La situation des jeunes mères non diplômées du secondaire soulève des inquiétudes en considération de leurs conditions de vie et de celles de leur enfant, de la faible transmission intergénérationnelle de l’écrit et des obstacles à la participation à la formation structurée qu’elles rencontrent. Or, comme pour les adultes autres non diplômés, les dispositions des jeunes mères non diplômées face à leurs pratiques de l’écrit peuvent entraver leur participation à la formation structurée. Toutefois, les connaissances sur les pratiques de l’écrit des jeunes adultes ou des jeunes mères non diplômés participant à la formation structurée sont encore largement lacunaires. De plus, à ce jour, aucune étude ou recherche ayant les pratiques de l’écrit comme objet d’étude n’a été conduite auprès des jeunes mères participant à la formation générale des adultes, comme c’est le cas de celles qui retournent aux études dans le cadre de la mesure Ma place au soleil (MPAS). Aussi, pour ces raisons et considérant que la participation des jeunes mères non diplômées à la formation structurée est une préoccupation sociale, cette étude s’intéresse aux pratiques de l’écrit de jeunes mères de retour en formation dans la mesure MPAS. Cette étude s’appuie sur une conception de l’écrit en tant que pratique sociale et fait des emprunts conceptuels et méthodologiques à l’école des New literacy studies. Cette étude conçoit l’apprentissage en terme de participation et comme faisant partie intégrante des pratiques sociales de l’écrit. Elle repose aussi sur une conception vygotskienne de l’écrit comme outil en appui à l’activité orientée vers un but. La stratégie générale de recherche déployée est l’étude de cas de type ethnographique. Les données empiriques sur lesquelles s’appuie cette étude ont été produites tout au long de l’enquête de terrain qui s’est déroulée pendant l’année scolaire 2012-2013 (49 séances de terrain) auprès d’un groupe de jeunes mères (n=31) et de jeunes pères (n=3) dans un centre d’éducation des adultes (CEA) francophone en milieu urbain. Pendant l’enquête de terrain, six méthodes ont été déployées pour la production des données empiriques : l’observation participante périphérique, l’entretien informel, la prise de photographies des lieux, la collecte d’artefacts, l’entretien semi-dirigé auprès de jeunes mères (n=13) et de personnes intervenantes (personnes enseignantes, n=4; conseillère d’orientation, n=1) et la restitution heuristique d’analyses préliminaires. Le corpus de données empiriques a été l’objet d’une analyse thématique inductive et délibératoire. Cette étude de cas documente la variété de pratiques de l’écrit de jeunes mères participant à la mesure Ma place au soleil dans un CEA. Les résultats montrent des pratiques scolaires de l’écrit et des pratiques de l’écrit en appui à la vie courante touchant les domaines scolaire, de l’emploi et de la vie domestique. Cette étude soutient la thèse que les jeunes mères rencontrées articulent leurs pratiques de l’écrit à des temporalités différentes dans les situations qu’elles rencontrent, notamment pendant la grossesse, le début de la parentalité et leur retour en formation. Pour conclure, cette étude pointe des retombées potentielles pour le champ de la recherche sur l’écrit et la littératie, puis pour les milieux de formation ou de pratique. En ce sens, elle s’inscrit dans la perspective de la thématique de l’interrelation recherche-formation-pratique du programme de doctorat en éducation de l’Université de Sherbrooke.

Dans une perspective d'apprentissage tout au long de la vie, la présente thèse a comme objectif général de recherche de mieux comprendre le rapport au savoir de jeunes adultes non diplômés du secondaire et son évolution, sur une période de quatre ou cinq ans, dans le cadre de différentes expériences de vie personnelle, professionnelle, scolaire ou citoyenne. Pour ce faire, elle a principalement eu recours au concept de rapport au savoir dans sa perspective sociologique tel que développé par Bernard Charlot et par l’équipe de recherche Éducation, socialisation et collectivités locales (ESCOL). Sur le plan méthodologique, la présente étude s’est inscrite dans une approche biographique, longitudinale et compréhensive. Elle a profité des données recueillies dans le cadre de l’Enquête longitudinale auprès de jeunes adultes en situation de précarité (ELJASP). En effet, le corpus à l’étude a été constitué de données d’entretien recueillies auprès de six jeunes adultes qui ont participé à quatre ou cinq vagues de collecte de données de l’ELJASP. Les résultats de la présente étude ont permis de montrer que les jeunes adultes réalisent de nombreux apprentissages hors du cadre scolaire à partir d’une diversité d’expériences de vie dont plusieurs portent la marque de l’adversité et qui, très souvent, découlent du passage à la vie adulte. Ces apprentissages, qui façonnent la vie des jeunes adultes, qu’ils soient plus ou moins scolarisés, sont diversifiés, complexes et, fréquemment, réflexifs. Plus encore, ils donnent une forme particulière au rapport au savoir des jeunes adultes; ce dernier est apparu comme dynamique et évolutif. Enfin, non seulement les jeunes adultes ont-ils rapporté avoir appris dans, et par, la vie, mais ils ont, de plus, affirmé leur préférence pour l’activité d’apprendre à l’école de la vie. De ce point de vue, l’école-institution, sans jamais être absente ou totalement rejetée, est généralement apparue subordonnée à l’école de la vie.

Le problème “d’apprentissage continu” implique l’entraînement des modèles profonds avec une capacité limitée qui doivent bien fonctionner sur un nombre inconnu de tâches arrivant séquentiellement. Cette configuration peut souvent résulter en un système d’apprentissage qui souffre de “l’oublie catastrophique”, lorsque l’apprentissage d’une nouvelle tâche provoque des interférences sur la progression de l’apprentissage des anciennes tâches. Les travaux récents ont montré que les techniques de “méta-apprentissage” ont le potentiel de ré- duire les interférences entre les anciennes et les nouvelles tâches. Cependant, les procé- dures d’entraînement ont présentement une tendance à être lente ou hors ligne et sensibles à de nombreux hyperparamètres. Dans ce travail, nous proposons “Look-ahead MAML (La-MAML)”, un algorithme de méta-apprentissage rapide basé sur l’optimisation pour l’apprentissage continu en ligne et aidé par une petite mémoire épisodique. Ceci est réalisé en utilisant l’équivalence d’un objectif MAML en plusieurs étapes et un objectif d’apprentissage continu “temps conscient”. L’équivalence résulte au développement d’un algorithme intuitif que nous appelons Continual-MAML (C-MAML), utilisant un méta-apprentissage continu pour optimiser un modèle afin qu’il fonctionne bien sur une série de distributions de don- nées changeantes. En intégrant la modulation des taux d’apprentissage par paramètre dans La-MAML, notre approche fournit un moyen plus flexible et efficace d’atténuer l’oubli catas- trophique par rapport aux méthodes classiques basées sur les prieurs. Cette modulation a également des liens avec des travaux sur la métadescendance, que nous identifions comme une direction importante de la recherche pour développer de meilleurs optimiser pour un ap- prentissage continu. Dans des expériences menées sur des repères de classification visuelle du monde réel, La-MAML atteint des performances supérieures aux autres approches basées sur la relecture, basées sur les prieurs et basées sur le méta-apprentissage pour un apprentissage continu. Nous démontrons également qu’elle est robuste et plus évolutive que de nombreuses approches de pointe. / The continual learning problem involves training models with limited capacity to perform well on a set of an unknown number of sequentially arriving tasks. This setup can of- ten see a learning system undergo catastrophic forgetting, when learning a newly seen task causes interference on the learning progress of old tasks. While recent work has shown that meta-learning has the potential to reduce interference between old and new tasks, the current training procedures tend to be either slow or offline, and sensitive to many hyper-parameters. In this work, we propose Look-ahead MAML (La-MAML), a fast optimisation-based meta- learning algorithm for online-continual learning, aided by a small episodic memory. This is achieved by realising the equivalence of a multi-step MAML objective to a time-aware con- tinual learning objective adopted in prior work. The equivalence leads to the formulation of an intuitive algorithm that we call Continual-MAML (C-MAML), employing continual meta- learning to optimise a model to perform well across a series of changing data distributions. By additionally incorporating the modulation of per-parameter learning rates in La-MAML, our approach provides a more flexible and efficient way to mitigate catastrophic forgetting compared to conventional prior-based methods. This modulation also has connections to prior work on meta-descent, which we identify as an important direction of research to de- velop better optimizers for continual learning. In experiments conducted on real-world visual classification benchmarks, La-MAML achieves performance superior to other replay-based, prior-based and meta-learning based approaches for continual learning. We also demonstrate that it is robust, and more scalable than many recent state-of-the-art approaches.

Nous introduisons la configuration de la "Classification Incrémentale Implicitement Raffinée / Incremental Implicitly-Refined Classification (IIRC)", une extension de la configuration de l'apprentissage incrémental des classes où les lots de classes entrants possèdent deux niveaux de granularité, c'est-à-dire que chaque échantillon peut avoir une étiquette (label) de haut niveau (brute), comme "ours”, et une étiquette de bas niveau (plus fine), comme "ours polaire". Une seule étiquette (label) est fournie à la fois, et le modèle doit trouver l’autre étiquette s’il l’a déjà apprise. Cette configuration est plus conforme aux scénarios de la vie réelle, où un apprenant aura tendance à interagir avec la même famille d’entités plusieurs fois, découvrant ainsi encore plus de granularité à leur sujet, tout en essayant de ne pas oublier les connaissances acquises précédemment. De plus, cette configuration permet d’évaluer les modèles pour certains défis importants liés à l’apprentissage tout au long de la vie (lifelong learning) qui ne peuvent pas être facilement abordés dans les configurations existantes. Ces défis peuvent être motivés par l’exemple suivant: “si un modèle a été entraîné sur la classe ours dans une tâche et sur ours polaire dans une autre tâche; oubliera-t-il le concept d’ours, déduira-t-il à juste titre qu’un ours polaire est également un ours ? et associera-t-il à tort l’étiquette d’ours polaire à d’autres races d’ours ?” Nous développons un benchmark qui permet d’évaluer les modèles sur la configuration de l’IIRC. Nous évaluons plusieurs algorithmes d’apprentissage ”tout au long de la vie” (lifelong learning) de l’état de l’art. Par exemple, les méthodes basées sur la distillation sont relativement performantes mais ont tendance à prédire de manière incorrecte un trop grand nombre d’étiquettes par image. Nous espérons que la configuration proposée, ainsi que le benchmark, fourniront un cadre de problème significatif aux praticiens. / We introduce the "Incremental Implicitly-Refined Classification (IIRC)" setup, an extension to the class incremental learning setup where the incoming batches of classes have two granularity levels. i.e., each sample could have a high-level (coarse) label like "bear" and a low-level (fine) label like "polar bear". Only one label is provided at a time, and the model has to figure out the other label if it has already learned it. This setup is more aligned with real-life scenarios, where a learner usually interacts with the same family of entities multiple times, discovers more granularity about them, while still trying not to forget previous knowledge. Moreover, this setup enables evaluating models for some important lifelong learning challenges that cannot be easily addressed under the existing setups. These challenges can be motivated by the example "if a model was trained on the class bear in one task and on polar bear in another task, will it forget the concept of bear, will it rightfully infer that a polar bear is still a bear? and will it wrongfully associate the label of polar bear to other breeds of bear?". We develop a standardized benchmark that enables evaluating models on the IIRC setup. We evaluate several state-of-the-art lifelong learning algorithms and highlight their strengths and limitations. For example, distillation-based methods perform relatively well but are prone to incorrectly predicting too many labels per image. We hope that the proposed setup, along with the benchmark, would provide a meaningful problem setting to the practitioners.