L'organisation de l'enseignement supérieur repose depuis des siècles sur un postulat immuable : la linéarité. Pour obtenir un diplôme, l'étudiant doit suivre un parcours balisé, découpé en semestres, en unités d'enseignement (UE) et en cours magistraux obligatoires. Pourtant, à l'ère de l'intelligence artificielle et de l'accès instantané aux connaissances, cette rigidité académique est de plus en plus contestée.
Une proposition conceptuelle disruptive vient de franchir une nouvelle étape. Publiée sur la plateforme de prépublication arXiv, l'étude intitulée « Rethinking Higher Education: From Fixed Curricula to Learnity Graphs » propose de remplacer définitivement les maquettes pédagogiques fixes par des « graphes d'apprentissage » (Learnity Graphs). Ce modèle théorique ambitionne de transformer la structure même des diplômes en un réseau dynamique et interconnecté de micro-compétences, de connaissances et de réalisations concrètes.
Mais que changerait concrètement une telle approche pour les universités, les enseignants et les étudiants ? Au-delà de la séduction technologique, quels sont les défis réels d'une telle transition, alors que les preuves empiriques de son efficacité font encore défaut ?
Qu'est-ce qu'un « Learnity Graph » ?
Pour comprendre cette proposition, il faut imaginer le parcours universitaire non plus comme une autoroute à sens unique, mais comme un réseau de transport urbain complexe où chaque station représente une unité élémentaire d'apprentissage. Dans le modèle théorique des « Learnity Graphs », le curriculum est modélisé sous la forme d'un graphe mathématique orienté :
* Les nœuds représentent des éléments granulaires : une notion théorique précise, une compétence technique, une expérience professionnelle ou un « artefact » (un projet de code, un mémoire, un rapport de stage).
* Les arcs (ou liens) formalisent les relations entre ces nœuds. Ils définissent les prérequis logiques (par exemple, maîtriser l'algèbre linéaire avant d'aborder les réseaux de neurones), mais aussi les complémentarités et les passerelles interdisciplinaires.
Grâce à des algorithmes de recommandation et à l'intelligence artificielle, l'étudiant ne s'inscrit plus dans une filière rigide, mais navigue dans ce graphe. Son profil d'apprentissage s'enrichit en temps réel à mesure qu'il valide des nœuds, lui suggérant de nouvelles trajectoires personnalisées en fonction de ses aspirations professionnelles et de ses acquis préalables.
Une redéfinition profonde de l'ingénierie de formation
Si ce modèle venait à être appliqué, il bouleverserait plusieurs piliers de la scolarité universitaire :
1. La fin des prérequis bloquants : Actuellement, l'échec à une seule matière peut bloquer la progression annuelle d'un étudiant. Dans un graphe d'apprentissage, les prérequis sont gérés à un niveau de granularité beaucoup plus fin. Si un étudiant échoue sur un concept spécifique, le système peut lui proposer des chemins alternatifs ou des modules de remédiation ciblés sans invalider l'ensemble de son parcours.
2. La modularité extrême et l'interdisciplinarité : Les frontières entre les facultés s'estompent. Un étudiant en biologie peut facilement connecter un nœud de son graphe à des compétences en science des données ou en éthique philosophique, créant ainsi un profil hybride hautement valorisable sur le marché du travail.
3. La reconnaissance des acquis de l'expérience (VAE) fluidifiée : Intégrer l'apprentissage informel ou professionnel devient techniquement plus simple. Une expérience en entreprise peut être traduite en nœuds de compétences validés au sein du graphe, réduisant d'autant le parcours académique restant à accomplir.
Le rôle de l'enseignant : de dispensateur à architecte du savoir
Dans un tel écosystème, la posture des enseignants-chercheurs doit être profondément repensée. Ils ne sont plus les gardiens d'un programme annuel figé qu'ils dispensent de manière uniforme devant un amphithéâtre.
Leur mission se déplace vers la conception du graphe lui-même : définir les nœuds de connaissances, concevoir les évaluations et valider les « artefacts » produits par les étudiants. L'enseignant devient un mentor et un évaluateur de haut niveau, garant de la rigueur scientifique et académique du réseau de connaissances. L'évaluation ne repose plus uniquement sur des examens sur table standardisés, mais sur la démonstration par l'étudiant de sa capacité à mobiliser des compétences pour créer des productions concrètes, qui viennent enrichir son portfolio numérique.
Entre promesse conceptuelle et vide empirique : les limites du modèle
Il convient toutefois d'aborder cette proposition avec une grande prudence méthodologique. Le document de recherche publié sur arXiv est un preprint, ce qui signifie qu'il n'a pas encore été soumis à une évaluation rigoureuse par les pairs (peer-review). Il s'agit d'une proposition de cadre théorique et méthodologique, et non d'une étude d'impact scientifique.
À ce jour, les résultats empiriques à grande échelle de l'application des « Learnity Graphs » sont inexistants. Plusieurs obstacles majeurs se dressent face à leur mise en œuvre :
* La charge cognitive et le risque d'égarement : La liberté totale de navigation peut générer une surcharge cognitive chez les étudiants, en particulier les plus fragiles, qui ont besoin d'un cadre structuré pour progresser. Sans un tutorat humain extrêmement fort, le risque de décrochage est élevé.
* La complexité administrative et réglementaire : Les systèmes universitaires mondiaux, notamment l'espace européen de l'enseignement supérieur avec les crédits ECTS, sont construits sur des logiques de volumes horaires et de semestres. Traduire un graphe dynamique en crédits transférables et en diplômes reconnus par l'État relève aujourd'hui du casse-tête juridique et administratif.
* La standardisation algorithmique : Confier la recommandation des parcours à des algorithmes d'IA pose des questions éthiques majeures. Quels biais de sélection ces algorithmes pourraient-ils reproduire ? Comment garantir la sérendipité et la découverte de disciplines connexes si l'algorithme enferme l'étudiant dans une trajectoire ultra-spécialisée ?
Quelles perspectives pour les universités francophones ?
Bien que le modèle des « Learnity Graphs » relève encore de la prospective technologique, les tendances sous-jacentes qu'il formalise sont déjà bien réelles. En France, la démarche par compétences (APC), généralisée dans les Instituts Universitaires de Technologie (IUT) et de plus en plus adoptée à l'université, va dans ce sens. Au Québec, la flexibilité des parcours et la reconnaissance des acquis sont des sujets matures, portés par des initiatives de formation tout au long de la vie.
De plus, la dynamique européenne autour des micro-certifications, fortement soutenue par la Commission européenne, pousse les établissements à découper leurs diplômes en blocs de compétences capitalisables.
Pour les équipes pédagogiques francophones, l'intérêt de cette recherche réside dans sa capacité à offrir une représentation visuelle et systémique de la formation. Sans aller jusqu'à l'automatisation par l'IA, utiliser la théorie des graphes pour cartographier les programmes d'études permettrait de repérer les redondances, de clarifier les prérequis pour les étudiants et de faciliter la création de passerelles entre les disciplines. C'est un outil conceptuel puissant pour moderniser l'ingénierie de formation, à condition de maintenir l'humain et l'accompagnement pédagogique au centre du dispositif.
Discussion
Posez vos questions et partagez votre point de vue. Matania, l'assistante de recherche et de vérification des faits, lit les commentaires et y répond dès qu'elle peut apporter des sources fiables ou des précisions. Les liens ne sont pas autorisés : citez vos sources par leur nom.