Search

International audience; Nowadays, Learning Analytics (LA) is an emerging topic in the fields of TEL and Lifelong Learning (LLL). Learner Models (LM) play an essential role in the use and exploiting of learners’ generated data in a wide array of TELs, with the goal of facilitating the learners’ follow-up, and course content personal- ization. In this research, we focus on learner modelling in MOOCs (Massive Open Online Course) in a LLL context. This study will allow us to compare and highlight characteristics of existing LMs for MOOC in a LLL perspective. This work is dedicated to MOOC designers/providers, and researchers wishing to to have a panorama on MOOC learner modelling based on LA.; De nos jours, l'analyse de l'apprentissage ou Learning Analytics (LA) est un sujet émergent dans les domaines des Environnements Informatiques pour l'Apprentissage Humain (EIAH) et de l'Apprentissage Tout au Long de la Vie (ATLV). Les modèles apprenant jouent un rôle essentiel dans l'utilisation et l'exploitation des données générées par les apprenants dans une variété d'EIAH dans le but de faciliter le suivi de l'apprenant et la personnalisation du contenu du cours. Dans cet article, nous nous concentrons sur la modélisation de l'apprenant dans les MOOC (Massive Open Online Course) dans un contexte d'ATLV. Cette étude nous permettra de comparer et de mettre en évidence des caractéristiques des modèles apprenant existants pour un MOOC dans une perspective d'ATLV. Ce travail est dédié aux concepteurs/fournisseurs de MOOC, aux ingénieurs pédagogiques et aux chercheurs qui souhaitent avoir un panorama des travaux existants sur la modélisation des apprenants des MOOCs sur la base des LA. Mots-clés : apprentissage tout au long de la vie, modèle d'apprenant, revue de littérature, MOOC.

International audience; Nowadays, Learning Analytics (LA) is an emerging topic in the fields of TEL and Lifelong Learning (LLL). Learner Models (LM) play an essential role in the use and exploiting of learners’ generated data in a wide array of TELs, with the goal of facilitating the learners’ follow-up, and course content persona- lization. In this research, we focus on learner modelling in MOOCs (Massive Open Online Course) in a LLL context. This study will allow us to compare and highlight characteristics of existing LMs for MOOC in a LLL perspective. This work is dedicated to MOOC designers/providers, and researchers wishing to to have a panorama on MOOC learner modelling based on LA.; De nos jours, l’analyse de l’apprentissage ou Learning Analytics (LA) est un sujet émergent dans les domaines des Environnements Informatiques pour l’Apprentissage Humain (EIAH) et de l’Apprentissage Tout au Long de la Vie (ATLV). Les modèles apprenant jouent un rôle essentiel dans l’utilisation et l’ex- ploitation des données générées par les apprenants dans une variété d’EIAH dans le but de faciliter le suivi de l’apprenant et la personnalisation du contenu du cours. Dans cet article, nous nous concentrons sur la modélisation de l’apprenant dans les MOOC (Massive Open Online Course) dans un contexte d’ATLV. Cette étude nous permettra de comparer et de mettre en évidence des caractéristiques des modèles apprenant existants pour un MOOC dans une perspective d’ATLV. Ce travail est dédié aux concepteurs/fournisseurs de MOOC, aux ingénieurs pé- dagogiques et aux chercheurs qui souhaitent avoir un panorama des travaux exis- tants sur la modélisation des apprenants des MOOCs sur la base des LA.

Adaptation in learning environments can follow various aspects, such as didactics, pedagogy, game mechanics or context. While most current approaches propose to adapt according to a single aspect, this paper proposes a Multi-Aspect Generic Adaptation Model (MAGAM). This model is based on the Q-matrix. It aims at taking into account heterogeneous data to select adapted activities. It has been implemented and used into an experiment which allowed the adaptation of learning activities for 97 students based on both knowledge and gaming profiles. This experiment has shown the usefulness of MAGAM to combine various aspects of adaptation in ecological conditions, Dans les EIAH, l’adaptation peut se faire suivant plusieurs aspects, notamment didactique, pédagogique, ludique, ou encore en fonction du contexte. Alors que les approches actuelles proposent d’adapter suivant un seul aspect, cet article propose le modèle d’adaptation générique MAGAM ayant la capacité à prendre en compte de multiples aspects dans le choix d’une activité. Ce modèle est basé sur l’approche de la Q-matrice. Il a été implémenté et utilisé expérimentalement. L’adaptation expérimentale visait à sélectionner des activités suivant leur aspect ludique et didactique pour 97 étudiants. Cette expérimentation a démontré l’utilité de MAGAM pour associer plusieurs aspects d’adaptation en conditions écologiques

National audience; Adaptation in learning environments can follow various aspects, such as didactics, pedagogy, game mechanics or context. While most current approaches propose to adapt according to a single aspect, this paper proposes a Multi-Aspect Generic Adaptation Model (MAGAM). This model is based on the Q-matrix. It aims at taking into account heterogeneous data to select adapted activities. It has been implemented and used into an experiment which allowed the adaptation of learning activities for 97 students based on both knowledge and gaming profiles. This experiment has shown the usefulness of MAGAM to combine various aspects of adaptation in ecological conditions; Dans les EIAH, l’adaptation peut se faire suivant plusieurs aspects, notamment didactique, pédagogique, ludique, ou encore en fonction du contexte. Alors que les approches actuelles proposent d’adapter suivant un seul aspect, cet article propose le modèle d’adaptation générique MAGAM ayant la capacité à prendre en compte de multiples aspects dans le choix d’une activité. Ce modèle est basé sur l’approche de la Q-matrice. Il a été implémenté et utilisé expérimentalement. L’adaptation expérimentale visait à sélectionner des activités suivant leur aspect ludique et didactique pour 97 étudiants. Cette expérimentation a démontré l’utilité de MAGAM pour associer plusieurs aspects d’adaptation en conditions écologiques

Ce texte présente un projet de recherche pluridisciplinaire (didactique du FLE et EIAO) centré sur la modélisation de l'apprenant. Le système GCSE valide les compétences d'un public placé en situation d'évaluation par un environnement multimédia de test des habiletés linguistiques. Le repérage et le classement des erreurs par le système permettent de constituer des corpus de fautes rendus accessibles avec leur contexte de production. On dispose ainsi d'éléments nécessaires à la constitution d'un profil par la mise en forme de différents niveaux : validation de la compétence globale, performances spécifiques dans telle partie du texte, types d'erreurs récurrents, corpus constitués des fautes rencontrées. Les outils mis en place ont pour but d'aider l'utilisateur à construire un parcours d'auto-évaluation : relecture des activités, mise en relation d'éléments originellement séparés. Ils permettent également à un évaluateur de disposer d'indices pertinents quant au niveau de performance atteint par l'apprenant. Our paper will present a pluridisciplinarial research (French as a Foreign Language, AIED) centered on learner's modeling in language learning. The system in development (GSCE) validates the competences in a situation of skills evaluation by using an Internet site. The aim of the project is to set an interactive environment to strength motivation of the learner by providing self-evaluation tools. The work of conception and development stress the error analysis, specifically in short answers to open questions, so as their visualization under synthetic forms aiming learners as well as teachers. The localization and the classification of these mistakes by the system allows a visual restitution in the context of their production

Comparing and building knowledge diagnostic is a challenge in the field of Technology Enhanced Learning (TEL) systems. Knowledge diagnostic aims to infer the knowledge mastered or not by a student in a given learning domain (like mathematics for high school) using student traces recorded by the TEL system. Knowledge diagnostics are widely used, but they strongly depend on the learning domain and are not well formalized. Thus, there exists no method or tool to build, compare and evaluate different diagnostics applied on a given learning domain. Similarly, using a diagnostic in two different domain usually imply to implementing almost both from scratch. Yet, comparing and reusing knowledge diagnostics can lead to reduce the engineering cost, to reinforce the evaluation and finally help knowledge diagnostic designers to choose a diagnostic. We propose a method, refine in a first platform, to assist knowledge diagnostic designers to build and compare knowledge diagnostics, using a new formalization of the diagnostic and student traces. To help building diagnostics, we used a semi-automatic machine learning algorithm, guided by an ontology of the traces and the knowledge designed by the designer. To help comparing diagnostics, we use a set of comparison criteria (either statistical or specific to the field of TEL systems) applied on the results of each diagnostic on a given set of traces. The main contribution is that our method is generic over diagnostics, meaning that very different diagnostics can be built and compared, unlike previous work on this topic. We evaluated our work though three experiments. The first one was about applying our method on three different domains and set of traces (namely geometry, reading and surgery) to build and compare five different knowledge diagnostics in cross validation. The second experiment was about designing and implementing a new comparison criteria specific to TEL systems: the impact of knowledge diagnostic on a pedagogical decision, the choice of a type of help to give to a student. The last experiment was about designing and adding in our platform a new diagnostic, in collaboration with an expert in didactic.; Cette thèse aborde la thématique de la comparaison et de la construction de diagnostics des connaissances dans les Environnements Informatiques pour l'Apprentissage Humain (EIAH). Ces diagnostics sont utilisés pour déterminer si les apprenants maîtrisent ou non les connaissances ou conceptions du domaine d'apprentissage (par exemple math au collège) à partir des traces collectées par l'EIAH. Bien que ces diagnostics soient récurrents dans les EIAH, ils sont fortement liés au domaine et ne sont que peu formalisés, si bien qu'il n'existe pas de méthode de comparaison pour les positionner entre eux et les valider. Pour la même raison, utiliser un diagnostic dans deux domaines différents implique souvent de le redévelopper en partie ou en totalité, sans réelle réutilisation. Pourtant, pouvoir comparer et réutiliser des diagnostics apporterait aux concepteurs d'EIAH plus de rigueur pour le choix, l'évaluation et le développement de ces diagnostics. Nous proposons une méthode d'assistance à la construction et à la comparaison de diagnostics des connaissances, réifiée dans une première plateforme, en se basant sur une formalisation du diagnostic des connaissances en EIAH que nous avons défini et sur l'utilisation de traces d'apprenant. L'assistance à la construction se fait via un algorithme d'apprentissage semi-automatique, guidé par le concepteur du diagnostic grâce à une ontologie décrivant les traces et les connaissances du domaine d'apprentissage. L'assistance à la comparaison se fait par application d'un ensemble de critères de comparaison (statistiques ou spécifiques aux EIAH) sur les résultats des différents diagnostics construits. La principale contribution au domaine est la généricité de notre méthode, applicable à un ensemble de diagnostics différents pour tout domaine d'apprentissage. Nous évaluons notre travail à travers trois expérimentations. La première porte sur l'application de la méthode à trois domaines différents (géométrie, lecture, chirurgie) en utilisant des jeux de traces en validation croisée pour construire et appliquer les critères de comparaison sur cinq diagnostics différents. La seconde expérimentation porte sur la spécification et l'implémentation d'un nouveau critère de comparaison spécifique aux EIAH : la comparaison des diagnostics en fonction de leur impact sur une prise de décision de l'EIAH, le choix d'un type d'aide à donner à l'apprenant. La troisième expérimentation traite de la spécification et de l'ajout d'un nouveau diagnostic dans notre plateforme, en collaborant avec une didacticienne.

Association Enseignement Public & Informatique; Dans cet article nous présentons une démarche pédagogique et technique d'un environnement d'assistance à l'enseignement en ligne. Cet environnement a pour objectif, proposer une démarche simple de création, structuration de cours et de parcours pédagogiques sur le Web. Il est question de l'intégration et de l'usage des TICE par l'enseignant dans des divers contextes pédagogiques.

Ce texte présente un projet de recherche pluridisciplinaire (didactique du FLE et EIAO) centré sur la modélisation de l’apprenant. Le système GCSE valide les compétences d’un public placé en situation d’évaluation par un environnement multimédia de test des habiletés linguistiques. Le repérage et le classement des erreurs par le système permettent de constituer des corpus de fautes rendus accessibles avec leur contexte de production. On dispose ainsi d’éléments nécessaires à la constitution d’un profil par la mise en forme de différents niveaux : validation de la compétence globale, performances spécifiques dans telle partie du texte, types d’erreurs récurrents, corpus constitués des fautes rencontrées. Les outils mis en place ont pour but d’aider l’utilisateur à construire un parcours d’auto-évaluation : relecture des activités, mise en relation d’éléments originellement séparés. Ils permettent également à un évaluateur de disposer d’indices pertinents quant au niveau de performance atteint par l’apprenant.Our paper will present a pluridisciplinarial research (French as a Foreign Language, AIED) centered on learner’s modeling in language learning. The system in development (GSCE) validates the competences in a situation of skills evaluation by using an Internet site. The aim of the project is to set an interactive environment to strength motivation of the learner by providing self-evaluation tools. The work of conception and development stress the error analysis, specifically in short answers to open questions, so as their visualization under synthetic forms aiming learners as well as teachers. The localization and the classification of these mistakes by the system allows a visual restitution in the context of their production

Il existe également une version papier de ce numéro, avec une pagination différente.; Our paper will present a pluridisciplinarial research (French as a Foreign Language, AIED) centered on learner's modelling in language learning. The system in development (GSCE) validates the competences in a situation of skills evaluation by using an Internet site. The aim of the project is to set an interactive environment to strengh motivation of the learner by providing self-evaluation tools. The work of conception and developpment stress the error analysis, specifically in short answers to open questions, so as their visualisation under synthetic forms aiming learners as well as teachers. The localisation and the classification of these mistakes by the system allows a visual restitution in the context of their production.; Ce texte présente un projet de recherche pluridisciplinaire (didactique du FLE et EIAO) centré sur la modélisation de l'apprenant. Le système GCSE valide les compétences d'un public placé en situation d'évaluation par un environnement multimédia de test des habiletés linguistiques. Le repérage et le classement des erreurs par le système permettent de constituer des corpus de fautes rendus accessibles avec leur contexte de production. On dispose ainsi d'éléments nécessaires à la constitution d'un profil par la mise en forme de différents niveaux : validation de la compétence globale, performances spécifiques dans telle partie du texte, types d'erreurs récurrents, corpus constitués des fautes rencontrées. Les outils mis en place ont pour but d'aider l'utilisateur à construire un parcours d'auto-évaluation : relecture des activités, mise en relation d'éléments originellement séparés. Ils permettent également à un évaluateur de disposer d'indices pertinents quant au niveau de performance atteint par l'apprenant.

Our paper will present a pluridisciplinarial research (French as a Foreign Language, AIED) centered on learner's modelling in language learning. The system in development (GSCE) validates the competences in a situation of skills evaluation by using an Internet site. The aim of the project is to set an interactive environment to strengh motivation of the learner by providing self-evaluation tools. The work of conception and developpment stress the error analysis, specifically in short answers to open questions, so as their visualisation under synthetic forms aiming learners as well as teachers. The localisation and the classification of these mistakes by the system allows a visual restitution in the context of their production., Ce texte présente un projet de recherche pluridisciplinaire (didactique du FLE et EIAO) centré sur la modélisation de l'apprenant. Le système GCSE valide les compétences d'un public placé en situation d'évaluation par un environnement multimédia de test des habiletés linguistiques. Le repérage et le classement des erreurs par le système permettent de constituer des corpus de fautes rendus accessibles avec leur contexte de production. On dispose ainsi d'éléments nécessaires à la constitution d'un profil par la mise en forme de différents niveaux : validation de la compétence globale, performances spécifiques dans telle partie du texte, types d'erreurs récurrents, corpus constitués des fautes rencontrées. Les outils mis en place ont pour but d'aider l'utilisateur à construire un parcours d'auto-évaluation : relecture des activités, mise en relation d'éléments originellement séparés. Ils permettent également à un évaluateur de disposer d'indices pertinents quant au niveau de performance atteint par l'apprenant.

Can computers teach people? To answer this question, Intelligent Tutoring Systems are a rapidly expanding field of research among the Information and Communication Technologies for the Education community. This subject brings together different issues and researchers from various fields, such as psychology, didactics, neurosciences and, particularly, machine learning. Digital technologies are becoming more and more a part of everyday life with the development of tablets and smartphones. It seems natural to consider using these technologies for educational purposes. This raises several questions, such as how to make user interfaces accessible to everyone, how to make educational content motivating and how to customize it to individual learners. In this PhD, we developed methods, grouped in the aptly-named HMABITS framework, to adapt pedagogical activity sequences based on learners' performances and preferences to maximize their learning speed and motivation. These methods use computational models of intrinsic motivation and curiosity-driven learning to identify the activities providing the highest learning progress and use Multi-Armed Bandit algorithms to manage the exploration/exploitation trade-off inside the activity space. Activities of optimal interest are thus privileged with the target to keep the learner in a state of Flow or in his or her Zone of Proximal Development. Moreover, some of our methods allow the student to make choices about contextual features or pedagogical content, which is a vector of self-determination and motivation. To evaluate the effectiveness and relevance of our algorithms, we carried out several types of experiments. We first evaluated these methods with numerical simulations before applying them to real teaching conditions. To do this, we developed multiple models of learners, since a single model never exactly replicates the behavior of a real learner. The simulation results show the HMABITS framework achieves comparable, and in some cases better, learning results than an optimal solution or an expert sequence. We then developed our own pedagogical scenario and serious game to test our algorithms in classrooms with real students. We developed a game on the theme of number decomposition, through the manipulation of money, for children aged 6 to 8. We then worked with the educational institutions and several schools in the Bordeaux school district. Overall, about 1000 students participated in trial lessons using the tablet application. The results of the real-world studies show that the HMABITS framework allows the students to do more diverse and difficult activities, to achieve better learning and to be more motivated than with an Expert Sequence. The results show that this effect is even greater when the students have the possibility to make choices., Les ordinateurs peuvent-ils enseigner ? Pour répondre à cette question, la recherche dans les Systèmes Tuteurs Intelligents est en pleine expansion parmi la communauté travaillant sur les Technologies de l'Information et de la Communication pour l'Enseignement (TICE). C'est un domaine qui rassemble différentes problématiques et réunit des chercheurs venant de domaines variés, tels que la psychologie, la didactique, les neurosciences et, plus particulièrement, le machine learning. Les technologies numériques deviennent de plus en plus présentes dans la vie quotidienne avec le développement des tablettes et des smartphones. Il semble naturel d'utiliser ces technologies dans un but éducatif. Cela amène de nombreuses problématiques, telles que comment faire des interfaces accessibles à tous, comment rendre des contenus pédagogiques motivants ou encore comment personnaliser les activités afin d'adapter le contenu à chacun. Au cours de cette thèse, nous avons développé des méthodes, regroupées dans un framework nommé HMABITS, afin d'adapter des séquences d'activités pédagogiques en fonction des performances et des préférences des apprenants, dans le but de maximiser leur vitesse d'apprentissage et leur motivation. Ces méthodes utilisent des modèles computationnels de motivation intrinsèque pour identifier les activités offrant les plus grands progrès d'apprentissage, et utilisent des algorithmes de Bandits Multi-Bras pour gérer le compromis exploration/exploitation à l'intérieur de l'espace d'activité. Les activités présentant un intérêt optimal sont ainsi privilégiées afin de maintenir l'apprenant dans un état de Flow ou dans sa Zone de Développement Proximal. De plus, certaines de nos méthodes permettent à l'apprenant de faire des choix sur des caractéristiques contextuelles ou le contenu pédagogique de l'application, ce qui est un vecteur d'autodétermination et de motivation. Afin d'évaluer l'efficacité et la pertinence de nos algorithmes, nous avons mené plusieurs types d'expérimentation. Nos méthodes ont d'abord été testées en simulation afin d'évaluer leur fonctionnement avant de les utiliser dans d'actuelles applications d'apprentissage. Pour ce faire, nous avons développé différents modèles d'apprenants, afin de pouvoir éprouver nos méthodes selon différentes approches, un modèle d'apprenant virtuel ne reflétant jamais le comportement d'un apprenant réel. Les résultats des simulations montrent que le framework HMABITS permet d'obtenir des résultats d'apprentissage comparables et, dans certains cas, meilleurs qu'une solution optimale ou qu'une séquence experte. Nous avons ensuite développé notre propre scénario pédagogique et notre propre serious game afin de tester nos algorithmes en situation réelle avec de vrais élèves. Nous avons donc développé un jeu sur la thématique de la décomposition des nombres, au travers de la manipulation de la monnaie, pour les enfants de 6 à 8 ans. Nous avons ensuite travaillé avec le rectorat et différentes écoles de l'académie de bordeaux. Sur l'ensemble des expérimentations, environ 1000 élèves ont travaillé sur l'application sur tablette. Les résultats des études en situation réelle montrent que le framework HMABITS permet aux élèves d'accéder à des activités plus diverses et plus difficiles, d'avoir un meilleure apprentissage et d'être plus motivés qu'avec une séquence experte. Les résultats montrent même que ces effets sont encore plus marqués lorsque les élèves ont la possibilité de faire des choix.