Vers un modèle interprétable pour la prédiction de la performance des apprenants dans un environnement d'apprentissage basée sur l'exploitation de graphes de connaissances

Towards an interpretable model of learners in a learning environment based on knowledge graphs

• Auteur / Autrice : Antonia Ettorre
• Direction : Catherine Faron
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 28/11/2022
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes) - Laboratoire Informatique, signaux et systèmes (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Andrea Tettamanzi
• Jury : Examinateurs / Examinatrices : Catherine Faron, Andrea Tettamanzi, Nathalie Pernelle, Harald Sack, Franck Michel, Sandra Bringay, Marie-Christine Rousset, Raphaël Troncy
• Jury : Rapporteurs / Rapporteuses : Nathalie Pernelle, Harald Sack

Mots clés

Mots clés contrôlés

Représentation des connaissances

Ontologies (informatique)

Web sémantique

Mots clés libres

Web sémantique

Graphes de connaissances

Éducation

Semantic Web

Knowledge graphs

Education

Knowledge tracing

Résumé

Ces dernières années, la société a manifesté un besoin croissant de ressources éducatives facilement accessibles et qui rendent l'apprentissage plus efficace et complet.Un nombre croissant de personnes à travers le monde accède à l'éducation en ligne et demande des outils plus efficaces pour permettre d'apprendre n'importe quoi, n'importe où et à n'importe quel moment.Cela nécessite le développement de systèmes éducatifs plus intelligents, qui devraient être capables d'améliorer les courbes d'apprentissage des utilisateurs et de les assister efficacement dans leur processus d'acquisition de connaissances, en ne faisant éventuellement appel à aucun, ou très peu, de soutien humain.Une étape importante pour concrétiser cette vision consiste à personnaliser le processus d'apprentissage afin de l'adapter spécifiquement à chaque utilisateur, en tenant compte de ses antécédents, de son style d'apprentissage, de ses besoins personnels et de ses objectifs.La création de tels environnements adaptatifs et personnalisés requiert de suivre l'évolution des connaissances des utilisateurs au fil du temps et d'évaluer s'ils ont la capacité de faire face à un problème, un exercice ou une question spécifique à un moment donné de leur apprentissage.Ce problème, connu dans la communauté de l'éducation sous le nom de Knowledge Tracing, a été largement étudié au cours des 50 dernières années et plusieurs approches de résolution ont été proposées.Bien que leurs performances se soient sensiblement améliorées au cours de la dernière décennie, ces approches présentent plusieurs défauts : de la simplicité excessive dans la représentation de l'environnement d'apprentissage, qui ne tient pas compte de scénarios complexes tels que l'acquisition de compétences non techniques ou la résolution de travaux de groupe, à l'impossibilité d'interpréter les prédictions fournies, par exemple d'expliquer pourquoi un étudiant échouera en essayant de répondre à une question donnée.Dans cette thèse, nous contribuons à la résolution de ces problèmes en explorant et en proposant des approches basées sur l'utilisation de l'IA symbolique, et plus précisément la représentation de connaissances et le raisonnement à base de graphes de connaissances.Premièrement, nous proposons une approche de Knowledge Tracing qui étend un modèle existant en introduisant, comme caractéristiques d'entrée supplémentaires, des plongements de graphes de connaissances.Ensuite, nous étudions l'explicabilité de l'approche proposée en cherchant à interpréter les plongements de graphes employés.Ceci nous conduit à l'implémentation d'un outil pour l'analyse visuelle conjointe des Graphes de Connaissance et des plongements de graphes et au développement d'une approche pour vérifier l'information capturée par de tels plongements de graphes.Enfin, nous présentons un modèle de Knowledge Tracing reposant exclusivement sur la représentation de l'environnement d'apprentissage sous la forme d'un graphe de connaissances, qui ne nécessite aucun modèle externe supplémentaire pour la prédiction.

In recent years, society has demonstrated increasing need for more effective, comprehensive and easily accessible educational resources.A growing number of people around the world have gained access to online education and demand more efficient tools to enable learning anything, anywhere, at any moment.This requires the development of smarter educational systems, which should be able to improve users' learning curves and effectively assist them in their knowledge acquisition process, possibly relying on no, or very little, human support.A major step to concretize this vision lies in personalizing the learning process to be specifically adapted to every single user, taking into account their background, learning style, personal needs and objectives.To create such adaptive and customized environments, a major requirement is represented by the ability to trace user knowledge over time and assess whether they have the capacity to face a specific problem, exercise or question.This problem, known in the Education community as Knowledge Tracing, has been widely investigated in the last 50 years and several resolution approaches have been proposed.Though their performance improved sensibly over the last decade, such approaches present several shortcomings: from the excessive simplicity in the representation of the learning environment, which does not account for complex scenarios such as acquisition of soft skills or solution of group assignments; to the impossibility of interpreting the provided predictions, e.g. explaining why a student will fail while trying to answer a given question.In this thesis, we try to overcome these issues by exploring and proposing approaches based on the use of Symbolic AI approaches focusing on Graph based Knowledge Representation and Reasoning.Firstly, we propose a Knowledge Tracing approach that extends an existing model by introducing, as additional input features, Knowledge Graph Embeddings.Secondly, we investigate the explainability of the proposed approach by seeking the interpretation of the employed Graph Embeddings.This leads us to the implementation of a tool for the joint visual analysis of Knowledge Graphs and Graph Embeddings and to the development of an approach to verify the information encoded by such Graph Embeddings.Finally, we present a Knowledge Tracing model exclusively relying on the representation of the learning environment in the form of a Knowledge Graph, which does not require any additional external model for the prediction.