Adaptive Personalization of Pedagogical Sequences using Machine Learning

Les ordinateurs peuvent-ils enseigner ? Pour repondre a cette question, la recherche dans les Systemes Tuteurs Intelligents est en pleine expansion parmi la communaute travaillant sur les Technologies de l'Information et de la Communication pour l'Enseignement (TICE). C'est un domaine qui rassemble differentes problematiques et reunit des chercheurs venant de domaines varies, tels que la psychologie, la didactique, les neurosciences et, plus particulierement, le machine learning. Les technologies numeriques deviennent de plus en plus presentes dans la vie quotidienne avec le developpement des tablettes et des smartphones. Il semble naturel d'utiliser ces technologies dans un but educatif. Cela amene de nombreuses problematiques, telles que comment faire des interfaces accessibles a tous, comment rendre des contenus pedagogiques motivants ou encore comment personnaliser les activites afin d'adapter le contenu a chacun. Au cours de cette these, nous avons developpe des methodes, regroupees dans un framework nomme HMABITS, afin d'adapter des sequences d'activites pedagogiques en fonction des performances et des preferences des apprenants, dans le but de maximiser leur vitesse d'apprentissage et leur motivation. Ces methodes utilisent des modeles computationnels de motivation intrinseque pour identifier les activites offrant les plus grands progres d'apprentissage, et utilisent des algorithmes de Bandits Multi-Bras pour gerer le compromis exploration/exploitation a l'interieur de l'espace d'activite. Les activites presentant un interet optimal sont ainsi privilegiees afin de maintenir l'apprenant dans un etat de Flow ou dans sa Zone de Developpement Proximal. De plus, certaines de nos methodes permettent a l'apprenant de faire des choix sur des caracteristiques contextuelles ou le contenu pedagogique de l'application, ce qui est un vecteur d'autodetermination et de motivation. Afin d'evaluer l'efficacite et la pertinence de nos algorithmes, nous avons mene plusieurs types d'experimentation. Nos methodes ont d'abord ete testees en simulation afin d'evaluer leur fonctionnement avant de les utiliser dans d'actuelles applications d'apprentissage. Pour ce faire, nous avons developpe differents modeles d'apprenants, afin de pouvoir eprouver nos methodes selon differentes approches, un modele d'apprenant virtuel ne refletant jamais le comportement d'un apprenant reel. Les resultats des simulations montrent que le framework HMABITS permet d'obtenir des resultats d'apprentissage comparables et, dans certains cas, meilleurs qu'une solution optimale ou qu'une sequence experte. Nous avons ensuite developpe notre propre scenario pedagogique et notre propre serious game afin de tester nos algorithmes en situation reelle avec de vrais eleves. Nous avons donc developpe un jeu sur la thematique de la decomposition des nombres, au travers de la manipulation de la monnaie, pour les enfants de 6 a 8 ans. Nous avons ensuite travaille avec le rectorat et differentes ecoles de l'academie de bordeaux. Sur l'ensemble des experimentations, environ 1000 eleves ont travaille sur l'application sur tablette. Les resultats des etudes en situation reelle montrent que le framework HMABITS permet aux eleves d'acceder a des activites plus diverses et plus difficiles, d'avoir un meilleure apprentissage et d'etre plus motives qu'avec une sequence experte. Les resultats montrent meme que ces effets sont encore plus marques lorsque les eleves ont la possibilite de faire des choix.