Evaluation automatique des contenus éducatifs en ligne basée sur l’analyse de l’apprentissage

Evaluation of online educational content based on learning experience analysis

• Auteur / Autrice : Yosra Mourali
• Direction : Mohamed Jemni, Christophe Kolski
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 14/12/2022
• Etablissement(s) : Valenciennes, Université Polytechnique Hauts-de-France en cotutelle avec Université de Sfax (Tunisie)
• Ecole(s) doctorale(s) : École doctorale polytechnique Hauts-de-France (Valenciennes, Nord ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'automatique, de mécanique et d'informatique industrielles et humaines (Valenciennes, Nord ; 1994-...) - Laboratoire de technologies de l'information et de la communication et génie électrique (Tunis)
• Partenaire(s) de recherche : Etablissement délivrant conjointement le doctorat : Institut national des sciences appliquées Hauts-de-France (Valenciennes, Nord ; 2019-....)
• Jury : Président / Présidente : Faouzi Moussa
• Jury : Examinateurs / Examinatrices : Mohamed Jemni, Christophe Kolski, Marie-Hélène Abel, Lilia Cheniti, Sonia Ayachi Ghannouchi
• Jury : Rapporteurs / Rapporteuses : Marie-Hélène Abel, Lilia Cheniti

Mots clés

Mots clés contrôlés

Pédagogie

Formation en ligne

Mots clés libres

Analyse de l'expérience d'apprentissage

Apprentissage automatique mixte

Évaluation de contenu éducatif en ligne

Prise de décision pédagogique

Learning experience analysis

Blended machine learning

Online educational content evaluation

Educational decision making

Résumé

Dans un contexte de démocratisation du savoir, il est important que la formation en ligne (ou e-learning) se focalise sur le développement de nouvelles approches visant à satisfaire les apprenants tout en minimisant les coûts de formation. De nos jours, le e-learning est confronté à de multiples défis pour répondre aux enjeux actuels qui ont pour ambitions de réduire le taux d’abandon et d’augmenter la satisfaction des utilisateurs. Le développement d’un système qui permet de procurer un contenu éducatif en ligne de qualité est un levier important pour répondre aux besoins des apprenants et des concepteurs pédagogiques. Cette thèse propose un système intelligent d'aide à la décision pédagogique (SIDDP) permettant au concepteur pédagogique d’évaluer le contenu éducatif en ligne dans le but d’améliorer sa production. La problématique majeure pour le développement de ce système est d’objectiver et automatiser la tâche d’évaluation. Notre réponse à cette problématique consiste à concrétiser deux objectifs. Le premier consiste à proposer une approche d’analyse multicritère des expériences d’apprentissage dénommée MALEA (Multicriteria Approach for Learning Experience Analysis). MALEA est adoptée pour l’évaluation de contenus éducatifs en ligne à travers les traces numériques d’interactions des apprenants. Le second consiste à proposer une approche de prédiction de la réussite des contenus éducatifs en ligne, dénommée ACSP (Approach for Content Success Prediction) permettant au concepteur pédagogique d’évaluer son contenu éducatif à n'importe quel stade de son élaboration et notamment avant sa diffusion sur l'Environnement Informatique pour l'Apprentissage Humain (EIAH). Couplant la régression logistique et MALEA, ACSP permet de se prémunir contre l'imprécision éventuelle du jugement humain affectant le processus de décision. Pour valider expérimentalement l’ensemble de nos approches, deux études de cas ont été effectuées. Une première a été menée sur l'Université Virtuelle de Tunis (UTV). Elle montre, d’une part, que le SIDDP répond à l'objectif recherché et ainsi retenu pour l'évaluation automatique des contenus éducatifs en ligne. D'autre part, elle montre que les résultats obtenus par les tests de performance et l'analyse comparative sont prometteurs avec des valeurs élevées de précision, d'exactitude, de spécificité et de sensibilité. Comme il n’était pas possible de recueillir des données par rapport à la satisfaction des apprenants dans la première étude de cas, une deuxième étude a été menée dans le but d’expérimenter MALEA avec les quatre critères proposés pour l’analyse des expériences d’apprentissage. Différentes perspectives de recherche sont finalement proposées.

E-learning is the future of education. In a context of knowledge democratization, it is important that e-learning focuses on developing new approaches to satisfy learners while minimizing training costs. Nowadays, e-learning is facing huge and multiple challenges and is forced to reduce the dropout rate and increase user satisfaction. Providing high quality online educational contents is an important strategy to support the processes of knowledge and skill acquisition and to meet the expectations of learners and educational designers. Interesting efforts have been made to verify the validity of online educational content, but it is currently a challenging task due to the lack of objectivity and automation in existing researches. In this sense, this study aims at providing an intelligent educational decision support system (IEDSS) allowing educational designers to evaluate their online educational contents in order to improve them. The major problem for the development of this system is to automate and objectify the evaluation. Our response to this problem consists in concretizing two objectives. Thus, the first objective of this thesis is to propose a Multicriteria Approach for Learning Experience Analysis (MALEA) on which we have based our online educational content evaluation through the learners’ digital traces. The second objective consists in proposing the Approach for Content Success Prediction (ACSP) that can be used even by educational designers or non-experts to proceed to the automated evaluation of the educational content at any stage of its development and in particular before its diffusion on the Technology Enhanced Learning Environment (TELE). The proposed ACSP approach combines logistic regression and Multicriteria Approach for Learning Experience Analysis (MALEA). This combination helps to guard against the possible imprecision of human judgment affecting the decision-making process. To experimentally validate our approaches, two case studies were carried out. The first was conducted in the context of the Virtual University of Tunis (VUT). It proves that the IEDSS meets the objective sought and thus retained for online educational content evaluation. On the other hand, results obtained from performance tests and comparative analysis are promising with high values of precision, accuracy, specificity and sensitivity. As it was not possible to collect data about learner satisfaction in the first case study, a second study was conducted to test MALEA with the four proposed criteria for analyzing learning experiences. Different research perspectives are finally proposed.