Fouille de données éducatives

Abstract

La fouille de données éducatives est un nouveau domaine de recherche en plein essor, il connait un grand intérêt de la part des chercheurs, ce qui joue un rôle important dans l'amélioration des systèmes éducatifs. Parmi les applications qui contribuent à l'amélioration du processus d'apprentissage des apprenants, nous distinguons les systèmes de recommandations. Les chercheurs de ce domaine se concentrent principalement sur l'amélioration des approches de recommandation de ressources pédagogiques en se basant sur le centre d'intérêt et préférences des apprenants, en créant des systèmes d'apprentissage en ligne qui se base sur la personnalisation. Un tel système adaptatif nécessite l'extraction de bonnes informations qui représentent le profil de l'apprenant. Dans la littérature nous distinguons trois techniques de recommandation de base, à savoir : le filtrage collaboratif, le filtrage basé sur le contenu et le filtrage hybride. Le filtrage collaboratif se base sur la similarité entre les utilisateurs, il recommande à l'utilisateur cible les articles appréciés par les utilisateurs les plus similaires à son profil. La sélection d'utilisateurs similaires est la première étape du processus du filtrage collaboratif. Au cours de cette thèse, nous nous intéressons à la technique du filtrage collaboratif pour améliorer la pertinence des ressources pédagogiques recommandées aux apprenants. Dans la littérature, plusieurs travaux utilisent le clustering comme étape de présélection d'utilisateurs similaires. La présélection aide le processus à obtenir une meilleure similarité entre les utilisateurs. Dans cette perspective, nous avons proposé un modèle générique CF - GT qui se base sur la théorie des jeux. Notre modèle CF -GT comporte deux phases principales: la première consiste à regrouper les utilisateurs similaires selon un modèle de jeu coopératif et la deuxième applique le processus du filtrage collaboratif sur chaque groupe obtenu. Le modèle a été testé et validé par rapport à la précision des recommandations fournies. Les résultats expérimentaux révèlent l'efficacité de notre contribution par rapport à d'autres modèles. Afin d'affirmer l'efficacité de notre modèle dans le domaine éducatif, nous avons conçu un nouveau modèle nommé Edu-CF -GT. Ce dernier n'est que l'adaptation du modèle CF -GT au domaine éducatif. Le modèle Edu -CF - GT a été testé en utilisant la base de données EduTest que nous avons-nous même conçue. Le manque de données éducatives public a motivé la construction de cette base. Les résultats expérimentaux ont affirmé l'efficacité de notre modèle dans un contexte éducatif. Avec l'évolution de la quantité de données dans les systèmes d'apprentissage informatisés, l'intégration du deep learning traite les problèmes d'interaction utilisateur/item complexes. Nous avons tenté d'optimiser le modèle Edu-CF -GT en intégrant le CNN au processus de recommandation. Les résultats expérimentaux révèlent l'efficacité de la proposition.