Amal Ben Soussia soutiendra sa thèse intitulée “Analyse prédictive des données d’apprentissage dans un contexte d’enseignement à distance“, réalisée sous la direction d’Anne Boyer et Azim Roussanaly, le 5 décembre 2022 à 14h00 au Loria.
Résumé :
Pendant les dernières décennies, l’adoption de l’apprentissage en ligne a rapidement évolué et son utilisation a été encore plus poussée avec la pandémie de la COVID-19. L’objectif de ce mode d’enseignement est de garantir la continuité du processus d’apprentissage. Cependant, ce mode d’apprentissage connaît plusieurs défis, dont le plus répandu est les taux élevés d’échec. Ce problème est dû à de nombreuses raisons comme l’hétérogénéité des apprenants et la diversité de leurs comportements d’apprentissage, leur totale autonomie, le manque et/ou l’inefficacité du suivi pédagogique fourni. Par conséquent, les enseignants ont besoin d’un système basé sur des méthodes analytiques leur permettant une prédiction précise et au plus tôt des apprenants à risque d’échec. Si cette solution est communément adaptée dans l’état de l’art, les travaux réalisés ne répondent pas à certaines particularités de l’apprentissage (la continuité et l’évolution de l’apprentissage, la diversité des apprenants et leur totale autonomie) et attentes des enseignants comme la génération d’alerte.
Cette thèse s’inscrit dans le domaine de l’analytique de l’apprentissage (Learning Analytics (LA)) et exploite les traces numériques des apprenants en ligne pour concevoir un système prédictif (Early Warning Systems (EWS)) dédié aux enseignants des établissements en ligne. L’objectif de cet EWS est d’identifier au plus tôt les apprenants à risque pour alerter les enseignants. Afin d’atteindre cet objectif, nous avons traité plusieurs sous-problématiques qui ont permis l’élaboration de quatre contributions scientifiques.
Nous commençons par proposer une méthodologie en profondeur qui repose sur les étapes de l’apprentissage automatique (Machine Learning (ML)) et qui permet l’identification de quatre indicateurs d’apprentissage : la performance, l’engagement, la réactivité et la régularité. Cette méthodologie met aussi en valeur l’importance des données temporelles pour l’amélioration des performances de prédiction. De plus, cette méthodologie a permis de définir le modèle avec la meilleure capacité à identifier les apprenants à risque.
Afin de répondre aux limites de l’état de l’art concernant l’importance de la dimension temporelle dans l’évaluation des systèmes prédictifs éducatifs, nous proposons des métriques temporelles qui mesurent la précocité des prédictions et la stabilité des systèmes. À partir de ces deux métriques, nous étudions les compromis qui existent entre les métriques de précision de ML et les métriques temporelles.
Les apprenants en ligne se caractérisent par la diversité de comportements d’apprentissage. Ainsi, un EWS doit répondre à cette diversité en assurant un fonctionnement équitable entre les différents profils types d’apprenants. Nous proposons une méthodologie d’évaluation qui se base sur l’identification des profils types d’apprenants et utilise des métriques temporelles et de précision.
En utilisant un EWS, les enseignants s’attendent à une génération d’alerte. Pour cette raison, nous concevons un algorithme qui s’appuie sur les résultats de prédiction, les métriques temporelles et la notion des règles d’alerte pour proposer une méthode automatique de génération d’alerte.
Le contexte applicatif de cette thèse est le Centre National d’Enseignement à Distance (CNED). Nous exploitons les traces numériques d’une population de collégiens inscrits en classe 3ème pendant les années scolaires 2017-2018 et 2018-2019.
Jury :
Rapporteurs :
- Pr. Marie-Hélène Abel, Université de Compiègne
- Pr. Sébastien Iksal, Université du Mans
Examinateurs :
- Pr. Laurent Vigneron, Université de Lorraine
- Pr. Leandro Wives, Université Fédérale du Rio Grande do Sul
Directeurs de thèse :
- Pr. Anne Boyer, Université de Lorraine
- MCF. Azim Roussanaly, Université de Lorraine
