Intelligence artificielle pour la pédagogie adaptative

Artificial intelligence for adaptive learning

• Auteur / Autrice : Sébastien Philippot
• Direction : Lofti Chaari
• Type : Projet de thèse
• Discipline(s) : Informatique et Télécommunications
• Date : Inscription en doctorat le 01/09/2024
• Etablissement(s) : Université de Toulouse (EPE ; 2025-...)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications
• Partenaire(s) de recherche : Laboratoire : IRIT : Institut de Recherche en Informatique de Toulouse
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national polytechnique (Toulouse ; 1969-....)

Mots clés

Mots clés libres

Intelligence artificielle

Apprentissage automatique

Pédagogie active

Sciences de l'éducation

Artificial intelligence

Automatic learning

Active Learning

Résumé

Pour intégrer l'IA dans la pédagogie adaptative, des modèles d'apprentissage automatique analysent les données des élèves, comme les résultats de tests, le comportement en classe ou les interactions en ligne. Deux aspects essentiels sont abordés : les systèmes de recommandation et la mesure de l'efficacité. Les systèmes de recommandation, grâce à des techniques d'analyse de données, suggèrent des ressources pédagogiques adaptées à chaque élève, favorisant un apprentissage plus efficace et engageant. L'évaluation de l'efficacité de ces systèmes repose sur des indicateurs quantitatifs (résultats aux tests, taux de réussite, décrochage scolaire) et des indicateurs qualitatifs (retours des élèves, enseignants, parents). Ces données peuvent être analysées pour déterminer les compétences spécifiques des élèves, comme la résolution de problèmes, le travail d'équipe et l'orientation spatiale. De plus, l'IA peut contribuer à identifier des orientations potentielles en fonction des intérêts et des performances des élèves dans ces simulations. L'IA favorise également des environnements éducatifs plus inclusifs en permettant des interventions ciblées pour les élèves qui rencontrent des difficultés. Cela peut aider à prévenir le décrochage scolaire et à soutenir les élèves à risque. Les enseignants, en utilisant ces technologies, peuvent mieux comprendre les besoins de leurs élèves et adapter leur enseignement en conséquence.

To integrate AI into adaptive pedagogy, machine learning models analyze student data, such as test results, classroom behavior or online interactions. Two key aspects are addressed: recommendation systems and effectiveness measurement. Recommendation systems, using data analysis techniques, suggest teaching resources adapted to each student, promoting more effective and engaging learning. Evaluation of the effectiveness of these systems is based on quantitative indicators (test results, success rates, drop-out rates) and qualitative indicators (feedback from students, teachers, parents). These data can be analyzed to determine specific student skills, such as problem-solving, teamwork and spatial orientation. In addition, AI can help identify potential orientations based on students' interests and performance in these simulations. AI also promotes more inclusive educational environments by enabling targeted interventions for students experiencing difficulties. This can help prevent school dropout and support at-risk students. By using these technologies, teachers can better understand the needs of their students and adapt their teaching accordingly.