Recommandation n'est pas prescription
Recommander, c'est proposer ; prescrire, c'est imposer. La frontière paraît mince sur le papier, mais elle décide de tout dans l'usage réel : une suggestion laisse l'apprenant libre de la suivre ou de l'écarter, tandis qu'une prescription ferme l'exploration et l'initiative. Or les algorithmes recommandation apprentissage surexploités basculent vite du premier régime au second, parce qu'ils mesurent souvent leur propre réussite au taux d'acceptation de leurs propositions, un indicateur qui récompense l'accord bien plus que la progression et pousse mécaniquement vers la conformité. La ligne rouge est fine : dès que l'option disparaît, la suggestion devient une injonction déguisée.
Ce glissement a un coût caché rarement mesuré. Un système qui ne propose que ce qui sera accepté apprend peu à peu à flatter l'apprenant plutôt qu'à le faire progresser, en évitant tout ce qui pourrait le dérouter. Il faut donc décider explicitement quelle part d'écart, quelle dose d'imprévu et d'inconfort, le moteur a le droit d'imposer : cette décision est pédagogique avant d'être technique, et elle engage une certaine vision de l'apprentissage, de l'effort et de ce qu'apprendre veut dire. Sans ce réglage explicite, la pente naturelle du système l'emporte, et souvent personne ne l'a vraiment voulu.
Le signal qui pilote tout : la définition du « utile »
Derrière chaque recommandation se trouve une fonction de score, même lorsqu'elle n'est pas écrite noir sur blanc. Optimise-t-on la réussite immédiate, la persévérance dans l'effort, ou la capacité à transférer une notion vers un problème nouveau ? Trois objectifs, trois comportements très différents observables chez l'apprenant. Un modèle qui privilégie la réussite immédiate évitera soigneusement les exercices où l'on apprend précisément en se trompant et en analysant l'erreur, ce qui est rarement souhaitable lorsque l'objectif est de durer plutôt que de briller un jour. L'indicateur choisi finit toujours, à la longue, par façonner ce que les apprenants apprennent vraiment.
Le filtrage collaboratif, fréquent dans ce domaine, ajoute sa propre logique. Il rapproche un apprenant de ceux qui lui ressemblent et reprend leurs choix passés, ce qui donne des suggestions plausibles dès les premiers usages. Pratique, mais aveugle aux cas singuliers — l'apprenant qui progresse par un chemin que presque personne n'emprunte encore. Compléter ce filtrage par des signaux de contenu atténue l'effet sans jamais le faire disparaître complètement, car pour les profils rares la donnée manquante reste la règle. Rien ne remplace l'observation directe des parcours réels, qui révèle ce que les scores ne montrent jamais.
Effets de bord : filtres et enfermement
Un moteur de recommandation réduit l'horizon au lieu de l'élargir. En proposant toujours la suite logique du parcours, il ferme l'accès à des ressources latérales pourtant utiles : un détour par un autre format, une mise en perspective historique ou théorique, un exercice volontairement hors champ. C'est le revers connu de la personnalisation, celui qui rétrécit l'offre à mesure qu'elle s'affine et se resserre autour de l'apprenant, jusqu'à lui cacher les ressources qu'il ne savait pas encore chercher. Ce rétrécissement est d'autant plus insidieux qu'il paraît, de l'intérieur, parfaitement logique et fluide.
La correction tient en partie à la conception de l'interface, bien plus qu'au modèle lui-même. Rendre la recommandation visible comme une option explicite, offrir un accès direct au catalogue complet, signaler en une phrase pourquoi une ressource est suggérée : ces choix relèvent de l'ergonomie autant que de l'algorithme. Ils se décident bien avant la mise en production, et corrigent souvent, à eux seuls, l'essentiel de l'effet d'enfermement redouté par les concepteurs les plus attentifs. Ces quelques règles simples pèsent souvent plus lourd que des mois d'ajustement du modèle lui-même.
Installer la recommandation sans déposséder l'apprenant
Un moteur utile reste réglable par celui qui l'utilise. Donner à l'apprenant la main sur le niveau de guidage, sur les formats préférés ou sur la part d'exploration change la nature de l'outil : il cesse d'être une boîte noire et devient un instrument dont on comprend l'usage et les limites. Cette transparence minimale, bien conçue, suffit souvent à restaurer la confiance et à éviter ces abandons silencieux que l'on ne remarque que trop tard, une fois les indicateurs au plus bas. Il en va de la recommandation comme de tout outil pédagogique : elle sert celui qui garde la main dessus.
Côté équipe, le travail consiste ensuite à mesurer ce que la recommandation fait vraiment, au-delà de l'engagement affiché. Un tableau de bord qui suit la progression et non l'activité, la diversité des contenus proposés et le taux de sortie volontaire vaut mieux qu'un indicateur de temps passé isolé. Recommander n'est pas faire de la présence une fin en soi, et un bon indicateur ne doit jamais confondre les deux, sous peine d'optimiser exactement la mauvaise chose. Un pilotage honnête accepte de voir baisser l'activité quand la progression, elle, s'améliore vraiment.
Aller plus loin
Un moteur de recommandation se juge à ce qu'il apprend aux gens, non au temps qu'ils y passent. Concevoir et régler ce type de système demande une méthode, des indicateurs choisis et des garde-fous assumés. Notre formation dédiée aux parcours d'apprentissage en détaille toutes les étapes. Consultez le catalogue des 31 formations.
Vous voulez maîtriser ce sujet en pratique ?
Cabinet MARA forme en ligne, sur des cas réels, avec des modules courts et un suivi de progression.
Voir la formation liée Les 31 formations