurs solutions, de telle manière qu’un ordinateur puisse les exécuter. Plus précisément, ces solutions sont exprimées en termes d’algorithmes, qui sont compréhensibles et exécutables par un programme. Là où la pensée computationnelle s’arrête, commence l’informatique : les algorithmes à leur tour seront écrits dans un langage de programmation, compilés et exécutés par un dispositif informatique.
La pensée computationnelle applicable et utile pour tous
Tout comme les mathématiques ne sont pas utiles qu’aux mathématiciens, la pensée computationnelle et les principes algorithmiques sont applicables par tous et peuvent être utilisés pour la résolution de problèmes dans toutes les disciplines. Tout le monde n’aura pas besoin de compétences en programmation pure. Mais tout le monde devra disposer de compétences complémentaires à l’IA. C’est alors que la pensée computationnelle devient une compétence transverse à haute valeur ajoutée et pas seulement réservée aux informaticiens/iennes. Elle sert à comprendre ce que fait la machine (le fonctionnement des algorithmes, la façon dont une machine apprend des données qu’elle reçoit, les limites de la « computation ») mais aussi pour façonner l’action de l’humain (préparer des ensembles de données pertinents pour le machine learning, diviser un problème en plusieurs parties qui sont solvables une par une par la machine, détecter les configurations dans lesquelles l’automatisation et la parallélisation peuvent être introduites, ou dans la configuration de solutions digitales utiles à la société).
Ce mode de pensée comprend un certain nombre de caractéristiques, telles que la séparation des problèmes en parties plus petites (modularisation), le développement d’instructions étape par étape pour la résolution d’un problème (algorithme), l’observation de régularités dans les données (identification de patterns), la maîtrise de différents niveaux d’abstraction (encapsulation), la gestion de la complexité et des problèmes ouverts, etc.
La quête de la formation à la pensée computationnelle
La pensée computationnelle est tellement importante pour accroître l’efficience et l’innovation que des États ont commencé à la placer au cœur de leurs programmes universitaires. Aux États-Unis, le National Research Council s’intéresse au sujet depuis huit ans. L’université Carnegie Mellon à Pittsburgh a un centre (Center for Computational Thinking) financé par Microsoft pour faire avancer la recherche informatique et la pensée computationnelle dans le but de contribuer à améliorer la société. En Suisse, l’EPFL (École Polytechnique fédérale de Lausanne) a créé dès 2013 un cours obligatoire pour tous les futurs ingénieurs. La National University de Singapour a rendu l’étude de la pensée computationnelle obligatoire, quelle que soit la matière étudiée.
En revanche, rien n’a encore été fait en matière de scenarii de formation continue pour les actifs. Cette compétence doit-elle être considérée comme un sujet transverse ou doit-elle s’ancrer à des domaines d’applications (la pensée computationnelle pour les professionnels du Marketing vs. la pensée computationnelle pour les professionnels de la Finance) ? Une première étape, ce sur quoi nous travaillons actuellement chez Coorpacademy, consiste déjà à définir comment il serait possible d’aider une personne à développer sa pensée computationnelle, c’est-à-dire définir quelles sont les connaissances théoriques et procédurales (le savoir-faire) qu’il est nécessaire d’intégrer et trouver les moyens de former à cette approche des actifs aux parcours professionnels très différents. Quoi qu’il en soit, pour développer cette nouvelle génération de compétences, les entreprises vont donc devoir placer la formation de leurs salariés au cœur de leurs priorités et proposer des programmes de formation en adéquation avec l’acquisition de ces nouvelles compétences.
Nous allons de plus en plus collaborer avec des intelligences artificielles. La pensée computationnelle va nous permettre de mieux les comprendre et mieux les utiliser !
Pour retrouver la tribune complète publiée sur le Journal du Net, c’est ici.
C’est un fait. Les Mooc révolutionnent en profondeur l’apprentissage et la formation professionnelle. Mais ils pourraient encore davantage séduire les apprenants en misant encore plus sur la personnalisation et l’intelligence artificielle.
Pierre Dillenbourg, directeur de laboratoire travaillant sur l’éducation numérique et les MOOC à l’EPFL, et Jessica Dehler Zufferey, à la tête de la R&D chez 
Pourquoi deux apprenants ayant les mêmes connaissances et le même niveau d’intelligence n’obtiennent pas les mêmes notes à un MOOC ? De façon plus générale, pourquoi deux personnes intelligentes n’obtiennent pas les mêmes résultats, à la fois en termes de progrès scolaires et d’évolution de carrière ? 
La semaine dernière, Coorpacademy était présent au Salon des Technologies et de l’Innovation de Lausanne (STIL), sur le site de l’EPFL, qui a accueilli plus de 3 000 personnes et une centaine de stands. 
Dans notre précédent post, nous avons évoqué la nécessité de créer de nouveaux indicateurs de performance pour les MOOC d’entreprise. Nous allons à présent nous pencher sur la valeur de la régularité en tant qu’indicateur.
Une fois passé le buzz autour du nombre faramineux de participants s’inscrivant à des MOOC, le débat qui a suivi a porté sur le nombre tout aussi faramineux d’abandons en cours de route. À présent, chercheurs et professionnels semblent s’accorder sur le fait que les taux d’achèvement ou d’abandon ne sont pas l’alpha et l’omega des indicateurs de performance concernant les MOOC et ceux qui les suivent. Ils avancent l’idée que nombre d’apprenants ne cherchent même pas à aller jusqu’au terme d’un cours puisqu’ils ne sont intéressés que par une partie ou parce qu’ils voulaient juste avoir une idée de son contenu. Lorsqu’on se penche sur les statistiques d’abandon uniquement pour les participants s’étant engagés à terminer un cours, soit parce qu’ils ont payé pour obtenir une certification ou parce qu’ils ont indiqué cet objectif en s’inscrivant, les taux ne sont plus aussi alarmants et se rapprochent des taux constatés dans l’enseignement présentiel. (cf. EPFL(1))