L’utilisation croissante des technologies numériques dans de nombreux domaines de notre vie quotidienne entraîne une tendance appelée «datafication». Elle désigne l’augmentation des données générées et traitées du fait de l’utilisation des technologies numériques. Les achats en ligne, les smartphones, les bracelets connectés, les voitures «intelligentes», les assistants vocaux et les appareils du quotidien interconnectés (Internet des objets ou IoT) sont quelques exemples parmi d’autres qui montrent que chacun·e d’entre nous, de manière consciente ou inconsciente, laisse des «traces numériques» toujours plus nombreuses (Breiter & Hepp 2018). Le phénomène de «datafication» est étroitement lié aux nouvelles capacités d’analyse des données (Analytics) dont font partie les méthodes rattachées à l’intelligence artificielle (IA) comme l’apprentissage machine. Des exemples types sont les recommandations d’achat sur les plates-formes commerciales et les canaux de réseaux sociaux ou la planification de l’itinéraire basée sur internet et sur des informations de trafic actualisées. Cette tendance affecte le secteur de l’éducation de deux manières: d’une part, la «datafication» est un phénomène qui touche de près la société. À ce titre, il doit être abordé dans les offres éducatives afin de susciter une prise de conscience et une réflexion critique sur la gestion compétente des données (savoir-faire en matière de données ou «Data Literacy»). D’autre part, la «datafication» concerne aussi le secteur de l’éducation du fait de la généralisation des technologies numériques dans des contextes d’apprentissage et d’enseignement, comme en témoigne l’essor de la branche des technologies de l’éducation («Edtech»). Des notions comme le big data et l’IA soulèvent de grandes attentes (également) dans le secteur de l’éducation, en particulier à propos de la personnalisation de l’apprentissage. Ces attentes amplifient les questions concernant le caractère disruptif des évolutions technologiques dans l’éducation (pour l’éducation des adultes, voir p. ex. Dreisiebner & Lipp 2022; Grotlüschen 2018). Résumée sous le terme «analyse de l’apprentissage» depuis 2010 environ, l’étude des potentiels liés à l’utilisation des données d’apprentissage n’en est qu’à ses débuts. Jusqu’à présent, cette tendance a accordé une faible attention à l’éducation des adultes, bien que des questions sur les besoins d’apprentissage individuels se posent à l’heure actuelle, en particulier pour les adultes. Au niveau international, on recense seulement quelques exemples d’analyse de l’apprentissage dans l’éducation des adultes (p. ex. Jo, Kim & Yoon 2015; Van Laer & Elen 2020). Il s’agit souvent de projets pilotes et non de réalisations pratiques qui s’inscrivent dans la durée (Ruiz-Calleja et al. 2021). Ce thème a été abordé seulement de manière isolée et marginale dans le discours spécialisé sur la pédagogie des adultes (actuellement p. ex. Gugitscher & Schlögl 2022; Rohs & Bernhardsson-Laros 2022). Cet article offre l’opportunité de se consacrer au thème de l’analyse de l’apprentissage dans le contexte de l’éducation des adultes. À partir d’une présentation des caractéristiques principales de l’analyse de l’apprentissage, il met en lumière les possibilités d’utilisation des données dans le domaine de l’éducation des adultes et soulève quelques perspectives critiques avant de parvenir à une conclusion (provisoire). L’approche consistant à collecter et à mettre en réseau de grands volumes de sources de données au moyen de méthodes statistiques est déjà appliquée dans d’autres domaines de notre vie quotidienne. Avec l’analyse de l’apprentissage, elle fait son entrée dans des environnements pédagogiques. L’exigence qui en découle peut être résumée comme suit: «L’analyse de l’apprentissage est la discipline consacrée à la mesure, la collecte, l’analyse et la production de rapports relatifs aux apprenant·e·s et à leurs contextes dans l’objectif de comprendre et d’optimiser l’apprentissage et les environnements dans lesquels il se produit» [traduction libre]» (Long et Siemens 2011, p. 34; pour d’autres définitions, voir Scheidig 2021a, p. 171 ss). Jusqu’à présent, l’accent était surtout mis sur le contexte universitaire et les objectifs étaient multiples: obtenir de nouvelles informations sur le comportement d’apprentissage, soutenir les étudiants en leur proposant des offres d’apprentissage, des recommandations et un feed-back adaptés à leurs besoins, identifier à temps les obstacles, les processus d’apprentissage critiques et déceler les étudiant·e·s en risque de «décrochage». L’objectif était aussi de mettre des informations à la disposition de différents groupes (enseignant·e·s, instances dirigeantes au niveau institutionnel et autorités éducatives) pour leur permettre d’agir. Lorsque la priorité est mise non pas sur les environnements d’enseignement/d’apprentissage concrets («analyse de l’apprentissage» au sens strict), mais sur des aspects principalement organisationnels ou pluridisciplinaires comme le pourcentage de décrocheurs et décrocheuses et l’utilisation des ressources, on parle alors d’analyse académique ou d’«Academic Analytics» (Scheidig 2021b). L’analyse de l’apprentissage repose sur des données statiques et dynamiques relatives aux apprenants (p. ex. sociodémographie), aux contextes d’apprentissage (p. ex. curriculum), aux processus d’apprentissage (p. ex. comportement dans des environnements d’apprentissage en ligne) et aux bénéfices de l’apprentissage (p. ex. performances d’apprentissage). Il s’agit de données lisibles par des machines et/ou exploitables par des moyens informatiques. Souvent, ces données existent déjà; elles ont par exemple été saisies dans des logiciels d’apprentissage ou d’examens ou dans des systèmes de gestion utilisés par les campus. L’analyse de ces données peut être effectuée de manière rétrospective (p. ex. rapports), en temps réel (p. ex. recommandations) ou renvoyée vers le futur (p. ex. prévisions). Les méthodes utilisées pour le traitement des données incluent la visualisation des données (p. ex. dans des tableaux de bord), les analyses des réseaux sociaux et l’exploration des données (data mining). Les méthodes statistiques conventionnelles sont (jusqu’à présent) davantage utilisées que l’IA (Scheidig & Holmeier 2021, p. 218 ss). Même si, en l’espace de quelques années, un débat distinct sur l’analyse de l’apprentissage, avec des forums dédiés, s’est développé à la croisée de différentes disciplines – débat dans lequel des considérations éthiques et le thème de la protection des données occupent une importance manifeste – de nombreux domaines d’application restent encore inexplorés. L’étude des potentiels de l’analyse des données d’apprentissage semble n’être qu’à ses débuts. L’importance relativement faible accordée jusqu’à présent à des domaines comme l’éducation des adultes en est l’illustration. Lorsqu’on examine les scénarios d’utilisation possibles de l’analyse de l’apprentissage dans l’éducation des adultes, il convient tout d’abord de souligner la pluralité de ce secteur: compte tenu de la diversité de prestataires (prestataires soutenus par les pouvoirs publics, ONG internationales, entreprises privées à but lucratif) et des offres (formation professionnelle, cours de danse, groupe de discussion philosophique), les potentiels de l’utilisation des données ne peuvent pas être évalués de manière générale, mais seulement de manière spécifique selon le contexte. En principe, l’acquisition de données à des fins d’analyse de l’apprentissage englobe seulement les secteurs dans lesquels des données pertinentes peuvent être générées. Un grand nombre d’activités en lien avec l’éducation des adultes, par exemple les interactions en face à face qui n’utilisent pas de moyens numériques, n’est pas concerné. On peut également mentionner les processus d’apprentissage informels, par exemple les activités d’apprentissage liées à un poste de travail dans des environnements dont la mission principale n’est pas l’apprentissage (Ruiz-Calleja et al. 2021). Par rapport à un domaine relativement fermé comme la formation universitaire, on part donc du principe que la disponibilité et l’interopérabilité des données dans l’éducation des adultes sont nettement plus faibles. En effet, l’éducation des adultes se déroule tout au long de la vie et est par nature ouverte. Elle n’est pas rattachée à un établissement, à un curriculum ou à un diplôme. De nombreux scénarios d’utilisation de l’analyse de l’apprentissage ont été principalement élaborés dans le contexte de l’enseignement universitaire et ne peuvent pas être transposés dans l’éducation des adultes, ou seulement de manière limitée, car il manque un équivalent structurel et technique (p. ex. identification des apprenant·e·s en risque de décrochage grâce à des données rigoureuses d’apprentissage et d’examens). Au regard de la diversité des contextes dans l’éducation des adultes et compte tenu du fait que les technologies numériques ont peu ou pas du tout pénétré ces contextes, et au vu des innombrables opportunités d’apprentissage intégrées dans le quotidien, les perspectives qui promettent de représenter, à partir de données, des processus d’apprentissage tout au long de la vie – tous contextes d’apprentissage confondus – («Lifelong Learning Analytics», Pham & Klamma 2013) doivent être considérées avec un certain scepticisme. Au-delà de tous les préjugés qui entourent l’aspect pratique des applications (activités d’apprentissage ne générant aucune donnée, absence de normes sur les données, absence d’instance supérieure, etc.), le fait de revendiquer une saisie et une mise en réseau des données tout au long de la vie paraît discutable, notamment pour des raisons pédagogiques, éthiques et juridiques (McNamara 2018). D’autres raisons remettent également en question cette exigence: premièrement, le caractère discontinu des processus d’apprentissage ainsi que les parcours d’éducation ouverts et, deuxièmement, le droit à l’oubli et l’injonction de faire un usage parcimonieux des données. En conséquence, pour l’éducation des adultes, on peut envisager en priorité une utilisation des données en fonction du contexte d’apprentissage, c’est-à-dire dans le cadre d’une institution ou d’un environnement d’apprentissage numérique, comme le montrent les exemples suivants. L’analyse de l’apprentissage au niveau microdidactique Sur le plan microdidactique, l’analyse de l’apprentissage place au premier plan les environnements d’apprentissage numériques dans lesquels sont générées des données sur les activités d’apprentissage. Les exemples types sont les systèmes de gestion de l’apprentissage (LMS). Notamment utilisés dans les cours de langues étrangères et d’alphabétisation, ces systèmes saisissent la date et l’heure, la durée et la fréquence des accès à la plate-forme d’apprentissage, les interactions avec les supports d’apprentissage et avec d’autres participant·e·s, sans oublier les performances des apprenant·e·s. Même si ces données (p. ex. le temps investi ou «time on task») ne fournissent aucune information qualitative sur l’apprentissage, elles comportent des indications intéressantes sur l’utilisation des ressources d’apprentissage et peuvent servir de base pour le feed-back (p. ex. à propos des problèmes d’apprentissage et des progrès) ou la conception de futures offres d’apprentissage (pour des exemples d’utilisation dans l’éducation des adultes, voir notamment Jo et al. 2015; Van Laer & Elen 2020). Des données comparables sont également générées dans les formations en ligne ouvertes à tous, les «MOOC» ou Massive Open Online Courses. Ebner et al. (2018) présentent des possibilités d’analyse de données au moyen d’une «EBmooc» pour adultes sur laquelle quelque 200 000 activités d’apprentissage ont été enregistrées pour un total d’environ 3000 participant·e·s sur une durée de six semaines. D’autres sources de données possibles sont les applications, les écrans tactiles ou les panneaux d’information interactifs, les audioguides ainsi que les applications de réalité augmentée et de réalité virtuelle (AR/VR) proposées notamment dans certains musées, centres scientifiques et autres lieux de commémoration. Ces supports peuvent servir de sources de données, par exemple pour analyser les domaines qui intéressent le plus les utilisateurs et pour déterminer si les offres numériques mises à disposition sont utilisées et, si oui, comment elles le sont. En plus de ces scénarios d’utilisation non intrusifs, des données sur les processus d’apprentissage peuvent également être collectées spécialement à des fins d’analyse. Yun et al. (2019) ont développé un scénario impliquant l’utilisation de technologies portables, par exemple des montres connectées, pouvant être utilisées dans des formations destinées aux services de secours: les apprenant·e·s utilisent un jeu vidéo conçu à des fins éducatives («serious game») dans lequel les situations d’urgence sont simulées de manière réaliste. Le niveau de difficulté est adapté en fonction de la fréquence cardiaque mesurée selon la situation. Différentes sources de données peuvent être mises en combinaison afin d’élargir la vision sur les activités d’apprentissage fournie de manière limitée par les données de systèmes LMS. Pour l’analyse de cours de musique non formels, Viertel, Krieter & Breiter (2021) ont par exemple analysé, en complément des données journalisées fournies par des systèmes LMS, des données de systèmes et des captures vidéo d’écrans de tablettes. Celles-ci ont été mises à la disposition des apprenant·e·s et ont été utilisées pour des activités d’apprentissage en dehors du système LMS. Les cas d’utilisation pour l’analyse de l’apprentissage présentés ci-dessus exigent un traitement et une interprétation des données (dans la mesure où aucune préparation des données, p. ex. via la visualisation, n’est programmée) de la part des responsables de l’offre de formation. Les données doivent donc être interprétées à partir d’une perspective didactique. Les environnements d’apprentissage caractérisés par une automatisation élevée du traitement des données d’apprentissage et qui sont utilisés en dehors d’offres de formation organisées doivent être pris en compte séparément. Sont notamment concernés les systèmes d’apprentissage adaptatifs (p. ex. l’application Duolingo dédiée à l’apprentissage des langues étrangères) qui personnalisent les unités et/ou les parcours d’apprentissage au moyen d’une analyse automatique et en temps réel des données. Cette personnalisation repose sur un modèle d’apprentissage spécifique au domaine et varie selon les progrès individuels et les préférences des participant·e·s (Biel et al. 2019). Il s’agit d’une caractéristique intéressante pour relever le défi qui est de répondre à la diversité des apprenant·e·s adultes. Des systèmes adaptatifs tels que les applications pour l’apprentissage des langues étrangères existent aussi dans des contextes d’apprentissage informels; ils sont utilisés sans intervention pédagogique professionnelle et sont dirigés concrètement par des algorithmes. Un exemple actuel de système d’apprentissage adaptatif, se situant précisément dans le domaine de l’éducation des adultes, est le projet collectif KUPPEL dirigé par la DVV (Association des universités populaires allemandes). Dans le cadre de ce projet, un environnement d’apprentissage fondé sur l’IA destiné au personnel d’éducation des adultes est développé. Sur la base de conditions et de préférences individuelles, il doit permettre une acquisition personnalisée des compétences numériques. En plus de ces scénarios axés sur la saisie des activités d’apprentissage, les données peuvent aussi être traitées dans le cadre du diagnostic du niveau d’apprentissage formatif (pendant l’apprentissage) ou sommatif (au terme de l’apprentissage), par exemple pour établir un classement du niveau en langues étrangères ou effectuer un test adaptatif dont le niveau de difficulté peut être ajusté au cas par cas. Ces exemples, dans lesquels les analyses automatisées ne sont pas effectuées de manière générique, mais selon le contenu, ont pour point commun la restriction suivante: ils exigent – au moins à l’heure actuelle – des contenus d’apprentissage correctement formalisés, qui peuvent être séquencés dans des unités d’apprentissage structurées. En revanche, les contenus d’apprentissage qui ne peuvent être structurés que de manière limitée ainsi que les tâches se situant à des échelons élevés dans la taxonomie des objectifs pédagogiques (p. ex. évaluation, développement) sont peu adaptés à de telles applications basées sur les données. Analyses de données au niveau méso-didactique Au-delà du niveau des offres et des situations d’apprentissage concrètes, les données peuvent aussi être exploitées au niveau méso-didactique, notamment afin d’analyser la manière dont les programmes sont perçus par les apprenant·e·s. De plus en plus de prestataires dans le domaine de l’éducation des adultes proposent des programmes en ligne à la place ou en complément des fascicules de programme (Käpplinger 2021). Par conséquent, de nouvelles informations peuvent être obtenues à partir des données provenant de sites web. Il est par exemple possible de savoir si des offres ont été recherchées et quelles stratégies ont été utilisées à cet effet, comment le programme présenté de manière non linéaire (contrairement aux programmes imprimés) est «exploré», quelles personnes et combien de personnes s’intéressant à différents contenus consultent des offres de formation et à quel moment elles quittent le programme («dernière page consultée»), quel est le rapport entre le nombre de consultations de la page et le nombre d’inscriptions, en fonction de l’offre de formation, etc. Les informations obtenues via de telles analyses peuvent renseigner sur les besoins d’apprentissage et les modèles correspondants ou être exploitées pour optimiser la description et la présentation des offres en ligne. «Des remarques du type ‛les clients qui ont acheté cet article ont également acheté…’ doivent-elles être, pour les institutions de formation continue, la nouvelle manière de se présenter?» (Käpplinger 2021, p. 39.) – De telles recommandations en temps réel, reposant sur les données concernant la manière dont les programmes sont accueillis, sont en principe possibles. Les données relatives aux personnes inscrites à des événements, qui sont enregistrées dans le système de facturation d’un établissement d’éducation des adultes, peuvent aussi servir à analyser les intérêts et les profils sociodémographiques des participant·e·s et peuvent également être utilisées à des fins de marketing ou pour toucher les groupes cibles (quel groupe cible est touché ou ne l’est pas suffisamment? Où résident [ne résident pas] les participant·e·s? Pour quel public quelles offres pourraient être intéressantes?) La plate-forme à but lucratif LinkedIn Learning est un exemple actuel illustrant la manière dont différentes données peuvent être utilisées pour formuler des recommandations d’offre personnalisées. Cette plate-forme propose plus de 16 000 formations en ligne qui vont de l’acquisition des «soft skills» à l’apprentissage d’un langage de programmation sanctionné par un certificat. LinkedIn Learning soumet des propositions de formation continue personnalisées sur la base des profils professionnels des millions d’utilisatrices et d’utilisateurs dans le monde entier du réseau professionnel LinkedIn, profils qui contiennent des informations sur le métier, les compétences, et les centres d’intérêt (Hansch, Dörich & Rohwerder 2021; Grotlüschen 2018). Le projet ambitieux de la plate-forme nationale de formation en Allemagne doit franchir une étape supplémentaire: actuellement en cours de développement, elle doit être lancée en 2023 et sera une méta-plateforme pour l’utilisation à grande échelle d’offres de formation numériques: «Elle est adaptée au mode de vie actuel et permet, de manière individuelle et flexible, de parcourir sans entrave les différentes formes et offres de formation numériques» 1 . Il sera intéressant d’observer de quelle manière cette plate-forme saisira à l’avenir les données des apprenant·e·s et des processus d’apprentissage auprès de prestataires les plus divers (!) en vue de créer le «portefeuille de données» individuel des utilisateurs et utilisatrices et de quelle manière elle traitera ces données pour, conformément à l’objectif formulé, soumettre des recommandations personnalisées d’offres d’apprentissage. L’analyse de l’apprentissage s’accompagne de différentes réserves, notamment en ce qui concerne la protection des données. Le respect des directives en la matière est essentiel. Il convient notamment de garantir la transparence, la légalité, la confidentialité du traitement des données et de préserver le droit à l’autodétermination des personnes concernées en matière d’information. De ce droit découle l’obligation de renseigner sur la finalité des analyses de données. Les exigences légales et organisationnelles en matière de protection des données s’appliquent aux sources de données existantes, même si l’on renonce à effectuer une analyse de l’apprentissage (Scheidig & Holmeier 2021). Des préoccupations éthiques fondées apparaissent également. On redoute que l’analyse de l’apprentissage ne génère (même en cas de traitement des données conforme à la législation) des dispositifs de mesure et des tendances à la normalisation, un sentiment de surveillance et de pression sociale. Tout cela peut influencer le comportement des apprenant·e·s (pour l’éducation des adultes, voir Viertel et al. 2021). L’évaluation des effets de la technologie soulève aussi des contradictions: pourquoi ne serait-il pas acceptable d’exploiter le potentiel des données pour impulser des développements alors que ces données existent déjà (faut-il délibérément renoncer à l’information)? Comme toutes les autres questions éthiques posées par la transformation numérique dans l’éducation des adultes (voir Rohs & Bernhardsson-Laros 2022), ces aspects nécessitent une évaluation basée sur les valeurs. Une autre problématique concerne l’objectivité et la neutralité supposées des données (Breiter & Hepp 2018). Des conceptions ainsi que des préférences et, parfois, de la discrimination sont intégrées dans les algorithmes (Beck et al. 2019). Les données, tout comme les analyses qui s’appuient sur ces dernières, peuvent être erronées et suggérer des conclusions qui le seront tout autant. Quoi qu’il en soit, ces conclusions reposent seulement sur des domaines qui génèrent des données et n’apportent qu’un éclairage partiel sur la pratique éducative, ce qui renvoie à un problème fondamental: les connaissances obtenues avec l’analyse de l’apprentissage englobent moins des questions pédagogiques que la question de la disponibilité des données. Jusqu’à présent, le discours spécialisé est peu fondé sur les sciences de l’éducation et est avant tout motivé par des considérations techniques (Scheidig 2021a). L’accent est généralement mis sur les analyses quantitatives (fréquence, probabilité, corrélation, etc.) s’appuyant sur des données concernant le comportement d’apprenant·e·s potentiels. Ce constat aboutit au reproche justifié selon lequel l’analyse de l’apprentissage est comportementaliste puisqu’elle se concentre sur des actions visibles et/ou mesurables. En général, les applications de l’analyse de l’apprentissage ne fournissent pas d’informations qualitatives, par exemple pour expliquer le comportement d’apprentissage, et ne permettent pas de déduire directement des améliorations efficaces. Ces applications exigent une interprétation des données par des personnes ayant des connaissances pédagogiques (Scheidig 2021b, p. 189 ss). Cela est en contradiction avec l’exigence de mieux comprendre l’apprentissage et de l’optimiser (Long & Siemens 2011). Les critiques à l’encontre de l’analyse de l’apprentissage reposent sur différents niveaux, mais toutes ne s’appliquent pas de la même manière à tous les scénarios d’utilisation. Les critiques types s’orientent en particulier vers les situations dans lesquelles les apprenant·e·s sont observés du fait du traitement de leurs données personnelles (sensibles) et reçoivent un feed-back ou des recommandations sur la base d’algorithmes (opaques). Les critiques sont toutefois moins justifiées quand elles concernent les analyses qui reposent sur des données agrégées ou anonymisées, comme les analyses au niveau des programmes qui ne ciblent pas des apprenant·e·s en particulier, mais qui concernent principalement l’offre et d’autres aspects en lien avec l’institution. Du fait de l’utilisation croissante des technologies numériques dans les processus d’enseignement et d’apprentissage et au niveau organisationnel, le volume de données générées dans le domaine de l’éducation des adultes a augmenté. Cette tendance devrait se poursuivre à l’avenir. Cependant, ces données ne saisissent que des extraits des contextes d’apprentissage très variés et complexes et des actions liées à l’apprentissage. Obtenir ces données relève d’un processus complexe, également sur le plan organisationnel, et fait l’objet de restrictions juridiques et éthiques (Scheidig & Holmeier 2021). Malgré ces limites et leur valeur informative restreinte, les données relatives aux apprenant·e·s et aux processus d’apprentissage, généralement générées de manière accessoire, ont le potentiel de fournir des informations pertinentes sur la pratique de l’éducation des adultes. Ces informations peuvent être utilisées de différentes manières pour différents domaines d’activité dans l’éducation des adultes, par exemple pour la planification des programmes, la pratique de l’enseignement, le conseil, le marketing, l’évaluation et la gestion de la qualité. L’exploitation de ces données qui, généralement, existent déjà, exige non seulement l’acceptation des apprenant·e·s, surtout si cette exploitation se rapporte à des personnes, mais aussi l’acception des responsables des offres de formation au niveau méso ou micro. Le fait de renoncer à une analyse de l’apprentissage n’exonère pas les prestataires d’offres éducatives pour adultes de leur obligation de gérer de manière compétente les données, en particulier en ce qui concerne les exigences liées à la protection et à la sécurité des données, par exemple lors du choix et de la configuration des logiciels, la formulation des conditions d’utilisation et la mise en œuvre d’une directive institutionnelle sur la protection des données (Scheidig & Holmeier 2021). Il convient de donner au personnel de pédagogie des adultes et aux apprenant·e·s les moyens nécessaires pour qu’ils gèrent les données de manière compétente («Data Literacy»). Il faut également encourager un jugement réfléchi sur les nouvelles possibilités offertes par le traitement des données et ses implications. Cela suppose non seulement de comprendre à quel moment quelles données sont collectées et traitées, mais aussi d’avoir conscience des potentiels, des risques et des limites de l’utilisation des données dans des contextes d’apprentissage (et aussi dans d’autres contextes). Enfin, le thème de l’analyse de l’apprentissage pour l’étude scientifique de l’éducation des adultes est intéressant pour deux raisons. D’abord du point de vue de la méthodologie de recherche: l’analyse de l’apprentissage permet d’accéder à un domaine peu exploité, essentiellement non réactif (c’est-à-dire que les participant·e·s ne remarquent pas que leur comportement est enregistré) (Breiter & Hepp 2018) pour approfondir, en s’appuyant sur des données, des questions relatives à l’éducation des adultes. Ensuite, parce que la science, en tant qu’instance de réflexion, doit accompagner les évolutions dans le domaine de la pratique, d’autant que ces évolutions sont impulsées par des acteurs externes tels que des entreprises globales de la branche des technologies de l’éducation (Breiter & Hepp 2018). Falk Scheidig occupe depuis avril 2022 la chaire de l’apprentissage tout au long de la vie, avec une spécialisation dans l’apprentissage non formel et informel à l’Université de la Ruhr-de Bochum. Contact: falk.scheidig@rub.de Falk Scheidig

La numérisation touche autant de domaines de la vie et est aussi diverse que l’apprentissage des adultes. Le fait que la numérisation influence la formation des adultes était déjà pratiquement incontesté avant la pandémie de Covid-19 (Scharnberg et al., 2017; Schmid, Goertz & Behrens, 2017) – également parmi les prestataires de formation continue pour adultes en Suisse (Sgier, Haberzeth & Schüepp, 2018). Les changements concernent aussi bien l’action professionnelle des personnes qui travaillent dans ce domaine que les destinataires des programmes, les contenus et objectifs de l’enseignement et les contextes et conditions cadres macrodidactiques de l’apprentissage. En raison de la pluralité de leurs formes d’organisation, de leurs modèles d’entreprise, de leurs axes thématiques et de leurs groupes cibles, les prestataires de formation continue pour adultes sont touchés de diverses manières par ces développements, sachant que les mutations numériques peuvent également générer de nouvelles possibilités pour la formation des adultes, et que celle-ci apporte de son côté une contribution à l’agencement et à l’accompagnement de processus de transformation numériques dans la société et le monde du travail ainsi qu’à la participation numérique. Dans la formation des adultes, le personnel constitue toujours pour cela une ressource essentielle et est concerné de multiples manières par la numérisation. Par rapport à l’activité centrale microdidactique de la formation des adultes, l’agencement de dispositifs d’enseignement/apprentissage pour adultes, la numérisation élargit les possibilités d’environnements d’apprentissage, par exemple avec des offres purement en ligne ou combinées à des phases en présentiel (apprentissage hybride), promettant une flexibilisation de l’apprentissage au niveau du lieu et du temps ainsi qu’une personnalisation du contenu. Il en résulte de nouvelles tâches pour les enseignants et enseignantes dans la formation des adultes (Christ et al., 2020), telles que: la réflexion sur l’emploi des médias numériques (par exemple des applis pour l’apprentissage d’une langue) en fonction de la situation et leur intégration conforme aux objectifs; l’agencement et l’encadrement d’environnements d’apprentissage numériques (par exemple Learning Management System); l’élaboration, la sélection et la coordination de ressources d’apprentissage numériques (par exemple devoirs, vidéos); la communication en ligne avec les participants et participantes (par exemple par conférence vidéo); l’encadrement et l’encouragement de l’apprentissage auto-organisé des participants et participantes; la facilitation, le soutien et l’animation de la participation à des dispositifs d’enseignement/apprentissage et d’échanges propices à l’apprentissage entre les participants et participantes (par exemple discussions en ligne); la résolution de problèmes en cas de difficultés techniques (par exemple support de premier niveau pour les participants et participantes). Les tâches élargies associées aux dispositifs d’enseignement/apprentissage numériques correspondent au déplacement des activités d’une transmission de savoir vers un accompagnement de l’apprentissage, tel qu’il est préconisé depuis quelque temps déjà dans le débat sur la formation continue. Il faut ici, par rapport aux exigences, faire la distinction entre (1) une compétence médiatique (emploi compétent, critique et réfléchi des médias numériques) – (2) une compétence didactique médiatique générale et spécifique aux contenus (utilisation didactiquement adéquate des médias numériques pour dégager des contenus d’apprentissage) – (3) la compétence en éducation aux médias (mettre les participants et participantes en mesure d’utiliser les médias numériques, ici: aux fins de l’apprentissage) – (4) une compétence médiatique spécifique à la matière (connaissance des formes de représentation médiatiques et des dimensions de numérisation du contenu d’apprentissage) (analyse similaire: Schmidt-Hertha et al., 2017). La concentration fréquente sur l’enseignement et l’apprentissage avec des médias numériques et la modification associée des tâches microdidactiques des formateurs et formatrices fait aisément négliger le fait que l’activité de gestion, de planification et d’administration est également soumise à une pénétration technologique (Christ et al., 2020; Sgier, Haberzeth & Schüepp, 2018) qui représente une augmentation des tâches: connaissance des développements en matière de didactique médiatique et des besoins des participants et participantes, en vue de l’évaluation des concepts et outils numériques d’apprentissage, de l’agencement d’offres de formation modernes, du recrutement, de la sensibilisation et de la formation continue des formateurs et formatrices; identification des processus de transformation numériques dans la société et le monde du travail, ainsi que des thématiques numériques d’actualité (telles que l’intelligence artificielle), afin de développer ou d’acheter des offres de formation sur des thèmes actuels et innovants; acquisition, maintenance et renouvellement de l’infrastructure numérique (matériel, logiciels, connexion Internet); assistance-conseil en ligne pour participants et participantes (potentiels); marketing en ligne (réseaux sociaux, optimisation du référencement dans les moteurs de recherche, géociblage); utilisation de systèmes de gestion (gestion des cours, comptabilité, Intranet); communication en ligne, coopération en ligne et gestion des données dans l’institution; développement de nouveaux modèles d’horaires, d’honoraires et de prix pour les offres en ligne; coopération avec d’autres institutions et d’autres partenaires externes pour l’exploitation de synergies et le développement de nouvelles offres (en ligne). Cette liste est loin d’être exhaustive et pourrait être étendue à d’autres aspects encore – pensons par exemple à l’accessibilité numérique, à la réservation en ligne des cours, à la protection et à l’exploitation des données, à l’évaluation en ligne, aux examens et auto-évaluations en ligne, à la stratégie de numérisation, etc. Les changements de l’activité mésodidactique associés à la numérisation ont atteint différents stades d’avancement et varient également selon le profil et la taille de l’institution. Ils modifient également les exigences de compétences pour une action professionnelle dans la formation des adultes. Dans les modèles de compétences pour le personnel de formation continue des adultes – qui peuvent notamment fournir des repères pour le recrutement, la qualification et le bilan de compétences du personnel – les tâches en rapport avec la numérisation n’ont jusqu’à présent été prises en compte que de façon limitée (Rohs, Bolten & Kohl, 2017). Les descriptions de compétences liées à la numérisation qu’ils contiennent sont essentiellement axées sur des facettes de didactique médiatique, donc sur l’emploi de médias numériques dans les dispositifs d’enseignement/apprentissage. En revanche, l’activité de direction et de planification n’est guère mise en rapport avec les technologies numériques dans les modèles de compétences (ibid.). Entre-temps, un modèle de compétence opérationnelle en matière de pédagogie médiatique pour les activités d’éducation des adultes a été proposé (Schmidt-Hertha et al., 2017), qui place également les formateurs et formatrices au premier plan, mais souligne l’exigence d’une conception globale et réflexive des compétences: à côté de la connaissance du fonctionnement et de l’application des technologies numériques, il s’agit également de l’effet socioculturel qui s’y associe, par exemple par rapport au comportement, aux besoins et aux difficultés d’utilisation des différents groupes cibles (par exemple un effet d’exclusion), ainsi que du changement induit par la technologie du rôle du personnel de formation des adultes (par exemple permettre des expériences de groupe, présence sociale malgré une distance physique, soutien des participants et participantes pour l’apprentissage avec des ressources numériques). Au niveau des exigences de compétences numériques, des dimensions de compétences non cognitives telles que les orientations motivationnelles, les convictions et les attitudes de valeur du personnel jouent également un rôle important, comme le font notamment ressortir Stanik & Rott (2021) à l’exemple de la compétence en matière d’assistance-conseil en ligne dans la formation des adultes. Par là, on entend entre autres la disposition fondamentale à se pencher activement soi-même sur les nouvelles options numériques et, à un niveau plus global, la réflexion sur les attitudes et orientations personnelles envers l’enseignement et l’apprentissage dans le contexte de processus de transformation permanents de la formation des adultes. Les nouvelles tâches mentionnées ci-dessus pour le personnel enseignant et le personnel de direction, de planification et d’administration peuvent dans une large mesure être attribuées à des domaines de tâches traditionnels de la formation des adultes, tels que la planification des programmes, la planification et la réalisation de formations, l’évaluation, l’assistance-conseil, le marketing ou la gestion de la formation, et s’inscrivent ainsi dans les modèles de compétences existants. En tendance, il n’y a donc pas de compétences fondamentalement nouvelles nécessaires: l’agencement d’un cours en ligne ou la réalisation d’une consultation en ligne, par exemple, s’appuient sur bien des aspects que supposent également leurs pendants en présentiel – par exemple l’expertise technique, l’alignement sur le savoir et les besoins des participants et participantes (potentiels) – mais exigent désormais, en plus, une connaissance des conditions, possibilités et implications spécifiques de la réalisation en ligne (par exemple sélection et utilisation judicieuses d’outils, réflexion sur l’impact du format en ligne sur les destinataires). Ces changements au sein de domaines de compétences tels que la planification des formations et l’assistance-conseil sont parfois subtils, impalpables et étroitement imbriqués avec les facettes de compétences «analogiques». La perception et l’opérationnalisation des exigences de compétences numériques deviennent ainsi plus difficiles, ce qui entrave alors leur acquisition ciblée, lorsque le «numérique» reste abstrait et est toujours «impliqué» dans les énoncés des compétences. Toutefois, un positionnement monolithique de l’éventail des exigences de compétences numériques comme compétence (numérique) indépendante ne rendrait justice ni à la structure interne hétérogène de la compétence numérique, telle que nous l’avons esquissée, ni à son imbrication dans les exigences de compétences existantes. Les possibilités et exigences associées à la numérisation portant (potentiellement) sur toutes les activités dans la formation des adultes, les modifications des compétences associées au numérique sont transversales aux exigences de compétences existantes et en deviennent peu à peu partie intégrante (par exemple le marketing en ligne comme élément du marketing). Actuellement, il y a ici un besoin de modèle de compétences en matière de pédagogie des adultes qui couvre de manière adéquate aussi bien toute la largeur du champ d’activité de la formation des adultes que toute la largeur des facettes venant s’ajouter dans ce domaine avec la numérisation, et intègre ces deux aspects. Les modifications de compétences associées à la numérisation sont rarement de nature substitutive; les exigences de compétences existantes ne sont donc guère remplacées, mais plutôt élargies ou réorientées par rapport à certains aspects. Ainsi, pour les formations en ligne également, la sélection, la structuration et la préparation compétentes des contenus par les formateurs et formatrices restent indispensables; en même temps, le rôle d’encadrement de l’apprentissage, également exigé pour les cours en présentiel, est plus prononcé pour les offres en ligne et enrichi de nouveaux aspects, tels que: gérer la distance des participants et participantes aux formes et médias d’apprentissage numériques, mettre les participants et participantes en réseau en ligne, être disponible malgré la distance et un décalage temporel éventuel. Avec la diffusion des nouvelles exigences de compétences dans l’ensemble de compétences du personnel de formation des adultes, la complexité des profils d’activité augmente donc en tendance. À l’heure actuelle, il n’est pas possible de prédire – notamment en raison de l’imbrication des exigences traditionnelles et nouvelles en matière de compétences – si l’on verra même émerger dans l’éducation des adultes de nouveaux domaines de tâches, avec une acquisition profilée de facettes opérationnelles numériques. L’entrée en jeu de technologies numériques ne signifie toutefois pas seulement une extension des tâches au niveau individuel et institutionnel, mais parfois également une facilitation des tâches. La perception de la numérisation comme un «défi à relever» – aussi plausible soit-elle au vu des évolutions dynamiques et difficiles à cerner, des charges initiales élevées et du manque de ressources – fait souvent oublier que les technologies numériques ouvrent de nouvelles options d’action pour la formation des adultes. Ainsi, avec la flexibilisation en termes de lieu et de temps que permettent les canaux de communication en ligne, on ne peut pas seulement accroître plus aisément la portée institutionnelle des programmes et du marketing, des manifestations de formation et des offres de conseil; les temps et lieux de travail du personnel et les modes de coopération peuvent eux aussi prendre des formes plus multiples, les distances géographiques perdent de l’importance pour le recrutement et la formation continue des formateurs et formatrices, les outils numériques élargissent l’éventail didactique de supports d’apprentissage, de tâches et de formes collaboratives de séminaires, etc. Ces nouveaux espaces d’activité numériques n’étaient utilisés que de façon limitée avant la pandémie de Covid-19, mais dans certains segments de prestataires et de l’offre (par exemple les prestataires commerciaux, la formation professionnelle) davantage que dans d’autres (Schmid, Goertz & Behrens, 2017). En raison de la distance à respecter du fait de la pandémie, beaucoup de cours en présentiel, dont certains avaient auparavant déjà été enrichis d’éléments numériques (par exemple avec l’emploi accompagnant d’applis ou de plateformes d’apprentissage, Christ et al., 2020), ont été transformés en offres en ligne ou hybrides – ou annulés. Ce sont notamment (mais pas uniquement) les formateurs et formatrices d’adultes – dont on suppose qu’ils présentent un déficit de compétences numériques (cf. par exemple Scharnberg et al., 2017) et qui sont embauchés en premier lieu pour leurs compétences disciplinaires spécialisées – qui ont été contraints par la pandémie de se pencher à court terme sur les possibilités et conditions didactiques de dispositifs d’enseignement/apprentissage numériques. Cela a ouvert, tant aux formateurs et formatrices qu’aux participants et participantes, un espace inattendu de mise à l’essai du numérique, un phénomène à propos duquel on parle volontiers de poussée du numérique («la crise comme une chance»). Indépendamment du fait que la confrontation accélérée avec les technologies numériques n’était pas motivée par des considérations didactiques, mais souvent sans alternative, non planifiée et parfois improvisée («Emergency Remote Teaching», cf. Hodges et al., 2020), il faut se demander quelles expériences ont en fin de compte été recueillies, et dans quelle mesure elles étaient durables. Or, les expériences défavorables également peuvent avoir un grand impact; ainsi, l’intensification forcée de l’emploi de systèmes de vidéoconférence et de plateformes d’apprentissage n’a pas seulement été une occasion d’explorer et de s’approprier les potentiels de ces technologies, mais également celle de s’assurer des qualités d’une (co-)présence physique et de reconnaître quels formats et contenus de cours ne peuvent pas aisément être réalisés en ligne. La réalisation d’offres en ligne ne permet pas encore de conclusions directes sur les compétences numériques du personnel responsable, car la qualité des offres en ligne peut varier considérablement. On peut néanmoins supposer que la pandémie a proposé aussi pour les prestataires de formation continue pour adultes de multiples occasions d’apprendre, dont le personnel a tiré profit de façon créative. Il pourra s’avérer précieux de relever activement les expériences faites avec la numérisation en raison de la pandémie, de les soumettre à une évaluation et à une réflexion et d’en tirer les leçons. Cela est vrai également au niveau organisationnel où l’on a, pendant la pandémie, non seulement négocié des modèles d’offres numériques, mais également recueilli des expériences approfondies de communication, de collaboration et de consultation en ligne, ainsi que – face au déroulement indéterminé de la pandémie – dans le domaine de la planification agile des programmes. Même si la façon dont va se présenter la formation des adultes après la pandémie est incertaine et dépendante de la demande, il continuera sans doute à y avoir des offres en présentiel, en ligne et hybrides, mais peut-être avec des évolutions dans le sens d’une augmentation des éléments numériques dans les phases en présentiel et en complément à celles-ci. Cela, de même que la pénétration également croissante des domaines d’activité mésodidactiques, souligne que les facettes de compétences numériques gagnent en importance sans que les exigences de compétences existantes deviennent obsolètes. Conformément à ce développement expansif des facettes de compétences pour la formation des adultes, il convient de promouvoir davantage encore la qualification du personnel et d’investir dans une infrastructure numérique, même si les conditions financières sont on ne peut plus précaires suite à des pertes massives de recettes durant la pandémie. Les offres de formation initiale et continue existant jusqu’à présent pour le personnel de formation des adultes devraient intégrer davantage que par le passé des facettes de compétences numériques, et ne pas se limiter à cet égard à une étroite orientation d’application de la didactique médiatique. En complément, il faudrait développer et utiliser davantage d’offres de formation continue d’accès aisé sur des thèmes numériques tels que «EBmooc», le portail «wb-web.de» ou les webinaires et tutoriels de la FSEA, qui conviennent à l’acquisition autonome et la plupart du temps informelle d’aptitudes pour l’éducation des adultes, très répandue notamment parmi les indépendants. Par ailleurs, les rares offres de formation continue relatives aux exigences de compétences numériques doivent être massivement élargies au niveau mésodidactique. Ce qui tiendrait également compte du fait que le degré de numérisation de la formation des adultes n’est pas uniquement marqué par la diffusion et la qualité de dispositifs numériques d’enseignement/apprentissage, car le personnel qui gère et planifie ces offres crée au niveau mésodidactique les conditions cadres pour les formateurs et les participants, et exploite en même temps, au-delà du niveau microdidactique des formations, les possibilités des technologies numériques pour diverses tâches et divers processus organisationnels. Prof. Falk Scheidig, directeur du Centre de recherche sur la formation des enseignants et enseignantes à l’Institut de recherche et de développement de la Haute école pédagogique de la Haute école spécialisée de la Suisse du nord-ouest FHNW. Contact: falk.scheidig@fhnw.ch Falk Scheidig