An Integrated Explainable AI and Universal Design for Learning (UDL) Framework for Inclusive Special Education Systems

Résumé Technique : Un cadre intégré d'IA explicable et de Conception Universelle de l'Apprentissage (CUA) pour les systèmes d'éducation spécialisée inclusifs

Énoncé du problème
Les systèmes traditionnels d'éducation spécialisée sont confrontés à des défis importants pour fournir des conditions d'apprentissage individualisées, transparentes et équitables. Le modèle prédominant de « l'attente de l'échec » est réactif, retardant souvent l'intervention jusqu'à ce que l'incompétence académique soit évidente, ce qui élargit les écarts de réussite. De plus, les contraintes de ressources (par exemple, des ratios élèves-éducateurs élevés) limitent la faisabilité d'une instruction personnalisée, tandis que les silos de données disjoints empêchent l'obtention d'informations exploitables. Bien que l'intelligence artificielle (IA) offre un potentiel de personnalisation évolutive grâce à l'apprentissage adaptatif et au tutorat intelligent, la nature de « boîte noire » de nombreux modèles d'IA sophistiqués érode la confiance. Ces systèmes opaques occultent les raisonnements décisionnels, entravent la responsabilité des éducateurs et risquent de propager les biais systémiques inhérents aux données historiques, particulièrement en ce qui concerne le placement et l'évaluation en éducation spécialisée. Par conséquent, il existe un besoin critique pour un cadre combinant l'inclusivité pédagogique de la Conception Universelle de l'Apprentissage (CUA) avec la transparence de l'IA explicable (XAI) afin de soutenir une éducation spécialisée inclusive.

Méthodologie
Cette étude emploie une revue systématique de la littérature suivant les directives de rapportage PRISMA 2020.

• Sources de données : Une recherche exhaustive a été menée dans Scopus, Web of Science, ERIC, PubMed et Google Scholar.
• Stratégie de recherche : Les mots-clés incluaient « IA explicable », « Conception Universelle de l'Apprentissage », « éducation spécialisée » et « apprentissage inclusif ». La recherche a couvert les publications de 2019 à 2026 (avec des critères d'éligibilité notant une plage de 2010 à 2026).
• Critères de sélection : Les études incluses étaient des articles de revues évalués par les pairs, des actes de conférences et des études empiriques rédigés en anglais. Les critères d'exclusion ont éliminé les éditoriaux, les résumés sans texte intégral, les études d'IA purement techniques sans focus éducatif, et les études de CUA sans intégration technologique.
• Jeu de données final : À partir d'un pool initial de 1 200 enregistrements, 165 sources uniques ont été sélectionnées pour le corpus final. Cela comprenait 78 études empiriques, 52 articles conceptuels/théoriques, 24 revues systématiques/de portée et 11 rapports techniques.
• Approche de synthèse : En raison de l'hétérogénéité méthodologique, une synthèse thématique narrative a été utilisée plutôt qu'une méta-analyse quantitative. Les résultats ont été cartographiés selon six objectifs d'étude afin d'identifier les thèmes, les lacunes et les chevauchements conceptuels.

Principales contributions
Le document apporte trois contributions primaires à la littérature :

1. Synthèse systématique : Il fournit la première synthèse complète des preuves concernant l'intégration de la XAI et de la CUA dans l'éducation spécialisée inclusive, comblant le fossé entre ces deux domaines auparavant indépendants.
2. Identification thématique : À travers une synthèse narrative, l'étude identifie quatre thèmes majeurs : la nécessité de l'explicabilité dans la prise de décision éducative, la CUA comme cadre pour l'apprentissage personnalisé, la convergence de la XAI et de la CUA pour l'éducation adaptative, et les défis de mise en œuvre ainsi que les considérations éthiques impliquées.
3. Proposition d'un cadre conceptuel : Les auteurs proposent un cadre XAI-CUA composite. Ce modèle opère à la fois sur les niveaux architectural et pédagogique :
   • Couche pédagogique : Les principes de la CUA (multiples moyens d'engagement, de représentation, et d'action/expression) définissent ce que les adaptations nécessaires sont et quelles explications sont utiles pour divers apprenants.
   • Couche technique : Les méthodes de XAI (par exemple, SHAP, LIME, explications basées sur des règles) fournissent les mécanismes pour générer des adaptations transparentes et compréhensibles.
   • Architecture : Le cadre comprend une Couche d'Entrée de Données (agrégeant les données académiques, comportementales, démographiques et du PEI), un Moteur Prédictif d'IA/ML, un Module d'Explicabilité, un Moteur d'Adaptation Instructionnelle basé sur la CUA, et un Tableau de Bord d'Aide à la Décision pour l'Enseignant.

Résultats
La synthèse de 165 sources révèle de forts bénéfices synergiques issus de l'intégration de la XAI et de la CUA :

• Transparence et Confiance : La XAI transforme l'IA d'une « boîte noire » en un outil transparent, permettant aux éducateurs de vérifier le raisonnement derrière les recommandations. Cela renforce la confiance, la responsabilité et l'agentivité de l'apprenant.
• Alignement Pédagogique : La CUA fournit le cadre nécessaire pour traduire les informations générées par l'IA en pratiques d'instruction significatives. L'intégration garantit que la personnalisation est non seulement pilotée par les données, mais aussi pédagogiquement saine et accessible.
• Améliorations Empiriques : Citant des données empiriques (spécifiquement issues du système « IncluLearn AI »), la revue note des améliorations significatives de la littératie numérique et de l'auto-efficacité de l'apprenant chez les étudiants en situation de handicap.
• Avantage Comparatif : Comparé aux systèmes adaptatifs de type « boîte noire » ou aux systèmes basés sur des règles, le cadre XAI-CUA proposé offre une haute transparence, une haute adaptabilité alignée sur les principes de la CUA, et des capacités de détection de biais améliorées.
• Applicabilité à l'écosystème US : La revue souligne que l'écosystème éducatif des États-Unis, caractérisé par des politiques telles que l'IDEA et l'ESSA, des institutions de recherche puissantes (par exemple, le CAST) et une innovation avancée en IA, offre un environnement propice au développement et à la mise à l'échelle de ce cadre.

Signification et Revendications
Le document affirme que le cadre XAI-CUA proposé offre une voie viable vers des environnements d'apprentissage transparents, adaptatifs et inclusifs. Sa signification réside dans le changement de paradigme : l'IA ne doit plus être un décideur autonome, mais un outil d'aide à la décision qui augmente le jugement de l'éducateur.

• Revendications Modestes : Les auteurs reconnaissent explicitement que, bien que la compatibilité théorique soit forte, la validation empirique à grande échelle des systèmes intégrés XAI-CUA reste limitée. Une grande partie des preuves actuelles est conceptuelle ou basée sur de petits prototypes.
• Directions Futures : Le document appelle à des études longitudinales, des recherches de mise en œuvre transculturelles et le développement de mesures d'évaluation standardisées avant que le cadre ne puisse être recommandé pour une adoption mondiale étendue.
• Impératif Éthique : L'intégration est présentée comme essentielle pour une mise en œuvre éthique de l'IA, garantissant que les systèmes d'éducation spécialisée restent équitables, transparents et respectueux de l'agentivité de l'apprenant, particulièrement pour les populations vulnérables.

L'étude conclut que l'innovation éducative responsable exige que l'avancement technologique soit guidé par des principes pédagogiques établis (CUA) et renforcé par la transparence (XAI), plutôt que de reposer uniquement sur la capacité technologique seule.