BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//LORIA - ECPv6.17.4.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:LORIA
X-ORIGINAL-URL:https://www.loria.fr
X-WR-CALDESC:Évènements pour LORIA
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20210328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20211031T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20220327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20221030T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20221205T140000
DTEND;TZID=Europe/Paris:20221205T140000
DTSTAMP:20221201T102945Z
CREATED:20221201T102945Z
LAST-MODIFIED:20221201T102945Z
UID:17298-1670248800-1670248800@www.loria.fr
SUMMARY:Soutenance de thèse d'Amal Ben Soussia
DESCRIPTION: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.\nRésumé :\n\nPendant 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.\nCette 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.\nNous 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.\nAfin 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.\nLes 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.\nEn 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.\nLe 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.\n\n\nJury :\n\nRapporteurs :\n\nPr. Marie-Hélène Abel\, Université de Compiègne\nPr. Sébastien Iksal\, Université du Mans\n\nExaminateurs :\n\nPr. Laurent Vigneron\, Université de Lorraine\nPr. Leandro Wives\, Université Fédérale du Rio Grande do Sul\n\nDirecteurs de thèse :\n\nPr. Anne Boyer\, Université de Lorraine\nMCF. Azim Roussanaly\, Université de Lorraine
URL:https://www.loria.fr/event/soutenance-de-these-damal-ben-soussia/
LOCATION:Loria
CATEGORIES:Soutenance
END:VEVENT
END:VCALENDAR