Offre de thèse : Analyse prédictive et prescriptive des données d’apprentissage, en situation d’enseignement à distance.

Lieu : équipe KIWI du laboratoire LORIA (wwww.loria.fr), Université de Lorraine et CNED (Poitiers)
Encadrants : Anne Boyer (LORIA), Azim Roussanaly (LORIA) (et XX du CNED ?)
Démarrage : de préférence octobre 2018
Financement : contrat de recherche CNED-LORIA
Mots clefs : Learning Analytics, Modélisation, Machine Learning, Data mining

Les Learning Analytics [1,2], ou analyse des données de l’apprentissage, peuvent être définies comme la collecte, le stockage et l’analyse des traces numériques, générées lors de l’interaction avec les systèmes d’apprentissage. Il peut s’agir des informations contenues dans le système d’information étudiant (notes de jury, inscriptions académiques, …), des traces d’interaction avec la plateforme éducative (LMS), des données de connexion WIFI, …. L’objectif est à la fois de favoriser la compréhension des mécanismes d’apprentissage et d’en améliorer la qualité et l’efficacité.

Le sujet proposé se situe dans le domaine des Learning Analytics, avec l’objectif de concevoir des modèles et des algorithmes permettant la constitution d’outils de reporting à destination des enseignants. Le but est d’anticiper le décrochage et plus largement d’identifier les difficultés des apprenants, quand il est encore possible d’agir (analyse prédictive), voire de proposer des solutions correctives adaptées à mettre en place (analyse prescriptive).

Ce travail pose à la fois des défis scientifiques et des défis applicatifs. Il s’agit en effet de proposer et développer des modèles prédictifs et prescriptifs fondés sur des techniques issues de la fouille de données [3] en situation de big data, permettant de modéliser le comportement de l’apprenant et sa trajectoire dans l’espace d’apprentissage. Les deux défis scientifiques principaux de cette thèse résident notamment dans la capacité à traiter des données multi-sources, avec des temporalités, qualités et persistances différentes, et l’obligation de privacité et d’éthique inhérentes au traitement de données personnelles, en particulier pour des mineurs. Les défis applicatifs majeurs consistent en l’obligation de qualité des résultats pour tous (notion d’équité en éducation) et de réactivité (le résultat doit être fourni quand une action corrective est encore possible).

Le candidat devra être titulaire d’un Master en informatique, intelligence artificielle, sciences de données ou mathématiques et application (ou équivalent), avec une première expérience en intelligence artificielle ou sciences des données. Il est attendu notamment de solides connaissances en programmation (Java ou Python), en fouille de données et/ou modélisation statistique. Le candidat effectuera sa recherche au sein de l’équipe KIWI du Loria et devra faire des séjours réguliers (pris en charge) au CNED, à Poitiers, qui fournit le cadre applicatif de ce travail.

Pour tout renseignement : envoyer un mail à anne.boyer@loria.fr

Bibliographie

[1] Long, P. and Siemens, G. (2011). Penetrating the fog : analytics in Learning and education. EDUCAUSE Review.

[2] Ferguson, R. (2012). Learning analytics : drivers, developments and challenges. International Journal of Technology Enhanced Learning , 4(5-6) :304–317.

[3] Fournier-Viger, P., Lin, J. C. W., Kiran, R. U., Koh, Y. S., & Thomas, R. (2017). A survey of sequential pattern mining. Data Science and Pattern Recognition, 1(1), 54-77.

En ce moment

Colloquium Loria 2018

Exposés précédents

Logo du CNRS
Logo Inria
Logo Université de Lorraine