Adaptation à l'apprenant de la structure des relations de prérequis dans la modélisation de l'élève

Adapting the Prerequisite Structure to the Learner in Student Modeling

• Auteur / Autrice : Olivier Allègre
• Direction : Vanda Luengo, Amel Yessad
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 17/05/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Michel C. Desmarais
• Jury : Examinateurs / Examinatrices : Pierre-Henri Wuillemin, Jill-Jênn Vie
• Jury : Rapporteurs / Rapporteuses : Michel C. Desmarais, Olga C. Santos

Mots clés

Mots clés contrôlés

Calcul adaptatif

Apprentissage automatique

Statistique bayésienne

Systèmes adaptatifs (technologie)

Technologie éducative

Mots clés libres

Modélisation de l'apprenant

Étude de données éducatives

Systèmes de tutoring intelligent

Diagnostic cognitif

Réseaux bayésiens

Modélisation causale

Learner modeling

Educative data mining

Intelligent tutoring system

Cognitive diagnosis

Bayesian networks

Causal modeling

Résumé

Les modèles d'apprenant basés sur les données visent à représenter et comprendre les connaissances des élèves ainsi que leurs autres caractéristiques métacognitives pour soutenir leur apprentissage en faisant des prédictions sur leurs performances futures. La modélisation de l'apprenant peut être abordée en utilisant différentes modèles de système complexes, chacun offrant une perspective différente sur l'étudiant et le processus d'apprentissage. Les techniques d'apprentissage automatique améliorées par la représentation de la connaissance, telles que les réseaux bayésiens, sont particulièrement adaptées pour intégrer la connaissance de domaine dans le modèle de l'apprenant, ce qui en fait un outil précieux dans la modélisation des élèves. Ce travail explore la modélisation et les applications potentielles d'un nouveau cadre appelé E-PRISM (pour Embedding Prerequisite Relationships in Student Modeling), qui inclut un modèle d'apprenant basé sur les réseaux Bayésiens dynamiques. Il utilise une nouvelle architecture pour les réseaux bayésiens qui repose sur la clause d’indépendance des influences causales (ICI), qui réduit le nombre de paramètres dans le réseau et permet une interprétabilité améliorée. L'étude examine les points forts d'EPRISM, notamment sa capacité à considérer la structure préalable requise entre les composants de connaissances, son nombre limité de paramètres et son interprétabilité améliorée. L'étude introduit également une nouvelle approche pour l'inférence approximative dans les grands réseaux bayésiens basés sur la clause ICI, ainsi qu'un algorithme d'apprentissage de paramètres performant dans les réseaux bayésiens basés sur cette clause. Dans l'ensemble, l'étude démontre le potentiel d'E-PRISM comme outil prometteur pour découvrir la structure préalable requise des connaissances de domaine qui peuvent être adaptées à l'apprenant avec pour objectif d'améliorer l'adaptabilité de la boucle extérieure d’un tuteur intelligent.

Data-driven learner models aim to represent and understand students' knowledge and other meta-cognitive characteristics to support their learning by making predictions about their future performance. Learner modeling can be approached using various complex system models, each providing a different perspective on the student and the learning process. Knowledge-enhanced machine learning techniques, such as Bayesian networks, are particularly well suited for incorporating domain knowledge into the learner model, making them a valuable tool in student modeling.This work explores the modeling and the potential applications of a new framework, called E-PRISM, for Embedding Prerequisite Relationships In Student Modeling, which includes a learner model based on dynamic Bayesian networks. It uses a new architecture for Bayesian networks that rely on the clause of Independence of Causal Influences (ICI), which reduces the number of parameters in the network and allows enhanced interpretability. The study examines the strengths of E-PRISM, including its ability to consider the prerequisite structure between knowledge components, its limited number of parameters, and its enhanced interpretability. The study also introduces a novel approach for approximate inference in large ICI-based Bayesian networks, as well as a performant parameter learning algorithm in ICI-based Bayesian networks. Overall, the study demonstrates the potential of E-PRISM as a promising tool for discovering the prerequisite structure of domain knowledge that may be adapted to the learner with the perspective of improving the outer-loop adaptivity.