vendredi 20 décembre 2024

Sergio Simonian soutiendra sa thèse de doctorat le vendredi 20 décembre 2024 à 14h00 sur Zoom.

La thèse intitulée « L'utilisation de modèles prédictifs d'IA pour améliorer les résultats de l'apprentissage en ligne et l'engagement dans les MOOCs » a été réalisée dans le pôle SPARKS sous la direction de Nicolas Pasquier.

 

Résumé : 
Les cours en ligne ouverts et massifs (MOOC), introduits en 2008 et popularisés par des plateformes telles que Coursera, EdX et FUN, offrent des possibilités d’apprentissage flexibles et accessibles à des millions d’apprenants dans le monde entier. Malgré leur potentiel de démocratisation de l’éducation, les MOOC sont toujours confrontés à de faibles taux d’achèvement, généralement compris entre 5 et 10 %, ce qui entrave leur impact global. Dans ce travail, nous étudions des techniques d’analyse de données pour améliorer le contenu des MOOC et les taux d’achèvement des étudiants. Nous avons collaboré avec FUN (France Université Numérique) pour développer une chaîne de traitement des données qui transforme les données d’apprentissage dans un format standart (xAPI) adapté à l’analyse et au partage. Notre recherche comprend une étude complète des applications d’exploration de données, d’apprentissage automatique et d’apprentissage profond sur l’ensemble de données OULAD largement utilisé. Elle évalue leurs performances en matière d’extraction d’informations significatives à partir des données des étudiants. Nous avons également étendu l’algorithme de clustering par consensus MultiCons en développant SupMultiCons pour la classification d’ensemble, qui a été utilisé pour prédire la réussite de l’apprentissage dans les MOOC. Nous avons également développé un système de recommandation d’éléments d’apprentissage qui utilise le clustering par consensus (MultiCons) et le filtrage collaboratif pour optimiser les parcours d’apprentissage des participants aux MOOC. Ces recommandations personnalisées ont pour but d’aider les apprenants à naviguer plus efficacement dans le contenu du cours, augmentant ainsi les taux d’engagement et d’achèvement. Ce travail contribue au domaine des Learning Analytics en montrant comment les approches basées sur les données, y compris la modélisation prédictive et les recommandations personnalisées, peuvent relever les défis des MOOC et contribuer à améliorer les taux de rétention et d’achèvement.