A genetic algorithm for student academic resource allocation

Imaginez que vous soyez le capitaine d'un vaisseau spatial, mais qu'au lieu d'étoiles, votre soute soit remplie de milliers d'outils, de gadgets et de cartes différents. Votre mission ? Aider un seul passager à atteindre sa destination aussi rapidement et joyeusement que possible. Le problème est que votre passager a des besoins très spécifiques : peut-être se perd-il facilement, peut-être est-il un adepte de la vitesse, ou peut-être dispose-t-il d'une quantité limitée de carburant. Vous ne pouvez pas simplement lui jeter tout ce qui vous tombe sous la main ; vous devez choisir la combinaison parfaite d'objets qui puisse tenir dans le réservoir de carburant tout en lui donnant ses meilleures chances de réussite. C'est le défi quotidien de l'éducation moderne. Les enseignants disposent d'une immense bibliothèque de leçons, de vidéos et d'exercices, mais chaque élève apprend différemment. Certains ont besoin d'une aide supplémentaire pour lire les nombres, tandis que d'autres sont prêts à foncer tête baissée. Trouver le mélange exact de matériels pour un seul élève, c'est comme essayer de résoudre un puzzle géant et impossible dont les pièces changent constamment de forme. C'est là que l'informatique intervient avec une astuce ingénieuse appelée « algorithme génétique ». Considérez cela comme un laboratoire d'évolution numérique. Au lieu qu'un humain essaie de deviner la liste parfaite, l'ordinateur crée des milliers de listes aléatoires, les teste, puis les « fait se reproduire » ensemble, en les mélangeant et en les associant encore et encore jusqu'à ce qu'il fasse évoluer une solution presque parfaite. C'est la façon dont la nature résout les problèmes mathématiques : la survie du plus apte, mais pour les devoirs.

Ce document, écrit par une équipe de chercheurs espagnols, s'attaque précisément à ce puzzle : comment choisir automatiquement les meilleures ressources mathématiques pour un lycéen. Ils présentent le problème comme un défi d'« optimisation combinatoire binaire 0–1 ». En langage clair, cela signifie décider, pour chaque article d'un catalogue, s'il doit être inclus (1) ou laissé de côté (0), tout en respectant une limite de temps stricte. Les chercheurs savent qu'à mesure que la liste des ressources augmente, essayer de vérifier chaque combinaison possible devient impossible pour un ordinateur à faire rapidement — comme essayer de compter chaque grain de sable sur une plage un par un. C'est pourquoi ils proposent d'utiliser leur « algorithme génétique » pour trouver une excellente solution sans avoir à vérifier toutes les possibilités.

L'équipe a construit un système qui examine d'abord le profil de l'élève. Ils prennent en compte le niveau actuel de l'élève, ses performances dans différents domaines mathématiques (comme l'algèbre ou la géométrie) et même ses difficultés d'apprentissage spécifiques. Par exemple, ils utilisent un « facteur de diagnostic » pour ajuster le plan : un élève ayant des capacités élevées reçoit un facteur de 1,0, tandis qu'un élève dyslexique reçoit un facteur de 0,7, et un élève dyscalculique (ayant des difficultés avec les chiffres) un facteur de 0,5. Ce facteur agit comme un bouton de volume, diminuant l'intensité des tâches pour correspondiment aux besoins de l'élève. Le système filtre également les ressources trop faciles ou trop difficiles, ne conservant que celles qui correspondent au niveau et à la classe de l'élève.

Une fois que le système a une liste de ressources appropriées, il lance son évolution numérique. Il commence par choisir aléatoirement un certain nombre de combinaisons différentes de ressources. Ensuite, il vérifie si l'une de ces combinaisons enfreint les règles — plus précisément, si le temps total nécessaire pour terminer toutes les ressources sélectionnées dépasse le temps d'étude maximal autorisé par l'élève, qui était fixé dans leur expérience à 8 100 minutes (soit 135 heures). Si une combinaison est trop longue, un « mécanisme de réparation » spécial entre en jeu. Il agit comme un éditeur strict, supprimant aléatoirement des éléments de la liste jusqu'à ce que le temps total s'insère parfaitement dans la limite. Cela garantit que chaque solution considérée par l'ordinateur est réellement réalisable.

Les chercheurs ont testé ce système en utilisant un catalogue synthétique de 1 000 ressources mathématiques. Ils se sont concentrés sur un profil d'élève simulé : un élève de seconde au lycée présentant une dyslexie. Après avoir filtré les ressources qui ne correspondaient pas au niveau de l'élève, l'ordinateur disposait de 217 articles potentiels parmi lesquels choisir. Ils ont exécuté l'algorithme génétique 10 fois, en commençant chaque fois par une graine aléatoire différente pour voir si les résultats étaient cohérents. Les résultats ont été impressionnants. L'algorithme a systématiquement trouvé des solutions de haute qualité, convergeant rapidement vers un score de « meilleure aptitude » (fitness) de 4,3333. Dans la meilleure exécution, le système a sélectionné exactement 77 ressources sur les 217 disponibles, remplissant l'emploi du temps de l'élève jusqu'à la limite des 8 100 minutes sans la dépasser. Le fait que les résultats soient si similaires sur les 10 exécutions suggère que la méthode est très stable et fiable.

Le document conclut que cette approche fonctionne bien pour créer des plans d'apprentissage personnalisés en temps réel. Cependant, les auteurs prennent soin de noter qu'il s'agit d'une simulation basée sur un modèle mathématique spécifique. Ils ne prétendent pas avoir résolu l'éducation pour toujours, mais plutôt qu'ils disposent d'un outil puissant pour prendre ces décisions. À l'avenir, l'équipe suggère que la prochaine étape consiste à gérer des élèves présentant plusieurs défis simultanément — comme un élève qui serait à la fois surdoué et dyslexique. Dans ce scénario futur, l'ordinateur devrait équilibrer des objectifs contradictoires, trouvant une solution « Pareto-optimale » où il fait de son mieux pour tous les besoins différents de l'élève en même temps. Pour l'instant, cependant, cet algorithme génétique constitue une voie prometteuse pour transformer un tas chaotique de matériel éducatif en une feuille de route sur mesure pour la réussite d'un élève.