Algorithmes pour l'apprentissage adaptatif : recommandation automatique de trajectoires d'apprentissage, conception et représentation des ressources

Algorithms for adaptive learning: automatic recommendation of learning paths, resource design and representation

• Auteur / Autrice : Jean Vassoyan
• Direction : Nicolas Vayatis
• Type : Projet de thèse
• Discipline(s) : Mathématiques aux interfaces
• Date : Inscription en doctorat le 01/12/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : Centre de mathématiques et de leurs applications (1990-2019 ; Cachan, Val-de-Marne)
• Partenaire(s) de recherche : Equipe de recherche : Apprentissage statistique et données massives
• Partenaire(s) de recherche : référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Apprentissage adaptatif

Moteurs de recommandation

Apprentissage par renforcement

Apprentissage automatique

Trajectoire d'apprentissage

Réseaux de neurones sur graphes

Adaptive learning

Recommendation engine

Reinforcement learning

Machine learning

Learning path

Graph neural networks

Résumé

L'apprentissage adaptatif est un domaine de l'e-learning qui consiste à étudier et mettre en oeuvre des dispositifs informatiques capables de fournir des expériences d'apprentissage personnalisées. À la croisée de l'intelligence artificielle, des sciences de l'éducation et de l'UX design, cette discipline s'est peu à peu imposée comme une alternative prometteuse à l'apprentissage traditionnel. D'un point de vue purement algorithmique, les systèmes d'apprentissage adaptatif se décomposent généralement en trois parties : le modèle du domaine, le modèle de l'apprenant et le modèle instructionnel. Le modèle du domaine permet de représenter les ressources pédagogiques ainsi que les connaissances à transmettre aux apprenants. Le modèle de l'apprenant fournit une caractérisation de chaque apprenant, qui doit permettre d'estimer son niveau et d'anticiper ses comportements. Enfin, le modèle instructionnel utilise les modèles du domaine et de l'apprenant pour sélectionner les stratégies, les étapes et les actions à mettre en œuvre pour atteindre un objectif pédagogique donné ; on peut l'assimiler à un moteur de recommandation. Un inconvénient majeur de ces systèmes est qu'ils requièrent bien souvent un travail important d'annotation (réalisé par des experts), dans le but de fournir des informations a priori sur les apprenants et les ressources. Cette pratique alourdit considérablement l'incorporation de nouvelles ressources, rendant ainsi ces dispositifs relativement peu flexibles, mais également très limités dans leur pouvoir prédictif, du fait de la pauvreté des représentations ainsi obtenues (ces dernières ne sont pas suffisamment riches pour permettre de modéliser la complexité des interactions entre apprenants et ressources). L'objectif de ce travail de thèse est donc de concevoir des algorithmes de recommandation qui ne s'appuient que sur des données « naturellement » présentes dans les ressources pédagogiques (i.e. les contenus) ainsi que sur les données issues des interactions entre apprenants et ressources (logs, réponses aux questions, tests etc.). En conséquence, un important travail de modélisation est nécessaire pour permettre de concevoir des modèles capables de caractériser les apprenants et les ressources automatiquement, uniquement sur la base des données susmentionnées. Ces représentations seront par la suite exploitées par un algorithme de recommandation qui devra prendre ses décisions en suivant une logique séquentielle : chaque trajectoire d'apprentissage devra être optimisée dans son ensemble pour maximiser les gains d'apprentissage de chaque apprenant. Cette logique se distingue de celle des moteurs de recommandation traditionnels, dans le sens où elle accorde une importance majeure à la cohérence d'ensemble de la trajectoire et non uniquement à la pertinence du prochain item. Ainsi, en plus des difficultés inhérentes à la modélisation d'un phénomène complexe - l'apprentissage humain - l'un des enjeux de cette thèse est de parvenir à articuler correctement le travail des algorithmes de recommandation et de représentation, de sorte à construire un système aussi efficace qu'autonome dans la création d'expériences d'apprentissage adaptatives.

Adaptive learning is an area of e-learning that consists in studying and designing computing devices that enable personalized learning experiences. At the crossroads of artificial intelligence, educational sciences and UX design, this field has gradually emerged as a promising alternative to traditional learning. From an algorithmic point of view, adaptive learning systems can be broken down into three models. The first one is the domain model, which represents the pedagogical resources and the knowledge to be conveyed to the learners. The second one is the student model, which provides a characterization of each learner in order to estimate his level and anticipate his behaviors. The third one is the instructional model, which uses the domain and learner models to select strategies, steps and pedagogical actions to implement in order to reach a given pedagogical objective. It can be compared to a recommendation engine. One of the downsides of these systems is that they often require a significant effort of tagging and/or labeling, which is usually performed by experts. Indeed, to facilitate the work of recommendation engines, each educational resource is associated with a set of metadata, in order to provide recommendation engines with features they can use. This makes it much more cumbersome to incorporate new educational resources. Moreover, the resulting representations are not rich enough to model the complexity of interactions between learners and resources, which reduces the predictive power of these systems. The objective of this thesis is to design recommendation algorithms which only rely on data that is « naturally » available in resources (i.e. pedagogical content) and data resulting from interactions between learners and resources (logs, answers to questions etc.). Therefore, an extensive modeling effort is required to develop models that can characterize learners and resources automatically, based solely on the above-mentioned data. These representations will then be used by a recommendation algorithm, which will make its decisions following a sequential approach: each learning trajectory will have to be fully optimized in order to maximize the overall learning gains of each learner. Therefore, this approach differs from traditional recommendation engines in that it gives major importance to the overall coherence of the trajectory and not only to the relevance of the next item. Thus, in addition to the difficulties inherent to the modeling of a complex phenomenon - human learning - one of the challenges of this thesis is to correctly articulate recommendation and representation algorithms, so as to build a system that is both efficient and autonomous in creating adaptive learning experiences.