Résumé
Ce projet, mené en partenariat avec Alloprof dans le cadre d'une Subvention Alliance Avantage du CRSNG, vise à rendre la plateforme numérique Allofrançais capable de proposer des parcours d'apprentissage personnalisés aux élèves de 5e et 6e années du primaire, afin de soutenir l'apprentissage du français écrit. Il repose sur une architecture d'apprentissage adaptatif combinant un modèle riche de l'apprenant et les principes de l'enseignement explicite. L'établissement tête est l'Université Laval.
Problématique
L'apprentissage du français écrit représente un défi majeur pour les élèves du 3e cycle du primaire au Québec, une période déterminante pour le développement des compétences linguistiques (Fisher et Nadeau, 2014). Malgré les efforts du système scolaire et des ressources comme celles d'Alloprof, de nombreux élèves éprouvent encore des difficultés importantes en orthographe grammaticale et lexicale (Boivin et Pinsonneault, 2018), le critère le plus souvent échoué aux épreuves ministérielles d'écriture. Ces lacunes sont souvent aggravées par un manque de stratégies métacognitives et par un faible sentiment d'autoefficacité, qui nuisent à la motivation et à la réussite (Troia et al., 2013).
La plateforme Allofrançais, récemment lancée par Alloprof, propose des parcours d'apprentissage fondés sur l'enseignement explicite et différencié. Ces parcours ne sont toutefois pas encore personnalisés selon les besoins de chaque élève. Or, depuis la théorie des deux sigmas de Bloom (1984), on sait que l'enseignement individualisé permet de mieux répondre à des besoins de plus en plus diversifiés. L'intelligence artificielle, à travers la modélisation de l'apprenant et l'adaptation des contenus, offre un potentiel considérable pour lever cette limite.
Objectifs
L'objectif global est de concevoir une architecture d'apprentissage adaptatif reposant sur un modèle riche de l'apprenant, capable de représenter à la fois des variables observables et des éléments plus complexes comme l'état cognitif ou métacognitif. Cette architecture doit aussi résoudre le problème du démarrage à froid en s'appuyant sur des modèles fondés sur la connaissance experte. Cinq objectifs spécifiques en découlent.
O1. Identifier les fondements théoriques de l'apprentissage du français écrit au primaire, en particulier en orthographe.
O2. Construire des structures conceptuelles pour modéliser les compétences visées.
O3. Développer un modèle riche de l'apprenant, fondé sur les théories et techniques de la modélisation des usagers, dont l'intelligence artificielle.
O4. Concevoir un modèle d'adaptation qui combine le modèle de l'apprenant et les principes de l'enseignement explicite.
O5. Implémenter ces solutions dans une plateforme de test et les valider en contexte scolaire réel.
Originalité
La personnalisation de l'apprentissage est bien étudiée en mathématiques ou en anglais, mais peu de travaux ciblent le français langue première en contexte scolaire. La majorité des recherches en IA pour l'apprentissage du français portent sur le français langue étrangère et sur des publics adultes (Korell et Albrecht, 2025). Des initiatives récentes, comme Adaptiv'Langue (Cerisier et Pierrot, 2022) ou l'usage de ChatGPT comme tuteur virtuel (Pérez et Gamboa, 2025), montrent le potentiel de l'IA pour ajuster les parcours à partir des erreurs linguistiques. D'autres systèmes ajustent les contenus selon le taux de réussite et le temps de réponse, sans tenir compte des dimensions cognitives ou stratégiques de l'apprenant.
Le projet se distingue en réunissant trois éléments rarement combinés.
L'enseignement explicite, dont les phases (modelage, pratique guidée, rétroaction, transfert) structurent les missions d'apprentissage et soutiennent l'autorégulation (Falardeau et al., 2024).
Un modèle riche de l'apprenant, qui intègre l'état des connaissances, la motivation et des indicateurs extraits automatiquement des productions écrites des élèves (types d'erreurs, richesse lexicale) grâce au traitement automatique du langage et à l'IA générative.
Des modèles explicables fondés sur l'expertise, en particulier les réseaux bayésiens, qui permettent de démarrer sans données à partir de l'expertise didactique puis d'évoluer au fil de la collecte (Tato et Nkambou, 2022, 2025).
Cette approche rejoint les principes du modèle de réponse à l'intervention, qui propose une gradation des interventions selon les besoins détectés (Desrochers et al., 2016).
Partenariat
Alloprof est un organisme à but non lucratif qui offre gratuitement des services et des ressources numériques aux élèves, aux enseignants et aux parents du Québec et de la francophonie. En 2023, il a réalisé plus de 60 millions d'accompagnements, auprès d'environ 550 000 élèves, 103 000 enseignants et 420 000 parents. L'équipe d'Alloprof a déjà conçu la structure des parcours d'Allofrançais (contenus pédagogiques, missions et parcours d'apprentissage), amorcé une arborescence des connaissances grammaticales et de leurs préalables, ainsi qu'une ontologie des stratégies pédagogiques et des besoins des élèves. Ces acquis servent directement de base à la personnalisation.
Le projet associe des expertises rarement réunies, à savoir l'intelligence artificielle en éducation et modélisation de l'apprenant (Ange Adrienne Nyamen Tato, chercheure principale), didactique du français et évaluation des apprentissages (Érick Falardeau), traitement automatique du langage et apprentissage automatique (Richard Khoury), ainsi que l'expertise technopédagogique et la capacité de déploiement de l'équipe d'Alloprof.
Retombées attendues
Le projet doit mener à une plateforme capable d'offrir des parcours individualisés en français écrit, à de nouvelles connaissances en modélisation de l'apprentissage du français à l'aide de l'IA, et à une amélioration documentée des compétences linguistiques des élèves. Pour Alloprof, il s'agit d'intégrer pour la première fois des composantes d'IA dans ses parcours pédagogiques, et de faire des données d'usage un levier pour concevoir ses ressources futures.
En adaptant les contenus aux profils des élèves, le projet tient compte des écarts d'apprentissage entre élèves issus de milieux socioéconomiques variés, y compris ceux en situation de vulnérabilité. Les ressources restant gratuites pour des centaines de milliers d'élèves, d'enseignants et de parents, il contribue à une éducation numérique plus équitable et pourra servir de modèle pour d'autres disciplines et d'autres contextes francophones.
Références
Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16.
Boivin, M.-C. et Pinsonneault, R. (2018). Les erreurs de syntaxe, d'orthographe grammaticale et d'orthographe lexicale des élèves québécois en contexte de production écrite. Canadian Journal of Applied Linguistics, 21(1), 43–70.
Cerisier, J.-F. et Pierrot, L. (2022). La régulation des activités scolaires numériques des élèves par l'enseignant : le cas d'une application d'apprentissage adaptatif. Communication, technologies et développement, 12.
Desrochers, A., Laplante, L. et Brodeur, M. (2016). Le modèle de réponse à l'intervention et la prévention des difficultés d'apprentissage de la lecture au préscolaire et au primaire. Dans Symposium international sur la litéracie à l'école (SILE/ISEL). Éditions de l'Université de Sherbrooke.
Falardeau, E., Guay, F., Dubois, P. et Pelletier, D. (2024). Effects of teacher-implemented explicit writing instruction on the writing self-efficacy and writing performance of 5th grade students. Journal of Writing Research, 16(1), 1–38.
Fisher, C. et Nadeau, M. (2014). Usage du métalangage et des manipulations syntaxiques au cours de dictées innovantes dans des classes du primaire. Repères, 49, 169–191.
Korell, J. L. et Albrecht, P. (2025). Artificial intelligence in French and Spanish foreign language education: A systematic review and future perspectives. Language Education and Technology, 5(1).
Pérez, G. A. J. et Gamboa, A. J. P. (2025). Transforming digital education: ChatGPT in personalizing learning and intelligent tutoring. Dans International Symposium on Generative AI and Education. Springer.
Tato, A. et Nkambou, R. (2022). Infusing expert knowledge into a deep neural network using attention mechanism for personalized learning environments. Frontiers in Artificial Intelligence, 5.
Tato, A. et Nkambou, R. (2025). Can LLMs generate accurate Bayesian networks to enhance knowledge tracing? Dans International Conference on Artificial Intelligence in Education. Springer.
Troia, G. A., Harbaugh, A. G., Shankland, R. K., Wolbers, K. A. et Lawrence, A. M. (2013). Relationships between writing motivation, writing activity, and writing performance: Effects of grade, sex, and ability. Reading and Writing, 26(1), 17–44.