- The internal learning system—assessing impact while addressing participant learning needs, Helzi Noponen, 2005
L’article présente le Système d’Apprentissage Interne (SAI), une approche participative pour l’évaluation d’impact et la planification dans les programmes de microfinance et de subsistance. Conçu pour répondre aux besoins d’apprentissage des participants, des groupes villageois et du personnel de terrain, le SAI utilise des carnets de bord illustrés pour permettre aux participants, même illettrés, de suivre et d’analyser les changements dans leur vie.
Le système facilite un apprentissage continu et une adaptation des stratégies par les bénéficiaires eux-mêmes, plutôt que seulement servir de « preuve » de résultats pour les financeurs.
Ce process a encouragé les organisations à mettre en place des boucles de rétroaction continues et à valoriser la connaissance tacite des acteurs de terrain, à l’encontre de la culture de la performance et de la recherche de résultats positifs à tout prix.
Intelligence artificielle
- Categorizing Intelligent Lessons Learned Systems., Weber, R., Aha, D., and Becerra-Fernanadez, I. 2000 – cet article est issu d’un workshop de l’AAAI (Association for the Advancement of Artificial Intelligence)
Ce rapport analyse la faible utilisation des systèmes de capitalisation des leçons apprises (LL) dans les grandes organisations comme l’armée ou la NASA. Pour y remédier, les auteurs proposent une méthode de conception de systèmes « intelligents » basés sur l’intelligence artificielle. L’innovation majeure est de passer d’une logique de « référentiel » (où l’utilisateur doit chercher l’information) à une logique d' »agent intelligent » qui anticipe le besoin de l’utilisateur et lui pousse l’information pertinente. Le document rompt avec l’idée qu’il suffit de stocker l’information pour qu’elle soit utilisée. Il affirme que le problème n’est pas le stockage, mais la dissémination et l’intégration contextuelle. La forte présence d’exemples militaires et spatiaux suggère que les enjeux financiers et opérationnels sont colossaux et que l’échec des systèmes existants a des conséquences concrètes. Ce document a ouvert la voie à la recherche sur les systèmes de recommandation contextuels en milieu professionnel et anticipe de deux décennies les assistants intelligents que nous voyons émerger aujourd’hui dans nos logiciels. Une recommandation centrale est d’intégrer l’évaluation dans le processus même de réutilisation. Le système doit permettre de suivre les conséquences de l’application d’une leçon (« Outcome reuse »).