Selon Larue et Hrimech (2009), « l’apprentissage en profondeur correspond à des comportements où les étudiants font un traitement actif de l’information et utilisent des stratégies d’élaboration et d’organisation plutôt que des stratégies de mémorisation ». Dans cette approche, les étudiants élaborent et organisent leurs connaissances, cherchent à en trouver un sens et s’engagent affectivement afin de mieux comprendre et appliquer ce qu’ils ont appris.
À l’inverse, l’apprentissage en surface se limite à reproduire les connaissances (par la mémorisation, la répétition, etc.) sans se soucier d’établir des liens entre les connaissances à acquérir pour améliorer sa compréhension d’un sujet donné (Marton et Saljo, 1976; Biggs, 2007). Les étudiants ne se sentent pas engagés et n’ont pas tendance à utiliser des stratégies métacognitives contribuant à mener à terme une réflexion sur la matière enseignée. Cette approche vise le plus souvent à atteindre le seuil minimal requis pour compléter avec succès un cours.
L’apprentissage en profondeur en pédagogie se distingue des définitions de l’apprentissage profond en informatique, notamment en lien avec les travaux effectués en intelligence artificielle. Selon Wikipédia, l’apprentissage profond (ou deep learning) est :
« … [U]n ensemble de méthodes d’apprentissage automatique tentant de modéliser avec un haut niveau d’abstraction des données grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l’analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage. »
La notion de profondeur réfère aux couches constituant un réseau neural complexe (Hinton et al., 2006). Par l’élaboration d’algorithmes de plus en plus sophistiqués, on tente de reproduire le fonctionnement du cerveau humain en lien avec la reconnaissance autonome de différentes formes (pattern recognition). De ce fait, les travaux en intelligence artificielle sont de plus en plus comparés à l’étude de l’apprentissage chez l’humain.
L’expression deeper learning est parfois utilisée au lieu de deep learning pour distinguer l’apprentissage en profondeur chez l’humain de l’apprentissage profond en lien avec l’apprentissage machine (ou machine learning). L’Alliance for Excellent Education (All4ed), une organisation basée à Washington, en fait d ailleurs la promotion active auprès des États et du gouvernement fédéral américain en insistant sur le développement de compétences favorisant le succès des étudiants, soit:
- connaître et maîtriser le contenu;
- penser de façon critique et résoudre des problèmes complexes; travailler en collaboration;
- communiquer efficacement;
- être autonome et capable d’intégrer les commentaires.
Sources
About Deeper Learning, Deeper Learning, Alliance for Excellent Learning, page consultée le
30 septembre 2016.
« Apprentissage profond », Wikipédia, page consultée le 30 septembre 2016.
Biggs, J. (2007), Teaching for quality learning at University, 3e éd., London, The Society for Research into Higher Education & Open University Press.
Hinton, G., Osindero, S. et The, Y-W. (2006), « A fast learning algorithm for deep belief nets », Neural Computation, vol. 18, p. 1527-1554.
Larue, C. et Hrimech, M. (2009), « Analyse des stratégies d’apprentissage dans une méthode d’apprentissage par problèmes : le cas d’étudiantes en soins infirmiers », Revue internationale de pédagogie de l’enseignement supérieur (RIPES), 25-2.
Marton, F., et Säljo, R. (1976), « Outcome as a function of the learner’s conception of the task », British Journal Education of Psychology, vol. 46, no 2, p. 115-127.