Knewton est une plateforme d'apprentissage adaptatif appartenant à Wiley. Il fournit un moteur d'apprentissage personnalisé pour l'enseignement supérieur et la maternelle à la 12e année et est adopté par de nombreux éditeurs de manuels et établissements d'enseignement à travers le monde.

Knewton

Paramètres et statistiques de base de Knewton

Knewton choisit la voie de la « couche d'infrastructure » : elle intègre le moteur d'apprentissage adaptatif dans la plate-forme numérique des éditeurs de manuels scolaires, permettant ainsi aux éditeurs d'atteindre les étudiants finaux plutôt que de vendre directement aux apprenants. Ce modèle détermine que les paramètres de son produit sont essentiellement différents des outils pédagogiques DTC (directement au consommateur) typiques : ses « utilisateurs » sont des éditeurs et des écoles, et non les étudiants eux-mêmes.

Paramètre	Valeur
Positionnement du produit	Infrastructure d'apprentissage adaptative pour les éditeurs et les écoles
Formulaire de base	API Cloud + SDK d'intégration d'éditeur
Utilisateurs cibles	Éditeurs de manuels scolaires, établissements d'enseignement supérieur, districts scolaires de la maternelle à la 12e année
Pile technologique de base	Suivi des connaissances bayésiennes, théorie des réponses aux éléments (IRT), moteur de recommandation de filtrage collaboratif
Granularité du graphe de connaissances	Des milliers de nœuds de compétences fines dans chaque discipline, y compris les chaînes de relations prédécesseur/successeur
Langues prises en charge	Principalement anglais, les autres langues sont soumises aux besoins des éditeurs partenaires
Méthode de déploiement	Cloud SaaS (architecture multi-tenant)
Société mère	Wiley (entièrement acquis en 2019)
Établi	2008
Siège social	New York, États-Unis
Financement du tour de table fondateur	Accumulé environ 182 millions de dollars américains (avant acquisition)
Partenaires d'édition principaux	Pearson, Cengage, Macmillan, Wiley Educational Publishing
Couvrir les étapes de l'éducation	Enseignement supérieur (principal) + K-12

La principale différence entre Knewton et les logiciels éducatifs traditionnels : il ne fournit pas d'applications indépendantes pour étudiants/enseignants, mais est intégré dans le processus de matériel pédagogique numérique de l'éditeur sous la forme d'API et de SDK. Cela signifie que les étudiants ouvrent l'interface Pearson ou Cengage, mais que la logique de recommandation de questions et la notation de maîtrise en arrière-plan sont pilotées par le moteur Knewton. Pour les éditeurs, le coût d'intégration de Knewton comprend l'accueil d'authentification unique, le mappage du contenu des cours et l'initialisation du graphique de connaissances, plutôt que la simple intégration d'un élément de JavaScript.

Comparaison avec les dimensions fondamentales des solutions d'apprentissage adaptatif traditionnelles

Dimensions comparatives	Knewton	ALEKS (McGraw-Hill)	Boîte de rêve	Cérégo
Modèle économique	Infrastructure B2B (Autorisation moteur)	B2B+B2C (Système de cours)	B2B (Abonnement Scolaire)	B2B+B2C
Étape cible	Enseignement supérieur principalement	De la maternelle à la 12e année à l'enseignement supérieur	K-8	Enseignement supérieur
Matières principales	Mathématiques, Sciences, Economie (selon éditeurs partenaires)	Mathématiques, Chimie	Mathématiques	Multidisciplinaire
Méthode de traçage des connaissances	Traçage des connaissances bayésiennes + IRT	Théorie de l'espace de connaissances	Bayésien + apprentissage par renforcement	Répétition espacée + notation de maîtrise
Source du contenu	Fourni par l'éditeur, indexé par Knewton	Contenu propre à McGraw-Hill	Propres cours	Utilisateur/institution auto-créé
Visibilité de la marque	Piloté par le backend, opaque pour les étudiants	Indépendant de la marque, visible par les étudiants	Produit indépendant	Produit indépendant
Statut d'acquisition	Acquis (Wiley)	Non acquis (interne à McGraw-Hill)	Acquis (Byju)	Exploité indépendamment

Chaque plan n'a pas de jugement absolu sur le « meilleur », la différence réside dans le point d'entrée et la structure du capital : Knewton emprunte la voie des licences de moteur, et la portée du sujet couvert est limitée par l'étendue du contenu de l'éditeur coopératif ; ALEKS, en tant que propre produit de McGraw-Hill, possède une profonde accumulation théorique d'espace de connaissances dans le domaine des mathématiques, mais le coût de son expansion dans de nouvelles matières est élevé ; DreamBox a reçu une injection de capital après avoir été acquise par Byju's, en se concentrant sur le domaine vertical des mathématiques de la maternelle à la 8e année ; Cerego Il est plus adapté aux scénarios dans lesquels les institutions construisent leur propre contenu d'apprentissage, mais sa profondeur adaptative n'est pas aussi profonde que les trois premiers.

Utilisateurs de Knewton et reconnaissance du marché

La reconnaissance de Knewton sur le marché se reflète principalement dans la profondeur de la coopération B2B plutôt que dans la réputation du port C. Son principal signal d'adoption est la coopération continue et le renouvellement des contrats avec les principaux éditeurs.

Pénétration de l'édition dans l'enseignement supérieur : Knewton a établi une coopération intégrée approfondie avec les trois plus grands éditeurs de manuels scolaires au monde (Pearson, Cengage et Macmillan). Pearson intègre des parties du moteur Knewton dans sa plateforme numérique phare, MyLab ; La plateforme MindTap de Cengage intègre également les recommandations adaptatives de Knewton. Selon des données publiques antérieures à l'acquisition, le contenu des cours pilotés par le moteur Knewton couvre des sujets tels que les mathématiques, les statistiques, l'économie, la chimie et la biologie, et a servi des millions d'étudiants (le nombre précis n'a pas été divulgué avec précision et est sujet à une annonce officielle). Après l'acquisition, le moteur Knewton a été davantage intégré à la plateforme WileyPLUS, formant ainsi les capacités adaptatives des propres manuels numériques de Wiley.

Paysage de l'intégration post-acquisition : Wiley a finalisé son acquisition dans le cadre d'une transaction entièrement en espèces en 2019, et Knewton est devenu partie de Wiley Education Services. Le prix d'achat n'a pas été rendu public, mais les estimations externes étaient de l'ordre de 100 millions de dollars. Les principaux changements après l'acquisition comprennent : le départ du fondateur José Ferreira ; l'itinéraire des produits est passé d'un « moteur indépendant à des ventes sur le marché complet » à « une priorisation des services pour la propre entreprise d'édition éducative de Wiley » ; la marque a été progressivement dé-connaissance et les capacités techniques sont principalement fournies sous la marque Wiley. Cette voie d'intégration signifie que le rythme de l'expansion de Knewton sur le marché des éditeurs externes peut ralentir, mais la profondeur de l'application du moteur principal au sein de l'écosystème Wiley se poursuit.

Impact sur les normes industrielles : Knewton a très tôt promu le concept de « normes d'apprentissage adaptatives » : il a lancé les Knewton Adaptive Learning Standards (KALS) dans le but d'unifier la manière dont les éditeurs annotent les métadonnées du contenu. Le degré d'adoption de cette norme est limité par le rythme de développement de l'industrie et n'est pas devenue une norme obligatoire pour l'ensemble de l'industrie. Cependant, cela a influencé la conception structurée du contenu d’un certain nombre de plates-formes adaptatives ultérieures.

Validation académique : plusieurs collèges et universités, tels que l'Arizona State University, ont signalé une amélioration des taux de réussite et une diminution des taux d'abandon après avoir adopté les cours numériques propulsés par Knewton. Il convient de souligner que la plupart de ces études sont des données pilotes préliminaires et sont affectées par de multiples variables telles que la conception des cours et la participation des enseignants, et ne peuvent pas être entièrement attribuées au moteur adaptatif lui-même.

L'avantage de coût de Knewton

La structure des coûts de Knewton appartient au modèle des « frais de licence moteur » dans le domaine des technologies éducatives B2B : le coût est relativement fixe et augmente linéairement en fonction du nombre d'étudiants, mais il n'y a pas de frais directs du côté C.

Coûts côté C/étudiants : les étudiants ne paient pas directement Knewton. Si votre école ou votre cours adopte des manuels numériques basés sur Knewton, le coût d'utilisation est inclus dans le prix d'achat du manuel (généralement entre 40 et 100 $/cours) ou dans les frais technologiques de l'école. La couche moteur de Knewton est pratiquement imperceptible et n'entraîne aucun coût supplémentaire pour l'étudiant individuel - mais seulement si l'école/l'éditeur achète réellement la licence Knewton.

Coût côté B/éditeur : Knewton facture des frais annuels de licence moteur basés sur « le nombre de cours co-écrits + le nombre d'étudiants inscrits ». Le taux spécifique n'a pas été rendu public et la fourchette de référence de l'expérience de l'industrie est la suivante :

• Autorisation de cours unique : le coût annuel est de l'ordre de plusieurs dizaines de milliers de dollars (fluctue selon la taille de l'étudiant)
• Forfait multi-cours et multidisciplinaire : réductions échelonnées généralement négociables
• Nouveau service d'indexation de contenu : les éditeurs doivent supporter les coûts d'ingénierie liés à la cartographie de leur propre contenu sur le graphe de connaissances de Knewton, y compris le marquage des métadonnées, la cartographie des nœuds de compétences et l'étalonnage des difficultés.
• Services de support technique et d'intégration : généralement inclus dans la cotisation annuelle, une intégration personnalisée en profondeur nécessite des négociations supplémentaires

Coût professionnel/scolaire : lorsqu'il est acheté via Wiley, le moteur Knewton est souvent intégré aux solutions WileyPLUS ou Wiley Digital Textbook. Les écoles n'ont pas à payer pour Knewton séparément, mais elles sont responsables des frais annuels pour la plateforme numérique de Wiley ou des frais de service de plateforme basés sur l'inscription aux cours. Les frais annuels typiques d'une plateforme complète pour les collèges et les universités varient généralement entre 20 et 60 $ par étudiant, selon la taille du partenariat.

Coûts d'ingénierie cachés (souvent négligés) : l'initialisation du graphe de connaissances de Knewton nécessite que les éditeurs ou les institutions investissent dans la main-d'œuvre d'annotation de contenu. On estime qu'un manuel d'enseignement supérieur typique (environ 20 chapitres et 300 à 500 points de connaissances) nécessite 2 à 4 mois de collaboration entre l'éditeur du manuel et les ingénieurs, depuis le contenu original jusqu'à l'achèvement de la cartographie du graphe de connaissances de Knewton. Il s’agit du coût non monétaire le plus important lié à l’adoption du moteur Knewton et peut constituer un seuil substantiel pour les petits et moyens éditeurs.

Comparaison des coûts avec des alternatives (estimation déductive)

Dimension du coût	Knewton (licence moteur)	Système adaptatif auto-construit	Achetez ALEKS	Achetez DreamBox
Frais d'intégration front-end	Intégration API/SDK (semaines de travail)	Développement full-stack (6-18 mois)	Aucun (système autonome)	Aucun (système autonome)
Redevance annuelle (estimation)	Des dizaines à des centaines de milliers de dollars	Aucun (coûts de main-d'œuvre pour l'auto-construction)	Par étudiant 20-50$/an	Par étudiant 30-45$/an
Coût du mappage de contenu	Moyen (nécessite une indexation des graphiques de connaissances)	Élevé (nécessite de créer tout le contenu)	Faible (utilise son propre contenu)	Faible (utilise ses propres cours)
Coût d'extension du sujet	Faible (l'éditeur doit fournir du nouveau contenu)	Élevé	Moyen (l'espace de connaissances doit être élargi)	Élevé (la discipline est très limitée)
Coût de sortie/commutation	Élevé (liaison de mappage de contenu)	Moyen	Élevé (verrouillage du contenu)	Faible

Le tableau ci-dessus est une déduction basée sur l'expérience générale de l'industrie. Les prix spécifiques sont soumis aux cotations officielles de Knewton et Wiley.

Principales fonctionnalités de Knewton

La conception fonctionnelle de Knewton s'articule autour de la proposition fondamentale consistant à « doter les manuels numériques des éditeurs de capacités d'apprentissage personnalisées » plutôt que de créer des applications d'apprentissage indépendantes. Il existe un lien de causalité fort entre les cinq fonctions principales : la « collecte → analyse → recommandation → feedback → itération » des données forme une connexion complète.

1. Moteur de recommandation de contenu adaptatif (capacité principale)

• Mécanisme de travail : suivez en continu chaque clic, temps de réponse et mode correct/mauvais des étudiants sur la plateforme, et combinez la carte des connaissances du sujet et le modèle de courbe d'oubli pour calculer la combinaison optimale de points de difficulté et de connaissances pour la question suivante en temps réel.
• Dimensions recommandées : Maîtrise actuelle (probabilité bayésienne postérieure), risque d'oubli (le nombre de jours depuis la dernière exposition à un certain point de connaissance), chemin optimal pour l'efficacité de l'apprentissage (maîtriser le plus de nouveaux points de connaissance dans les plus brefs délais).
• Value Point : Il ne s'agit pas simplement de renvoyer la mauvaise question, mais de déduire "pourquoi c'est faux" et de pousser les exercices de pré-connaissance. Par exemple, si un étudiant commet des erreurs continues dans les questions de dérivation de calcul, le moteur peut déterminer que les bases de la factorisation sont faibles et proposer des exercices de niveau algèbre au lieu de poser à plusieurs reprises des questions de dérivation.
• Relation liée : la qualité du moteur de recommandation affecte directement la précision du score de maîtrise, et le score de maîtrise renvoie au modèle de recommandation, formant un cycle d'auto-optimisation de « pratique → score → déduire → ajuster les recommandations ».

2. Diagnostic du graphe de connaissances (infrastructure structurée de contenu)

• Mécanisme de travail : Les connaissances de chaque cours sont décomposées en centaines, voire en milliers de « nœuds de compétences », chaque nœud est lié à des définitions de concepts, des exemples, des exercices, des explications vidéo et d'autres contenus. Les relations précurseurs, les relations successeurs et les relations de corrélation sont marquées entre les nœuds, formant un graphe orienté.
• Value Point : le graphe de connaissances est le "squelette" de l'ensemble du système - sans lui, le moteur de recommandation ne peut faire que des recommandations grossières basées sur des balises et ne peut pas réaliser de diagnostic approfondi tel que "échec de la maîtrise de la factorisation → exercices préalables recommandés".
• Linkage : La granularité du graphe de connaissances détermine la précision du score de maîtrise. Plus les nœuds sont fins, plus le diagnostic est précis, mais le coût de l’annotation du contenu est également plus élevé. La granularité typique de Knewton est de 300 à 800 nœuds de compétences par cours, ce qui est inférieur à l'espace de connaissances d'ALEKS (généralement 2 000 à 5 000 nœuds), mais beaucoup plus élevé que le tableau des chapitres des manuels traditionnels (généralement 10 à 30 chapitres).

3. Score de maîtrise en temps réel (moteur d'inférence bayésienne)

• Mécanisme de travail : Le modèle bayésien de suivi des connaissances (BKT) est utilisé pour modéliser l'état des connaissances des étudiants en tant que variables cachées. Chaque réponse est utilisée comme signal d'observation pour mettre à jour en permanence la probabilité de maîtriser chaque nœud de compétence. Différente des simples statistiques consistant à « obtenir 7 bonnes questions sur 10 », la méthode bayésienne peut corriger l'écart dans de petits échantillons (par exemple, si vous répondez correctement à 2 questions difficiles d'affilée, la probabilité a posteriori sera grandement améliorée).
• Paramètres clés : (prendre la configuration par défaut non publique comme référence) taux d'apprentissage, probabilité de deviner, probabilité d'erreur et probabilité de maîtrise initiale. Ces paramètres diffèrent selon les matières et les niveaux scolaires, et les éditeurs doivent les ajuster via les données de test pendant la phase d'initialisation.
• Linkage : Le score de maîtrise n'est pas seulement l'entrée du moteur de recommandation, mais également la base de données pour l'analyse du tableau de bord - "Plus de 80 % du cours est maîtrisé" est une statistique, et sa fiabilité dépend de la précision du modèle de notation.

4. Outils d'intégration des éditeurs (API + SDK + backend de gestion de contenu)

• Mécanisme de travail : fournit une API REST pour l'échange de données (enregistrement des utilisateurs, retour de score, requête de contenu) et un SDK JavaScript pour l'intégration frontale. Les éditeurs peuvent accéder au module adaptatif tout en gardant l'interface de marque inchangée.
• Trois niveaux de profondeur d'intégration :
  • Couche peu profonde : remplace uniquement le module pratique de la plateforme, et l'ordre des questions est déterminé par le moteur Knewton
  • Niveau intermédiaire : tout le contenu du manuel suit le chemin recommandé par Knewton, y compris les recommandations de révision et de saut.
  • Profondeur : le contenu est organisé selon la structure du graphe de connaissances de Knewton pendant la phase de conception du cours afin de maximiser l'effet adaptatif.
• Lien : La profondeur de l'intégration affecte directement l'effet adaptatif. Dans le cadre d'une intégration superficielle, le moteur ne peut affecter que l'ordre des exercices, tandis que dans le cadre d'une intégration profonde, il peut affecter l'ensemble du parcours d'apprentissage des étudiants, y compris l'ordre de lecture, les rappels de révision et les suggestions de préparation aux tests.

5. Tableau de bord d'analyse de l'apprentissage

• Mécanisme de travail : fournissez aux enseignants et aux administrateurs des rapports visuels de maîtrise multidimensionnels. Il prend en charge l'exploration à quatre niveaux : élève individuel, classe, cours et école dans son ensemble, et des séries chronologiques peuvent être superposées pour visualiser la tendance des changements de maîtrise.
• Fonctions typiques : Carte thermique de maîtrise des points de connaissance (vert = maîtrise, rouge = faible), suggestions de regroupement d'élèves (stratifiés par maîtrise), rappels d'intervention (un élève a répondu de manière incorrecte à plusieurs questions d'affilée et la maîtrise a dépassé le seuil).
• Lien : le tableau de bord est l'interface principale permettant aux enseignants d'interagir avec le système : les enseignants ajustent les plans d'enseignement en fonction des données du tableau de bord, et les effets de rétroaction de l'intervention manuelle (telle que l'organisation d'un tutorat supplémentaire) peuvent également être suivis dans les données ultérieures.

Evolution du modèle et de la version de Knewton

Les itérations des produits Knewton sont basées sur des « mises à niveau du moteur technologique de base » au lieu de numéros de version sémantiques courants (tels que v2.0, v3.0). Avant l'acquisition, Knewton est passée par trois étapes technologiques principales. Après l'acquisition, elle est entrée dans une période d'intégration avec l'écosystème Wiley comme noyau.

Phase 1 : Moteur de base IRT (2008-2012)

• Formulaire produit : Un moteur IRT (théorie de la réponse aux éléments) unique, prenant la préparation SAT comme point d'entrée. La capacité principale consiste à estimer le niveau de capacité des élèves en fonction de leur performance à répondre aux questions et à sélectionner la difficulté de la question suivante.
• Limitations : il a une seule dimension, ne génère que des valeurs de capacité unidimensionnelles et ne peut pas effectuer de diagnostic de connaissances précis. Bon pour la préparation aux tests standardisés, mais pas pour les études de cours.
• Jalon : signature de la première collaboration à grande échelle avec Pearson en 2011 pour commencer le déploiement du moteur dans MyLab.

Phase 2 : Knowledge Graph + Suivi bayésien (2012-2017)

• Formulaire de produit : introduisez un graphe de connaissances multidimensionnel et mettez à niveau l'IRT unidimensionnel vers un moteur de diagnostic multi-compétences basé sur le suivi des connaissances bayésiennes. Ce fut un tournant clé dans le parcours technique de Knewton.
• Capacités clés : prend en charge l'inférence des relations prédécesseur/successeur à travers les points de connaissances et peut diagnostiquer des problèmes profondément enracinés tels que "la raison pour laquelle nous ne sommes pas en mesure de répondre à la question 5 est que les connaissances du chapitre 2 ne sont pas maîtrisées".
• Jalons : lancement de la plateforme d'apprentissage adaptative Knewton v2 en 2013 ; coopération signée avec Cengage et Macmillan en 2015 ; le financement cumulé en 2016 a dépassé 180 millions de dollars américains.

Phase 3 : Plateforme adaptative full-stack (2017-2019, avant acquisition)

• Forme produit : Une solution full-stack qui s'étend du moteur à "moteur + outil d'indexation de contenu + plateforme d'analyse de données". Lancement d'un backend de gestion de contenu et d'outils de création de cours pour les éditeurs.
• Mise à niveau technique : introduisant le filtrage collaboratif et les modèles de séquence, l'algorithme de recommandation ne s'appuie plus uniquement sur la structure du graphe de connaissances, mais commence également à utiliser la dimension de groupe des « étudiants ayant des comportements similaires » pour faire des recommandations.
• Milestone : publication d'une nouvelle version du tableau de bord analytique en 2018 ; acquis par Wiley en 2019, mettant ainsi fin au cycle d'itération indépendant du produit.

La quatrième phase : période d'intégration de Wiley (2019 à aujourd'hui)

• Forme de produit : le moteur Knewton n'est plus vendu en tant que produit de marque indépendante, mais existe en tant que composant technique de Wiley Education Services. Le moteur principal continue d'itérer, mais le numéro de version spécifique, le journal des modifications et les modifications fonctionnelles n'ont pas été divulgués publiquement.
• Intégration technologique : Le moteur est profondément intégré au système utilisateur, au système de contenu et au système de règlement de la plateforme WileyPLUS. Wiley combine les capacités d'adaptation de Knewton avec ses atouts en matière de ressources en REL (ressources éducatives ouvertes) et en programmes d'études en ligne.
• Statut actuel : le moteur est toujours opérationnel et entretenu, mais les ventes de licences indépendantes à des éditeurs externes ont considérablement diminué. La version spécifique du moteur et les informations sur la mise à jour des fonctionnalités n’ont pas été rendues publiques et l’annonce officielle de Wiley prévaudra.

Résumé du contexte de la version

Scène	Temps	Technologie de base	Formulaire de produit	Événements clés
Moteur IRT	2008-2012	Théorie de la réponse aux éléments	Moteur API unique	Première collaboration avec Pearson
Graphique de connaissances + BKT	2012-2017	Suivi des connaissances bayésiennes	Moteur de diagnostic multi-compétences	Financement cumulé de 180 millions de dollars américains
Plateforme complète	2017-2019	Filtrage collaboratif + modèle de séquence	Moteur + outils + analyse	Acquis par Wiley
Intégration Wiley	2019 à aujourd'hui	Itération continue (spécifique non divulgué)	Composants technologiques Wiley	Dé-Knewtonisation de la marque

Les avantages techniques de Knewton

Le choix technologique de Knewton a fait un compromis clair entre « l'efficacité du calcul » et « l'interprétabilité de l'enseignement » : il n'a pas recherché aveuglément une solution d'apprentissage profond de bout en bout, mais a choisi un système de méthodes bayésiennes plus interprétables.

Implémentation technique du Bayesian Knowledge Tracing (BKT)

Le moteur d'inférence principal de Knewton est basé sur la famille de modèles BKT, et non sur les réseaux neuronaux Transformer ou graph actuellement populaires. Les raisons techniques de ce choix incluent :

• Capacité d'apprentissage sur petits échantillons : BKT peut fournir des estimations de maîtrise statistiquement significatives avec seulement 3 à 5 points de données d'observation, tandis que les solutions d'apprentissage en profondeur nécessitent généralement 20 à 50 échantillons pour être stables. Pour les élèves de la première semaine d'école, BKT peut donner un diagnostic préliminaire, et le réseau neuronal ne peut donner que du bruit.
• Interprétabilité : les enseignants et les étudiants peuvent comprendre le processus de raisonnement de "parce que vous avez répondu correctement à 3 questions de factorisation d'affilée, le système pense que vous maîtrisez ce point de connaissance (niveau de confiance 92%)", alors que la sortie de la boîte noire du réseau neuronal n'a pas ce pouvoir de persuasion pédagogique.
• Faible dépendance aux ressources informatiques : les calculs d'inférence de BKT peuvent être effectués sur le CPU et ne nécessitent pas d'inférence GPU. Cela signifie que le moteur Knewton peut fonctionner sur une infrastructure à faible coût, avec des coûts marginaux amortis par appel d'API extrêmement faibles.

Utilisation complémentaire de la théorie des réponses aux items (IRT) et du BKT

Knewton adopte une stratégie à deux moteurs IRT et BKT : IRT est responsable de l'étalonnage de la difficulté des questions et de l'estimation de la capacité initiale, et BKT est responsable du suivi continu de la maîtrise des séquences. La division du travail entre les deux est la suivante :

• IRT : Avant la mise en ligne de la question, les paramètres de difficulté, de discrimination et de devinette de chaque question sont calibrés grâce aux données de test. Il s'agit d'un calcul hors ligne unique et les résultats sont stockés dans la banque de questions sous forme de métadonnées statiques.
• BKT : pendant le processus d'apprentissage de l'étudiant, la maîtrise des compétences est mise à jour dynamiquement en fonction des paramètres de question calibrés de l'IRT et de la séquence de réponses en temps réel de l'étudiant. Il s’agit d’un raisonnement en ligne, mis à jour quelques dizaines de millisecondes après chaque réponse.

Démarrage à froid et stratégie d'adaptation du moteur de recommandation

La stratégie recommandée par Knewton adopte une conception en trois étapes : « démarrage conservateur → adaptation rapide → convergence stable » :

• Phase de démarrage à froid (3 à 5 premières questions) : les recommandations sont basées sur la séquence des chapitres du manuel et les résultats des tests de diagnostic préalables au cours, et ne s'appuient pas sur des données historiques.
• Phase d'adaptation rapide (5 à 20 questions) : utilisez l'estimation de la valeur des capacités IRT pour trouver rapidement la plage de niveaux actuelle de l'élève. Il est recommandé que la difficulté soit concentrée dans la fourchette « ni trop difficile ni trop facile » (c'est-à-dire la zone i+1).
• Étape de convergence stable (après 20 questions) : le modèle BKT converge progressivement et la stratégie de recommandation change pour « donner la priorité à l'avancement des points de connaissances avec un degré de maîtrise compris entre 40 % et 70 % » afin de maximiser l'efficacité de l'apprentissage.

Évolutivité de l'architecture

L'architecture SaaS de Knewton utilise une isolation multi-tenant, le contenu des cours, les données des étudiants et les graphiques de connaissances de chaque éditeur étant complètement isolés de manière logique. Cela signifie :

• Bien que le cours de statistiques de Pearson et le cours de chimie de Cengage s'exécutent sur le même groupe moteur, les modèles, paramètres et contenus du moteur ne sont pas visibles les uns des autres.
• Le cours de chaque éditeur peut configurer les paramètres BKT (taux d'apprentissage, probabilité de deviner, etc.) indépendamment sans s'affecter les uns les autres
• L'expansion du moteur est une expansion horizontale : l'ajout de nouveaux éditeurs ou de nouveaux cours ne dégradera pas la qualité du service existant.

Limites techniques

• Forte dépendance à la qualité du contenu : La précision du BKT et du graphe de connaissances dépend fortement de la qualité de l'annotation du contenu. Si les questions fournies par l'éditeur ne peuvent pas être mappées avec précision aux nœuds de compétences, ou si l'écart d'étalonnage de la difficulté est trop important, la fiabilité de l'ensemble du lien de recommandation diminuera progressivement.
• Défi de rétroaction clairsemée : pour les cours avec une petite quantité de devoirs (seulement 1 à 2 questions par point de connaissance), la plage de mise à jour des probabilités a posteriori de BKT est limitée et le score de maîtrise peut rester dans la plage « incertain » pendant une longue période, affaiblissant la discrimination des recommandations.
• Adaptabilité dynamique du contenu : si le contenu du cours est fréquemment ajusté (par exemple, les enseignants modifient la séquence d'enseignement chaque semaine), la structure statique du graphique de connaissances peut ne pas refléter la dernière conception du cours en temps opportun et nécessite une synchronisation manuelle.

Comment utiliser Knowton

Knewton ne propose pas d'application autonome ni de connexion pour les étudiants finaux. Son parcours d'utilisation est divisé en trois catégories selon les rôles, et le processus d'entrée et de fonctionnement de chaque catégorie est sensiblement différent.

Rôle 1 : Processus d'intégration pour les éditeurs de manuels/développeurs de contenu

Les ingénieurs et les équipes de contenu de l’éditeur sont chargés de brancher le moteur Knewton sur sa plateforme d’apprentissage numérique. Le processus d'intégration complet comprend :

1. Préparation du contenu : annotez les métadonnées du contenu du manuel conformément à la spécification du graphique de connaissances de Knewton - chaque question est liée à un nœud de compétence, marquée par des paramètres de difficulté et marquée par des relations de points de connaissance prédécesseur/successeur. Ce processus implique généralement un éditeur de contenu travaillant en collaboration avec l'équipe technique de Knewton.
2. API docking : établissez une interface pour la synchronisation de l'identité des étudiants, la création de rapports sur les données de réponse et l'acquisition des résultats des recommandations via l'API REST fournie par Knewton. Les points de terminaison de l'API principale incluent :
   • Inscription des utilisateurs et inscription aux cours
   • Soumission des enregistrements de réponses (y compris l'identifiant de la question, la réponse, le temps de réponse, l'exactitude ou autre)
   • Question suivante/prochaine demande de recommandation de contenu
   • Requête de statut de maîtrise
3. Intégration du SDK frontal : intégrez le SDK JavaScript Knewton dans l'interface frontale du manuel pour afficher le contenu recommandé et collecter des données d'interaction.
4. Tests et réglages : exécutez le cours pilote dans l'environnement de test et ajustez les paramètres BKT pour qu'ils correspondent aux caractéristiques d'apprentissage de matières et de niveaux scolaires spécifiques.
5. En ligne et surveillance : après la publication officielle, la qualité des recommandations et les données d'interaction avec les étudiants seront surveillées via le tableau de bord d'analyse.

Rôle 2 : Comment utiliser les enseignants/responsables de cours

Les enseignants n'ont pas besoin d'utiliser directement le moteur Knewton, mais bénéficient de capacités d'adaptation grâce à l'interface enseignant de la plateforme intégrée :

• Afficher le rapport de maîtrise de la classe : connectez-vous au côté enseignant de la plateforme de cours, consultez la carte thermique de maîtrise générée par Knewton et identifiez les points faibles de connaissances communs et individuels dans la classe.
• Recevoir des suggestions d'intervention : le système marque automatiquement les « élèves à haut risque » (baisse continue de la maîtrise ou réponses incorrectes consécutives à plusieurs questions), et l'enseignant organise un tutorat supplémentaire ou ajuste le rythme d'enseignement en conséquence.
• Stratégie de recommandation d'intervention manuelle (en fonction de la profondeur de l'intégration) : certaines solutions d'intégration permettent aux enseignants de verrouiller manuellement des chapitres spécifiques comme statut "à apprendre absolument", ou d'ajuster la plage de difficulté recommandée pour chaque élève.

Rôle 3 : l'expérience absurde des étudiants

Les étudiants ignorent généralement que Knewton existe. Leur expérience est entièrement définie par la plateforme pédagogique intégrée au moteur Knewton :

• Chemin opérationnel : connectez-vous à la plateforme de matériel pédagogique (telle que Pearson MyLab, Cengage MindTap, WileyPLUS) → entrez dans le cours → terminez la lecture et les exercices selon les instructions de la plateforme.
• Réflexion adaptative : Chaque étudiant a une séquence différente de questions pratiques - au lieu que tous les étudiants répondent à la même série de questions, le système ajuste la difficulté des questions et la répartition des points de connaissance en temps réel en fonction de la maîtrise de chacun.
• Présentation des commentaires : les étudiants voient les rapports de notes et les barres de progression natifs de la plateforme au lieu des notes de marque Knewton.

Comparaison de formulaires intégrés

Niveau d'intégration	Dépendances API	Travail frontal	Modifications du contenu	Profondeur adaptative	Cycle de mise en œuvre typique
Remplacement du module de pratique	Soumission de réponse + Demande de recommandation	Remplacer le composant pratique	Faible (uniquement adaptation du type de question)	Pratiquez uniquement l'adaptation de la séquence	4-8 semaines
Parcours d'apprentissage mondial	Docking de bout en bout de toutes les API	Profondément intégré au SDK	Médium (adaptation de la page du chapitre)	Lire + pratiquer l'adaptation en lien complet	3-6 mois
Reconstruction de la conception du cours	Toutes les interfaces API + métadonnées	Personnalisation complète	Élevé (reconstruction du contenu selon la carte)	Maximiser l'effet adaptatif	6-12 mois

Les fonctions ci-dessus sont soumises aux documents officiels et aux manuels d'intégration de Wiley. Le processus d'autorisation API et d'accès développeur peut changer après l'acquisition. Il est recommandé de contacter directement Wiley Education Services pour obtenir la dernière documentation du développeur.

Prix des produits Knewton

Knewton adopte un modèle de tarification B2B non public et n'accepte pas les achats directs d'utilisateurs individuels. Après l'acquisition, le prix du moteur sera intégré à la solution éducative globale de Wiley et ne sera plus proposé indépendamment.

C-side/individuel : utilisation gratuite (pas de chemin d'achat direct)

• Les étudiants l'utilisent via la plateforme de l'école ou de l'éditeur, et il n'est ni nécessaire ni possible d'acheter les services Knewton séparément.
• Les frais sont intégrés dans le prix du manuel ou dans les frais de service technique de l'école
• Pas d'abonnement personnel, pas de compte d'essai gratuit, pas d'entrée de connexion séparée

Côté B/Éditeur : frais de licence du moteur (non divulgués, ce qui suit est une référence à l'expérience du secteur)

• Modèle d'autorisation : les frais de licence sont facturés en fonction du "nombre de cours de matière × nombre d'étudiants inscrits chaque année".
• Fourchette de référence pour les frais annuels d'un cours unique : des dizaines de milliers à des centaines de milliers de dollars (selon le niveau de l'étudiant)
• Les frais incluent généralement : le quota d'appels de l'API du moteur, le support technique standard, la maintenance et les mises à jour du Knowledge Graph.
• N'inclut pas : la main d'œuvre pour l'annotation de contenu, le développement d'une intégration approfondie, le développement de tableaux de bord personnalisés
• Coopération minimale viable : nécessite généralement au moins 3 à 5 cours ou des dizaines de milliers d'étudiants, et la barrière d'entrée pour les petits et moyens éditeurs est plus élevée

Entreprise/école : prix du package de la plateforme Wiley

• Wiley ne vend pas le moteur Knewton séparément aux écoles, mais fait de l'adaptabilité une fonctionnalité intégrée aux plateformes d'apprentissage numérique comme WileyPLUS.
• L'école paie un abonnement à la plateforme Wiley, et le moteur Knewton n'est plus coté séparément
• Coût de référence : le cours unique WileyPLUS coûte environ 40 à 100 $ par étudiant (y compris les manuels électroniques + les fonctions adaptatives), selon le type de cours et l'échelle de coopération.
• Tarification personnalisée pour les écoles pour une coopération à grande échelle, vous devez contacter l'équipe commerciale de Wiley pour obtenir un devis

Comparaison des prix avec des produits concurrents (données non officielles, pour référence de sélection de modèle)

Produits	Modèle de tarification	Référence des frais annuels pour étudiants célibataires (estimation)	Unité d'achat minimale	Durée du contrat
Knewton (permis moteur)	Frais de licence B2B	5-15 $ par étudiant (partie moteur)	3-5 cours	Paiement annuel
ALEX	Abonnement par étudiant	20-50 $	Étudiant célibataire	Mensuel/trimestriel/annuel
Boîte de rêve	Abonnement scolaire	30-45$	École entière	Annuel Payé
Cérégo	Par étudiant + contenu	15-30 $	Niveau institutionnel	Annuellement

Déclaration de transparence des prix : Knewton ne fera plus de cotations publiques après son acquisition par Wiley. Les chiffres ci-dessus sont dérivés d'estimations connues de l'industrie et d'études de marché tierces sur les technologies éducatives avant l'acquisition, et n'ont pas de validité officielle. Wiley Education Services doit être contacté pour connaître les devis actuels et les conditions de licence avant l'achat.

Scénarios d'application Knewton

Scénario 1 : Manuels numériques adaptatifs pour les cours de base de l'enseignement supérieur

• Pain Points : Cours d'introduction au calcul, aux statistiques et à l'économie dans des classes nombreuses (100 à 500 étudiants), des étudiants issus d'horizons très différents (allant des bases AP à ceux qui n'ont pas été exposés aux mathématiques depuis de nombreuses années). Les cours magistraux à progression fixe + travaux homogènes ne peuvent répondre à des besoins différenciés.
• Solution Knewton : L'éditeur intègre le moteur Knewton dans le manuel numérique de ce cours, et les étudiants peuvent réaliser des exercices adaptatifs après la lecture. Les étudiants n'ayant pas atteint le niveau master recevront des exercices supplémentaires et des rappels de révision ; les étudiants qui maîtrisent le contenu passeront directement au contenu avancé.
• Réduction des coûts et amélioration de l'efficacité (basé sur l'expérience générale, données non officielles) : dans une classe nombreuse de 300 élèves, les enseignants ont besoin d'environ 4 à 6 heures par semaine pour gérer la consultation inefficace des "explications répétées de la même question" en mode à progression fixe. Après l'introduction du moteur adaptatif, les consultations répétées sur des questions de difficulté moyenne devraient être réduites de 30 à 50 % (valeur déduite). Le temps de réponse aux questions des enseignants peut être déplacé vers un tutorat individuel ou ciblé en groupe au lieu d'une récitation générale. Il a été rapporté que les taux de réussite aux tests standardisés de maîtrise des étudiants ont augmenté de 5 à 15 points de pourcentage dans les premiers projets pilotes, mais il est important de noter que ces données dépendent fortement de la conception des cours, de l'engagement des enseignants et de la composition des étudiants.

  Scénario 2 : personnalisation à grande échelle des MOOC/diplômes en ligne

• Pain Point : Il y a des milliers, voire des dizaines de milliers d'étudiants inscrits à des cours en ligne, et un seul devoir et un seul examen ne peuvent pas s'adapter aux différents progrès d'apprentissage. Le problème du taux d’abandon élevé est important.
• Solution Knewton : Déployez le moteur Knewton sur la plateforme de cours et chaque étudiant bénéficie d'un parcours de pratique personnalisé. Lorsque le moteur constate qu'un élève est continuellement faible, il recommande de regarder une vidéo spécifique ; lorsqu'il constate qu'un élève a atteint le niveau requis, il saute les exercices répétés et passe directement à l'unité suivante.
• Limite de collaboration homme-machine (description obligatoire) :
  • 100% automatisé : génération de parcours recommandés, notation de maîtrise, pratique

Ajustement de la séquence, rappel de première intervention

• Une confirmation manuelle est requise : décisions d'orientation et d'intervention pour les étudiants à risque d'abandon scolaire, évaluation des performances lorsque les normes de notation sont anormales, correction des erreurs de cartographie des connaissances dans le contenu des cours, certification manuelle des compétences clés dans des matières sensibles (comme la médecine)

Scénario 3 : Diagnostic de l'apprentissage au niveau du district scolaire de la maternelle à la 12e année et optimisation de l'enseignement et de la recherche

• Points douloureux : Le personnel enseignant et de recherche des districts scolaires est confronté à des problèmes courants de qualité d'enseignement dans des dizaines d'écoles. Ils manquent d’outils de diagnostic fondés sur des données, et les décisions en matière d’enseignement et de recherche reposent principalement sur un jugement empirique et sur les résultats des tests (décalés et grossiers).
• Solution Knewton : le district scolaire adopte uniformément une plate-forme d'apprentissage numérique intégrée au moteur Knewton, et les données des élèves de chaque école sont regroupées dans un tableau de bord au niveau du district. Le personnel enseignant et de recherche utilise la carte thermique de maîtrise pour découvrir la répartition commune des forces et des faiblesses de chaque point de connaissance dans l'ensemble du district scolaire et ajuster l'orientation de l'enseignement et de la recherche en conséquence.
• Déduction pour réduction des coûts et augmentation de l'efficacité : lorsque le personnel enseignant et de recherche du district scolaire ne dispose pas du soutien d'outils de données, il s'appuie généralement sur les résultats des tests de l'année précédente et les commentaires d'inspection de classe hors ligne pour formuler les plans d'enseignement et de recherche semestriels. Le cycle allant de la collecte de données à la prise de décision dure environ 2 à 4 mois. Après l'introduction du tableau de bord de maîtrise en temps réel, le personnel enseignant et de recherche peut découvrir les points faibles communs des connaissances et lancer des actions d'enseignement et de recherche ciblées dans un délai d'une à deux semaines, raccourcissant ainsi le cycle de prise de décision d'environ 60 à 75 % (les valeurs déduites nécessitent une vérification réelle).

Scénario 4 : Évaluation de la qualité du contenu des éditeurs de manuels scolaires

• Point problématique : les éditeurs investissent beaucoup d'argent dans le développement de contenus de manuels numériques, mais il y a un manque de retour d'information systématique sur "les questions de chapitre qui sont trop difficiles/trop faciles" et "sur quels points de connaissances les étudiants restent généralement bloqués".
• Solution Knewton : grâce à la quantité massive de données de réponses des étudiants collectées par le moteur Knewton, les éditeurs peuvent obtenir :
  • La véritable courbe de difficulté de chaque question (analyse des écarts par rapport à la valeur d'étalonnage IRT)
  • Maîtrise moyenne et vitesse de convergence des points de connaissances dans chaque chapitre
  • Liste des points de connaissances précurseurs sur lesquels les étudiants sont le plus souvent bloqués (aide à identifier les points de rupture dans le graphe de connaissances)
• Value Point : Ces données peuvent optimiser à l'envers la conception du contenu du manuel - par exemple, si vous trouvez que les exercices d'un certain chapitre sautent trop, vous pouvez ajouter des questions de difficulté intermédiaire dans la révision suivante.

À qui Knewton convient-il ?

Les « utilisateurs » de Knewton sont hiérarchiques et différents rôles ont des méthodes d'utilisation, d'acquisition de valeur et de logique de prise de décision complètement différentes.

Un personnage apte à adopter Knewton

• Chef de produit d'apprentissage numérique de l'éditeur : Responsable de la planification de la matrice de fonctionnalités numériques du matériel pédagogique. L'intérêt de Knewton réside dans le fait qu'il offre aux chefs de produits un moyen d'« emprunter de la technologie pour gagner du temps » : il n'est pas nécessaire de constituer une équipe d'IA interne et des capacités de recommandation adaptatives éprouvées peuvent être obtenues grâce à l'intégration d'API. Prérequis : L'éditeur dispose ou est en train de créer une plateforme de matériel pédagogique numérique ; il existe une équipe technique responsable du travail d’intégration des API. Limite inadéquate : si la qualité du contenu du cours lui-même doit être améliorée (comme l'ancien contenu, le nombre d'exercices insuffisant), le moteur adaptatif intégré ne peut pas résoudre le problème fondamental et la gestion de base de la qualité du contenu doit être effectuée en premier.

• Personnel de direction académique du Centre Technologique Pédagogique Universitaire : Responsable de l'évaluation et de l'achat des outils pédagogiques numériques pour l'ensemble de l'école. Lorsque Knewton s'est lancé dans l'évaluation des achats en tant que composant de la plateforme Wiley, l'accent n'était pas mis sur le moteur lui-même, mais sur « si le catalogue de cours Wiley avait un contenu couvrant les spécialisations requises par notre école ». Prérequis : L'école a ou est en train d'établir un partenariat pour les manuels numériques avec Wiley. Limite inappropriée : des manuels non-Wiley sont principalement utilisés (par exemple, publiés à partir de canaux REL tels que OpenStax), ou l'école adopte un système de programmes avec des manuels entièrement auto-édités, et le chemin d'intégration du moteur Knewton n'est pas directement applicable.

• Chercheur pédagogique et superviseur pédagogique du district scolaire : Jouer le rôle de définition de la demande et d'évaluation des effets dans l'achat de plateformes numériques au niveau du district. La carte thermique de maîtrise et les outils de suggestion d'enseignement et de recherche fournis par le moteur Knewton sont directement utiles pour améliorer le niveau des données d'enseignement et de recherche. Prérequis : Le district scolaire dispose déjà d'une infrastructure d'apprentissage numérique considérable (couverture des appareils 1:1, accès réseau stable). Limite inadéquate : pour les districts scolaires dotés d'un équipement médiocre et d'une faible culture numérique des enseignants, l'introduction de moteurs adaptatifs peut conduire à un "écart entre l'offre et la demande" : le système produit des données de maîtrise affinées, mais les enseignants n'ont pas la capacité d'interpréter et d'intervenir, et les données deviennent une simple formalité.

• Équipe de diligence raisonnable des investisseurs en technologies éducatives : lors de l'évaluation des objectifs d'investissement dans le volet d'apprentissage adaptatif, l'historique de développement de Knewton fournit des références importantes dans l'industrie : le choix de la voie technologique (BKT ou apprentissage profond), la durabilité du modèle commercial (licence de moteur ou vente directe au consommateur) et la possibilité de sortie (acquisition stratégique ou cotation indépendante). Limite inadaptée : pour les investisseurs qui se concentrent sur la prochaine génération de produits d'apprentissage de l'IA (tels que des tuteurs 1:1 basés sur de grands modèles linguistiques), la voie technologique de Knewton n'appartient plus à la gamme de concurrence de pointe.

Scénarios dans lesquels Knewton n'est pas adapté ou recommandé

• Achat direct pour les écoles K-12 : Knewton ne vend pas le moteur directement aux écoles et doit être utilisé indirectement via les éditeurs ou la plateforme Wiley. Pour les écoles de la maternelle à la 12e année qui cherchent à « acheter un système d'apprentissage adaptatif qui fonctionne immédiatement », DreamBox (mathématiques) ou ALEKS sont des options plus simples.
• Organisations qui nécessitent des parcours d'apprentissage profondément personnalisés : la logique de recommandation de Knewton est basée sur le graphique de connaissances prédéfini et la configuration des paramètres de l'éditeur. Bien qu’il permette un certain degré de réglage des paramètres, il ne peut pas réaliser une « personnalisation flexible et complète ». Si une institution a des besoins très personnalisés en matière de parcours d’apprentissage, elle souhaitera peut-être envisager une plateforme plus ouverte ou une solution auto-construite.
• Cours non enseignés en anglais : bien que le moteur Knewton ne soit théoriquement pas lié à la langue, la construction initiale du graphe de connaissances est basée sur des manuels anglais. L'adaptation de la localisation à d'autres langues nécessite que les éditeurs la réalisent de manière indépendante, et il existe peu de cas réels. Pour les cours dont les langues d'enseignement autres que l'anglais telles que le chinois et l'espagnol sont la langue d'enseignement principale, vous devez d'abord confirmer s'il existe des cas de coopération avec des éditeurs dans la langue correspondante.
• Scénarios d'apprentissage dont le contenu est principalement de la vidéo/simulation interactive : Le moteur de recommandation de Knewton est principalement conçu pour le texte et les exercices traditionnels. Si les supports d'apprentissage de base d'un cours sont des vidéos, des simulations interactives ou des opérations de laboratoire, le modèle de graphe de connaissances de Knewton peut ne pas être en mesure de représenter efficacement de telles activités d'apprentissage non structurées.

Résumé et perspectives de Knewton

Knewton est l'un des produits les plus représentatifs de la « voie infrastructure » du parcours d'apprentissage adaptatif. Au lieu de créer une marque grand public directement auprès des apprenants, il est devenu le « moteur en coulisses » pour les éditeurs, permettant chaque année à des millions d'étudiants de bénéficier, sans le savoir, de recommandations personnalisées lorsqu'ils utilisent des manuels numériques de Pearson ou Wiley. Cette stratégie a permis une pénétration profonde dans le domaine de l’édition de l’enseignement supérieur, mais elle a également déterminé que son plafond de croissance était profondément lié au rythme de la transformation numérique des éditeurs.

Compétitivité de base actuelle

• Maturité technique : La voie de raisonnement de BKT + IRT a été vérifiée dans des scénarios d'enseignement depuis plus de dix ans, atteignant un équilibre technique entre l'efficacité informatique et l'interprétabilité pédagogique, et constitue une solution mature reconnue par les cercles d'ingénierie académique et pédagogique.
• Accumulation écologique des éditeurs : l'expérience de coopération avec les quatre principaux éditeurs, Pearson, Cengage, Macmillan et Wiley, a créé des avantages significatifs pour les premiers arrivants et des barrières industrielles - les concurrents doivent convaincre les éditeurs de changer simultanément de normes de contenu et de pipelines de données sur les étudiants.
• Héritage de la normalisation du contenu : les normes de métadonnées de contenu et la méthodologie des graphiques de connaissances promues par Knewton ont indirectement influencé la conception structurée du contenu d'un certain nombre de produits et de plates-formes technologiques éducatives. Même si la marque disparaît, ses idées techniques existent toujours dans l'industrie sous la forme de « connaissances obscures ».

Principales limitations et incertitudes actuelles

• Indépendance réduite des produits après l'acquisition : Après avoir été acquise par Wiley, Knewton ne vend plus activement de licences de moteurs indépendants sur le marché. Les canaux permettant aux éditeurs externes d'obtenir le moteur Knewton se sont rétrécis et l'impact sur les décisions commerciales est substantiel : pour les éditeurs non Wiley, choisir Knewton signifie céder une partie de leurs itinéraires techniques à la société mère d'un concurrent.
• Le rythme de l'innovation incrémentale ralentit : après l'acquisition, la maintenance de base du moteur est effectuée au sein de Wiley, et le rythme des mises à jour des versions et des itérations des fonctionnalités à l'échelle de l'industrie est nettement plus lent que pendant la période d'exploitation indépendante. Le journal de mise à jour spécifique du moteur et la liste des fonctionnalités ne sont plus divulgués au monde extérieur, ce qui rend difficile pour les utilisateurs externes d'évaluer l'écart de génération technique du moteur.
• Positionnement flou avec le nouveau paradigme de l'IA (type LLM/GPT) : Depuis 2023, les produits de tutorat d'IA basés sur de grands modèles de langage (tels que Khanmigo de Khan Academy, divers assistants d'apprentissage personnalisés basés sur GPT) ont commencé à attirer l'attention. Il existe des différences fondamentales dans la philosophie technique entre la voie BKT de Knewton et la voie LLM : la première poursuit une modélisation probabiliste précise et une logique de recommandation interprétable, tandis que la seconde poursuit une expérience d'apprentissage générative et ouverte. Il n'existe actuellement aucune information publique sur la façon dont (ou si) le moteur Knewton intègre les capacités LLM, et son positionnement dans la prochaine génération de produits éducatifs en IA reste à déterminer.
• Souveraineté et conformité des données : Après l'acquisition, les données des étudiants sont stockées dans l'infrastructure Wiley. L’accord spécifique de traitement des données, la certification de conformité RGPD/FERPA de la zone de résidence des données et d’autres informations sont soumis aux instructions officielles de Wiley. Pour les universités ayant des exigences strictes en matière de souveraineté des données (en particulier la juridiction européenne RGPD), les conditions de traitement transfrontalier des données doivent être clarifiées avec Wiley avant l'achat.

Spéculation sur la direction évolutive (déduction non officielle basée sur les tendances de l'industrie)

Le développement de Knewton au sein de l'écosystème Wiley peut suivre trois voies :

1. Full Embedded : Le moteur fonctionne en permanence en tant que composant backend des produits entièrement numériques de Wiley, offrant des capacités d'adaptation pour des plates-formes telles que WileyPLUS, mais la marque est complètement dé-connaître. C'est la voie la plus probable.
2. Open Return : basé sur le moteur Knewton, Wiley lance une norme adaptative ouverte pour les éditeurs non concurrents et rétablit l'interconnexion des données entre éditeurs. La probabilité est faible et il existe des obstacles évidents à la concurrence.
3. Migration technologique : Wiley migre progressivement les capacités algorithmiques de Knewton vers des moteurs de nouvelle génération basés sur de nouvelles architectures (telles que l'apprentissage profond ou les solutions hybrides LLM), et la marque et les gammes technologiques de Knewton sont progressivement retirées.

Évaluation des risques liés à l'approvisionnement/à l'adoption

Pour les établissements évaluant une voie vers les technologies d’apprentissage adaptatif :

• Les éditeurs de manuels scolaires devraient se concentrer sur la confirmation lors de l'évaluation de Knewton : si Wiley signe toujours de nouveaux contrats de licence de moteur Knewton avec des parties externes (pas seulement la propre entreprise d'édition de Wiley) ; le SLA et les conditions de support technique du moteur ; si le sujet couvert par le graphe de connaissances correspond à son propre contenu ; ainsi que les exigences techniques et la limite de coût de l'annotation de contenu. Il est recommandé de sélectionner simultanément ALEKS et Cerego comme cibles de référence, et de faire une comparaison des effets A/B sur les parcours pilotes des trois parties avant de prendre une décision d'autorisation.

• Les administrateurs universitaires n'ont pas besoin d'acheter Knewton directement, mais accepteront le moteur adaptatif comme « fonctionnalité intégrée » lors de l'évaluation de la plateforme de matériel pédagogique numérique Wiley. Dimensions sur lesquelles se concentrer : le taux d'utilisation des fonctionnalités adaptatives dans les cours réels (plutôt que de simplement vérifier si elles sont vérifiées au moment de l'achat) ; si les enseignants ont besoin d'une formation supplémentaire pour interpréter les rapports de maîtrise ; et des données sur l'impact réel du moteur adaptatif sur les taux d'abandon de cours et les taux de réussite aux examens (les fournisseurs sont tenus de fournir des cas provenant d'établissements pairs plutôt que les chiffres promis).

• Les entrepreneurs et investisseurs en technologies éducatives devraient tirer les leçons de l'histoire du développement de Knewton comme « leçon » pour le parcours d'apprentissage adaptatif, plutôt que de l'utiliser comme référence pour la sélection technologique actuelle. Le concours d'apprentissage adaptatif 2025-2026 est entré dans une nouvelle dimension de « LLM natif + interaction agent », et le parcours BKT de Knewton est plus approprié comme système de référence historique que comme référence technique. Pour les entrepreneurs, l'échec de Knewton à dépasser le résultat de « l'internalisation progressive après l'acquisition » est un cas qui mérite une étude approfondie : il illustre que dans la chaîne industrielle de l'édition pédagogique, si la couche moteur technologique ne peut pas également maîtriser les canaux de distribution de contenu, sa position de négociation à long terme est fragile.

Outils associés : Khanmigo, quizlet

Informations de version

• Dernière version de Knewton ：Il n’y a pas encore de date précise officielle et le moteur de recommandation d’apprentissage adaptatif continuera d’être itéré. （~2026）
• Knewton première édition ：Il n’y a pas encore de date officielle précise à laquelle Knewton a été créé et a lancé son moteur d’apprentissage adaptatif. （~2008）