Développement d'un système de E-Learning qui pourra prédire les émotions des apprenants.

Abstract

Dans ce mémoire, nous avons passé en revue, dans le premier chapitre, les différents modes utilisés pour la reconnaissance automatique de l'émotion (facial, vocal, physiologique, etc.) et les travaux qui s'y sont intéressés dans un contexte d'interaction homme-machine, en indiquant leurs limites. Nous avons également présenté les principaux systèmes intelligents visant à simuler le processus de génération d'émotion suite à une évaluation des situations dans des environnements d'interaction. Nous avons pu remarquer que notre recherche touche à des facteurs humains très complexes tels que l'émotion, le comportement, et la personnalité. Il aurait fallu mettre plus d'effort pour aborder plus en détail ces sujets. Cependant, nous avons choisi de montrer qu'il est possible d'avoir un système e-Learning qui puisse prendre en considération les aspects humains et mieux gérer l'apprentissage à distance. Dans le chapitre 2, nous avons présenté les concepts de base du e-Learning, pour mieux comprendre ce qu'est le e-Learning, ce qu'il recouvre et les technologies associées à ce nouveau mode d'acquisition du savoir. Dans le chapitre 3, nous nous sommes attardés sur la notion d'apprentissage machine en général et nous avons détaillé, en particulier, l'algorithme utilisé (C4.5). Ce dernier est une version développée de l'algorithme ID3 qui permet de répondre à ces limitations. Nous avons argumenté leur emploi par leur capacité de traiter les problèmes structuré. Par le biais de cet algorithme, un arbre de décision a été construit pour prédire la réaction émotionnelle de l'apprenant dans une situation donnée. L'algorithme C4.5 a été entraîné sur un ensemble de données collectées à l'aide d'une expérience en ligne présentée en détail dans le chapitre4. Au cours du chapitre 4 nous avons développé notre outil suivant le cycle de vie en cascade, en utilisant le langage de modélisation UML, illustrés par des diagrammes de cas d'utilisation, diagrammes de séquences et un diagramme de classe. Une architecture globale de notre système avec une description détaillé de chaque module de l'architecture ont été présentées au niveau du chapitre 5. Dans le chapitre 6, on à finaliser notre travail par la mise en oeuvre du notre système à l'aide d'une architecture 3tiers. Nous concluons au cours de développement de ce projet que les réactions à l'apprentissage peuvent varier selon la personnalité de l'apprenant. Par exemple, les apprenants qui sont confiants et établissent des objectifs, plans d'action pour se préparer les examens, demandent l'aide quand nécessaire, sont plus ouverts à l'apprentissage. Les émotions jouent aussi un rôle très important dans ce processus, par exemple un étudiant anxieux va certainement avoir plus de difficulté dans l'apprentissage. Ainsi, il est essentiel de motiver et de gérer les émotions négatives des apprenants afin de réduire leur résistance à l'apprentissage. Nous projetons pour des recherches futures de continuer à développer des expérimentations afin d'améliorer et de préciser les résultats de classification. On peut ajouter comme perspective d'autres paramètres dans la prédiction. On peut utiliser une méthode plus performante que les arbres de décision. On peut aussi doter le système de réaction vis-à-vis des états émotionnels.