Comment les réseaux bayésiens transforment-ils l’apprentissage personnalisé ?

Pour citer ce mémoire et accéder à toutes ses pages
🏫 Université Badji Mokhtar - Annaba - Faculté des Sciences de l’Ingénieur - Département d’Informatique
📅 Mémoire de fin de cycle en vue de l'obtention du diplôme de Master - 2015/2016
🎓 Auteur·trice·s
TERFAYA Kheireddine
TERFAYA Kheireddine

Cet article révèle comment les applications pratiques des réseaux bayésiens peuvent transformer l’apprentissage en ligne. Découvrez les étapes innovantes pour adapter les cours aux styles d’apprentissage des utilisateurs et améliorer leur expérience éducative. Quels bénéfices en tirerez-vous pour votre propre pratique pédagogique ?


Chapitre 3:

Conception d’un réseau sociale pour l’enseignement et l’apprentissage

INTRODUCTION

Le présent chapitre illustre les approches de la conception proposées et la méthodologie utilisée pour suivre les étudiants dans leur apprentissage et qui passe par trois phases :

  1. La première phase est la détection du style d’apprentissage initial en utilisant le test de Felder.
  2. La deuxième phase est l’extraction des caractéristiques en observant les différents comportements de l’utilisateur.
  3. Puis à la fin et en utilisant le réseau bayesien pour la classification c’est-à-dire on va chercher à retrouver le nouveau style d’apprentissage de l’apprenant selon leurs caractéristiques retirées dans la phase précédente, qui nous aidera à recommandation et l’adaptation du cours à l’utilisateur spécifique [23].

Nous aborderons dans ce qui suit les objectifs de cette approche, ensuite nous présenterons l’architecture du système en expliquant les techniques et les algorithmes utilisés dans chaque phase, après nous présenterons les différents scénarios sur les trois phases, et nous terminerons par une conclusion.

OBJECTIFS

Notre objectif est d’implémenter une approche qui permet de rendre le système de recommandation plus performant et plus précis, et offre des recommandations personnalisées adaptées aux préférences des apprenants, et de minimiser la complexité de l’algorithme de recommandation utilisé pour les grosses bases de données.

Etudiant modèle bayésien souvent le style est représenté à l’aide de multiples dimensions estimées statistiquement. Chaque modèle suggère un instrument pour mesurer le style de l’individu. Ils partagent tous la même méthode: estimer le style, qui est une information cachée, à partir de données observables représentant le comportement de l’utilisateur.

Cette section présente un réseau bayésien pour estimer le style d’apprentissage d’un élève à partir de données observables caractérisant les activités d’évaluation et la performance de l’étudiant.

*

Notre travail est nouveau car il propose l’utilisation de réseaux bayésiens pour modéliser un style d’apprentissage de l’étudiant, un aspect pas pris en compte dans les modèles d’étudiants bayésiens précédents [29].

L’ARCHITECTURE DU SYSTEME

La Figure 1 présente l’architecture du système, qui passe par trois phases qui utilise les techniques mentionnées dont les données sont représentées par un fichier log qui contient l’historique et la trace de chaque apprenant, dans les bases des apprenants et des cours qui sont :

Test de Felder

Evaluation

Fichier log

Style

Classification par le réseau bayesien

Extraction des caractéristiques

Composer le nouveau matériel

Calcul des caractéristiques les plus probables du matériel

Style de l’apprenant

Figure 1 : Architecture du modèle proposé.

Première phase : Détection du style d’apprentissage

En début de séquence pédagogique. Nous avons commencé par mesurer le style d’apprentissage d’élève. Chaque élève a répondu à des questions de Felder liées aux nouvelles connaissances qui présentent les quatre dimensions de style d’apprentissage initial.

Mesure du style d’apprentissage : Questionnaire ILS

Dans cette étude, nous avons utilisé un seul instrument de mesure : la version française du questionnaire ILS (Index Learning Style) adaptée pour les élèves.

Le questionnaire comporte 12 questions fermées à deux modalités (a et b) qui forment 4 groupes de 3 questions. Chaque groupe de questions définit une dimension pour le modèle cognitif de l’élève qui est donc composé de 4 dimensions Réflexion (actif, Réfléchi), Raisonnement (Inductif, Déductif) Sensorielle (Verbal, Visuel), Progression (Séquentiel, Global).

Tableau 1 : Les dimensions de Felder.

Les dimensions de Felder
DimensionsExtrémité inférieure (a)Extrémité supérieure (b)
Réflexion : comment l’élève préfère-t-il traiter l’information ?ActifRéfléchi
Raisonnement : avec quelle organisation de l’information l’élève est-il le plus à l’aise ?InductifDéductif
Sensorielle : à travers quelle modalité sensorielle l’information est-elle réellement perçue ?VerbalVisuel
Progression: comment l’élève progresse-t-il dans l’activité de compréhension?SéquentielGlobal
Mesure de l’étude

Chaque groupe de questions définit une dimension pour le modèle cognitif de l’élève qui est donc composé de 4 dimensions (Tableau 2):

Tableau 2 : Question ILS par dimension du style.

Question ILS par dimension du style
DimensionsExtrémité inférieure (a)Extrémité supérieure (b)Questions ILS
RéflexionActifRéfléchiQ1, Q5, Q9, Q13, Q17, Q21, Q25, Q29, Q33, Q37, Q41
RaisonnementInductifDéductifQ2, Q6, Q10, Q14, Q18, Q22, Q26, Q30, Q34, Q38, Q42
SensorielleVerbalVisuelQ3, Q7, Q11, Q15, Q19, Q23, Q27, Q31, Q35, Q39, Q43
ProgressionSéquentielGlobalQ4, Q8, Q12, Q16, Q20, Q24, Q28, Q32, Q36, Q40, Q44

Pour localiser l’élève sur une dimension, il suffit de comptabiliser le nombre de réponses a et de réponses b sur les 11 questions correspondantes et d’en faire la soustraction afin d’obtenir un nombre positif. Soient A et B respectivement ces nombres.

La différence A-B permet de situer le style de l’élève (Figure 2). Un nombre négatif indique que l’élève est proche de l’extrémité b et inversement. On attribue à ce style un degré de confiance calculé par d = | AB |. Le Tableau 2-2 donne la sémantique de cette mesure.

b a

-11 +11

Figure 2 : Dimension du style.

La première dimension D1 (Figure 3) représente la dimension sensorielle, Elle mesure la manière avec laquelle l’élève préfère percevoir l’information. Son domaine de définition est un continuum qui varie de visuel à verbal [10].

visuel verbal

-11 11

Figure 3 : Dimension sensorielle (D1).

Dans un contexte d’enseignement, connaître cette capacité sensorielle aide à choisir les médias appropriés pour présenter l’information à l’élève.

Une personne ayant D1= -11, préférera des documents en grande partie illustrés avec des images, des graphiques, etc. Alors qu’un élève ayant D1 = 11 préfèrera le texte ou le son [10].

La seconde dimension D2 (Figure 4) représente la dimension de progression.

Elle définit la manière, globale ou séquentielle, que la personne préfère pour progresser (naviguer) dans une séquence pédagogique. Un élève global préférerait plutôt choisir librement son parcours dans la séquence. Alors qu’une personne séquentielle se sentira mieux quand elle est contrainte à progresser pas à pas. Un matériel pédagogique devrait, donc, fournir une navigation et une progression linéaire contrainte pour les élèves séquentiels et une navigation sélective pour les élèves globaux [10].

Global séquentiel

-11 11

Figure 4 : Dimension de progression (D2).

La troisième dimension D3 (Figure 5) représente la dimension de la réflexion.

Elle varie de réfléchi à actif. Les personnes actives réussissent mieux en faisant des activités pratiques individuelles ou collectives. Les personnes réfléchies préfèrent les activités qui nécessitent un effort personnel d’analyse. Pour atteindre un objectif d’apprentissage donné, un matériel pédagogique approprié pour les élèves actifs devrait donner plus de poids à la pratique, au travail de groupe et à l’expérimentation. Inversement, pour être plus efficace avec un élève réfléchi, le matériel pédagogique devrait être la plupart du temps basé sur la théorie, les démonstrations et d’autres activités personnelles [10].

réfléchi actif

-11 11

Figure 5 : Dimension de réflexion (D3).

La dernière dimension D4 (Figure 6) représente le raisonnement. Elle varie de déductif à inductif. Les personnes déductives préfèrent progresser de la théorie vers la pratique. Elles sont considérées comme penseurs abstraits. Alors que, les personnes inductives préféreraient progresser des faits, exemples, et pratiques vers la théorie. Elles sont considérées comme penseurs concrets. Un matériel pédagogique adapté aux élèves déductifs devrait commencer par des définitions et des théories et progresser vers la pratique [10].

déductif inductif

-11 11

Figure 6 : Dimension du raisonnement (D4).

Deuxième phase : Extraction des caractéristiques

Le modèle de l’élève est un composant fondamental de tout système adaptatif d’enseignement. Il permet de décrire les caractéristiques de l’élève. Ce genre de modèle contient des informations utilisées pour adapter les séquences d’enseignement. Ces systèmes doivent identifier pour chaque élève : ses objectifs d’apprentissage [28], son niveau de connaissances [32], ses préférences [27], ses stéréotypes [25], ses préférences cognitives [24] et ses styles d’apprentissage [26].

L’identification de ces caractéristiques se fait généralement par l’observation du comportement de l’élève au cours de la séquence d’enseignement. La méthode de transformation des observations en informations pédagogiques exploitables se nomme profilage.

C’est ainsi que dans l’ensemble des informations présentées ci-dessus, certaines sont considérées comme des données que l’on peut recueillir par l’analyse du choix de l’élève.

Par exemple, l’élève peut indiquer dans une liste, les sujets qu’il désire consulter.

Le système est alors capable de garder une trace des choix faits au cours de différentes sessions et de construire ainsi une classification des élèves par stéréotype [30]. Ce genre de classification serait ensuite utilisé pour composer dynamiquement le prochain contenu à présenter à l’élève.

Méta-modèle conceptuel du processus de profilage

Reprenant la définition du profilage, nous proposons un modèle conceptuel qui manipule deux catégories d’informations :

  • Les paramètres non observables : l’ensemble des paramètres non observables se compose de caractéristiques qu’il est impossible de mesurer directement. Ce sont généralement des caractéristiques intrinsèques. Par exemple, mesurer le style d’apprentissage d’un élève ne peut pas se faire directement lors d’une séquence pédagogique.

Dans notre cas, les paramètres non observables sont les seules variables associées aux dimensions du style d’apprentissage de Felder vue en première phase de la méthodologie utilisée dans l’apprentissage de l’apprenant.

  • Les paramètres observables : l’ensemble des indicateurs observables se compose de caractéristiques dont les valeurs peuvent être mesurées concrètement ou bien contrôlées par le système. Dans notre cas les variables observables sont les activités d’évaluation.

Les activités d’évaluation sont les éléments donnés par les enseignants aux étudiants pour leur donner une meilleure compréhension de l’information.

Pour résumer cette phase occupe le prétraitement (nettoyer et transformer les données) des caractéristiques, qui est un processus fastidieux et complexe dû principalement à la grande quantité de données (les fichiers logs) et à la faible qualité de l’information qu’on trouve dans les fichiers logs (fichier texte qui enregistre les différentes actions faites par l’utilisateur même le simple clic). Dans ce travail, nous avons converti les données de fichier log en base de données (figure 7).

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_1]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_2]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_3]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_4]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_5]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_6]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_7]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_8]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_9]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_10]

Source: URL

[4_applications-pratiques-des-reseaux-bayesiens-pour-education_11]

Source: URL

Les activités d’évaluation

Attention (DA)

Résistance à

l’apprentissage (RL)

L’effort d’apprentissage

(EL)

L’énergie d’apprentissage

(Elth)

Les styles

d’apprentissages

Niveau de

l’adaptation (AL):

Performance (EVAL)

Intensité de

l’apprentissage (LI):

Figure 7 : Base de données.

Troisième phase : Classification

Cette étape est la plus critique du point de vue algorithmique. Les méthodes de fouille de données permettent de découvrir ce que contiennent les données exploitées et filtrées résultantes de l’étape précédente afin de découvrir des modèles comportementaux qui décrivent les navigations des utilisateurs.

Le style d’apprentissage de l’apprenant détecté lors de la première phase est erroné, puisque la majorité des apprenants répondent aléatoirement au questionnaire de Felder et ne lui donnent pas assez d’importance ou ne comprennent pas toutes les questions (terme psychologique).

Par conséquent, les réseaux bayesien vont classifier les caractéristiques de l’apprenant en comparant ce dernier avec ceux prédéfinis pour chaque style.

Structure du réseau

Le réseau bayésien proposé est basé sur le style d’apprentissage Index (SLI) établi par Felder et de Salomon. Deux types de nœuds sont utilisés:

  • Variables observables : qui décrivent les activités d’évaluation, et le comportement des apprenants.
  • Les variables non observables : qui représentent les dimensions du style d’apprentissage.
Variable observables :

Les activités d’évaluation sont les éléments donnés par les enseignants aux étudiants pour leur donner une meilleure compréhension de l’information. Sa doit être attrayante pour les étudiants afin qu’ils se sentent encouragés à observer, analyser, exprimer des opinions, de créer des hypothèses, chercher des solutions et de découvrir par eux-mêmes connaissances. Cette évaluation contient: jeux et simulations, l’apprentissage basé sur la résolution de problèmes, la discussion, étude de cas, question / réponse ou méthode de projet [13].

Le comportement de l’apprenant

L’identification des informations utiles sur les apprenants est un facteur important pour l’activité de suivi de la planification. Car il fournit des indicateurs typiques pour évaluer l’activité de l’apprenant. Des exemples d’indicateurs comprennent le nombre de connexions à la formation, le temps passé sur elle, la dernière partie est rendue. Les évaluations sont généralement basées sur les scores obtenus.

Cette information doit être résumée pour obtenir un aperçu du comportement de l’apprenant et de faciliter le processus d’analyse de données [31].

Pour identifier le comportement de l’apprenant, nous avons l’intention de produire des indicateurs comportementaux informatifs de traces dans AIHS « un systèmes hypermédias adaptatifs et intelligents »

La liste des variables est donnée ci-dessous :

            • Performance (EVAL): Le score obtenu par l’étudiant sur l’activité d’évaluation.
            • Intensité de l’apprentissage (LI): Évaluer l’intensité de l’élève sur l’activité. Elle est exprimée comme suit :

    LI = nombre de visiteurs activité / temps passé par l’élève sur l’activité.

              • Résistance à l’apprentissage (RL): Évaluer la résistance des étudiants sur l’activité. Elle est exprimée comme suit :

      RL = (nombre moyen de visites d’une activité) ^ 2 / (nombre total d’activités visités)

                • L’effort d’apprentissage (EL): Évaluer l’effort de l’élève sur l’activité. Elle est exprimée comme suit :

        EL = niveau de difficulté d’une activité * RL * LI ^ 2 * temps passé par l’élève sur l’activité.

                  • Niveau de l’adaptation (AL): Niveau d’adaptation de l’activité d’évaluation. Elle est exprimée comme suit :

          AL = (nombre d’activités visités) / (RL * LI ^ 2 * temps passé par les étudiants sur l’activité)

                    • Attention (DA): Évaluer l’attention des élèves sur l’activité. Elle est exprimée comme suit :

            DA = RL * LI

                      • L’énergie d’apprentissage (Elth): Représenter apprentissage énergie théorique d’une activité.

              Elth = niveau de difficulté d’une activité * nombre total d’activité visité

              Les variables Non observables

              L’ILS (Learning Styles questionnaire) estiment que les approches de l’apprenant à percevoir et mentalement informations de processus peuvent être classés selon quatre dimensions. Cette théorie suppose que le style d’apprentissage d’un élève peut être estimé par une mesure de croyance projetée sur quatre dimensions.

              La liste des variables et l’ensemble des valeurs possibles est donnée ci-dessous:

                        • (D1) Dimension sensorielle : Visuel/verbal: variable discrète (visuel, verbal). Précise le genre de l’apprenant sur l’axe visuel-verbal du modèle de Felder.
                        • (D2) Dimension de progression Séquentiel/global (D2): variable discrète (séquentiel, global). Précise le genre de l’apprenant sur l’axe séquentiel-global du modèle de Felder.
                        • (D3) Dimension de réflexion Actif/réfléchi : variable discrète (actif, réfléchi). Précise le genre de l’apprenant sur l’axe actif- réfléchi du modèle de Felder.
                        • (D4) Dimension du raisonnement Intuitif/déductif : variable discrète (intuitif, déductif). Précise le genre de l’apprenant sur l’axe intuitif-déductif du modèle de Felder.
                Les dépendances entre ces variables

                Les dépendances entre ces variables sont fondées sur des hypothèses pédagogiques. La pertinence d’une activité d’évaluation pour atteindre un objectif de cours donné dépend du style d’apprentissage de l’étudiant. En d’autres termes, l’objectif de cours et le style d’apprentissage ont une influence causale sur le choix des activités d’évaluation. La deuxième hypothèse consiste à considérer que les comportements de l’élève dépendent de l’adéquation entre les activités d’évaluation et le style d’apprentissage de l’étudiant. Cela signifie que les activités d’évaluation et le style d’apprentissage ont ensemble une influence causale sur le comportement (voir la figure 8)

                Activité d’évaluation

                Comportement

                Cours

                Style d’apprentissage

                Figure 8 : Les dépendances entre ces variables.

                Inférence

                Une première série de données recueillies à partir d’une étude empirique a été utilisée pour calculer les probabilités conditionnelles pour chaque nœud. Le réseau résultant est instancié pour chaque nouvel élève. Les expériences d’apprentissage des différents étudiants sont régulièrement utilisées pour renforcer les tables de probabilités du travail net. Pour un nouvel étudiant, nous attribuons la plus probable dans les Variables-à-dire de la population de style de l’élève sont réglés avec les valeurs correspondant aux probabilités les plus élevées dans le réseau initial. Ce sera affiné après la première activité d’évaluation.

                Pour les utilisations ultérieures du système, les variables de style sont mises au style de l’élève estimé au cours de la dernière activité. Une inférence directe est, par la suite, effectuée dans le réseau de calculer les probabilités conditionnelles des variables d’évaluation. Les valeurs correspondant aux plus hautes probabilités sont sélectionnées. Ces métadonnées sont utilisées pour composer une activité d’évaluation qui est proposée à l’étudiant. La surveillance du comportement de l’élève pendant la tâche d’apprentissage mène à la mesure de leur performance.

                Il est défini comme preuve dans le réseau et une conclusion en arrière est effectuée pour affiner le style de l’élève. Après un certain nombre d’itérations, le réseau converge vers une estimation stable du style d’apprentissage.

                L’algorithme d’inférence est présenté comme suit :

                Algorithme inférence-évaluation-activité;

                Début

                Calcul des caractéristiques les plus probables de l’activité d’évaluation;

                Observer le comportement des élèves et de calculer des indicateurs de comportement;

                Tant que (performances ne sont pas satisfaisantes) faire Début

                Faire une nouvelle estimation du style d’apprentissage;

                Observer le comportement des élèves et de calculer des indicateurs de comportement;

                Fin

                Fin.

                Identification et représentation de cas d’utilisation

                Un cas d’utilisation est une manière spécifique d’utiliser un système. Les acteurs sont à l’extérieur du système, ils modélisent tout ce qui interagit avec lui.

                Un cas d’utilisation réalise un service de bout en bout, avec un déclenchement, un déroulement et une fin, pour l’acteur qui l’initie

                Construction d’un diagramme de cas d’utilisation

                Une démarche couramment utilisée pour construire un diagramme de cas d’utilisation consiste à :

                1. Trouver les acteurs.
                2. Trouver les cas d’utilisation.
                3. Trouver les associations entre les cas d’utilisation et les acteurs.
                Les acteurs

                Les acteurs sont :

                • Administrateur.
                • Apprenant.
                Les cas d’utilisations
                • gestion de comptes.
                • gestion de recommandation.
                • gestion de contenu.
                • Inscription.
                • Suivi des cours.

                Les associations entre les cas d’utilisations et les acteurs

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_12]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_13]

                Source: URL

                Figure 9 : Diagramme de cas d’utilisation du système.

                Description et représentation des Scénarios

                Identification des scénarios :

                1. Scénario de cas d’utilisation : « Gestion de recommandation » Trois scénarios caractérisent ce cas d’utilisation :
                  • Scénario 1.1 calcul des caractéristiques (test de Felder)
                  • Scénario 1.2 calcul des caractéristiques (à partir de la navigation)
                  • Scénario 1.3 recommandation d’une ressource.

                Scénario de cas d’utilisation : « Gestion des profils »

                Trois scénarios peuvent être considérés :

                  • Scénario 3.1 inscription
                  • Scénario 3.2 connexion
                • 3.2.2. Le scénario du système

                La figure suivante présente les différents scénarios qui se passent dans les trois cas d’utilisation mentionnés (gestion de comportement, gestion de recommandation, gestion des profils).

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_14]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_15]

                Source: URL

                Figure 10 : Diagramme récapitulatif de tous les scénarios.

                  • Scénario 1.1 calcul des caractéristiques (test de Felder). Description textuelle

                Ce scénario correspond à :

                    1. Répondre au questionnaire de Felder
                    2. Calculer les caractéristiques de l’utilisateur

                Chaque réponse du questionnaire de Felder va définir une caractéristique de l’utilisateur. Ces caractéristiques vont être regroupées dans un vecteur définissant l’utilisateur.

                Ce scénario présente la première phase de notre travail.

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_16]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_17]

                Source: URL

                Figure 11 : Diagramme de séquence système «Test de Felder».

                Scénarios 1.2 «calcul des caractéristiques (à partir des de la navigation)»

                Calculer les caractéristiques de l’utilisateur

                Pour chaque utilisateur, on calcule quelques caractéristiques retirées de son parcours d’apprentissage. Ces caractéristiques calculées en plus de celles du test de Felder nous aident à classifier ces utilisateurs pour connaître leur nouveau style une fois reconnectés et parcourant un cours.

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_18]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_19]

                Source: URL

                Figure 12 : Diagramme de séquence système «Extraire des caractéristiques».

                Scénarios 1.3 «recommandation d’un parcours»

                Description textuelle

                Ce scénario correspond à :

                • Connexion
                • Calcul des caractéristiques
                • Estimation de nouveau style d’apprentissage par l’algorithme inférence-évaluation-activité
                • Association des nouvelles ressources à l’utilisateur selon le nouveau style d’apprentissage estimé.

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_20]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_21]

                Source: URL

                Figure 13 : Diagramme de séquence système «recommandation d’une ressource».

                Scénarios 3.1 «inscription»

                Description textuelle

                Ce scénario correspond à :

                • Demander d’inscrire
                • Remplir le formulaire
                • Valider
                • Sauvegarder les informations remplies dans la base

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_22]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_23]

                Source: URL

                Figure 14 : Diagramme de séquence système «Inscription».

                Scénarios 3.2 «connexion»

                Description textuelle

                Ce scénario correspond à :

                • l’identification
                • Vérification d’identifiant.
                • Utilisateur connecté

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_24]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_25]

                Source: URL

                Figure 15 : Diagramme de séquence système «connexion».

                Diagramme de classe

                Le diagramme de classe a été réalisé pour représenter les concepts importants de l’application et leurs associations. Il contient sept classes représentées dans la figure ci-dessous.

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_26]

                Source: URL

                [4_applications-pratiques-des-reseaux-bayesiens-pour-education_27]

                Source: URL

                Figure 16 : Diagramme de classe du système.

                Description des classes :

                Classe Utilisateur :

                Les utilisateurs ce sont les personnes qui utilisent le système et dans notre cas c’est : L’apprenant et l’administrateur. Chaque utilisateur est défini dans le système par les informations suivantes :

                Nom d’utilisateur, mot de passe, Nom, Prénom, adresse email.

                L’utilisateur se connecte au système en fournissant leur nom d’utilisateur et mot de passe.

                Classe Apprenant:

                La classe Apprenant hérite de la classe père (Utilisateur) et est caractérisée par les attributs suivants : IDApprenant, Catégorie.

                L’apprenant peut se connecter et accéder au service du système, Déconnecter () pour quitter le système, suivre des contenus d’apprentissage (des cours, test d’évaluation).

                Classe Administrateur:

                Le rôle de l’administrateur est :

                  • Gérer les comptes.
                  • Gérer les traces.
                  • Modérer les contenus d’apprentissage (des cours, des tests d’évaluations).

                Un administrateur est caractérisé par des attributs et des méthodes suivantes :

                  • L’attribut : IDAdministrateur
                  • Les méthodes : Gestion des comptes, Gestion des traces, Gestion des cours.

                Classe Contenu d’apprentissage :

                La classe Contenu d’apprentissage collecte toutes les informations nécessaires (cours, td, TP, test d’évaluation) pour la formation des apprenants.

                La classe est caractérisée par les attributs suivants : IDCours, NomduCours, lienemplacement.

                Classe Cours:

                La classe Cours est caractérisée par les attributs suivants : IDCours, NomduCours, lienemplacement.

                Cette classe est constituée d’un ensemble d’unités d’apprentissage Unité, et pour chaque unité est associée plusieurs parties.

                Classe TestEvaluation :

                La classe TestEvaluation est caractérisée par les attributs suivants : IDTestEvaluation.

                Cette classe contient des séries QSM d’évaluation. Qui l’apprenant doit répondre à la fin de chaque séquence pédagogique.

                Classe recommandation :

                La classe recommandation est caractérisée par les attributs suivants : IDCours, IDApprenant, lDRecommandation

                C’est une relation entre deux classes l’apprenant et le cours. Leur fonction est d’orienter l’apprenant vers un cours selon leur nouveau style d’apprentissage estimé par le réseau bayésien.

                Classe Estimation

                C’est une classe association qui est identifiée par : IDEstimation, la méthode Inférence détermine qu’un apprenant n’avait pas de difficulté dans le test d’évaluation et qu’il n’est pas besoin des recommandations par contre la méthode intervient dans le cas d’échec et montre qu’il faut recommander aux apprenants les ressources pertinentes adéquates à leur style d’apprentissage et équivalent à leurs préférences.

                CONCLUSION

                Dans ce chapitre, nous avons présenté la conception générale et détaillée de l’architecture globale de notre système. Le modèle de connaissances est utilisé pour séquencer les objectifs d’apprentissage alors que le modèle de préférences est utilisé pour estimer le style d’apprentissage de l’élève et inférer ses préférences pédagogiques. En effet, il en hérite la structure des dépendances. Cette structure a été complétée pour établir un modèle probabiliste. À la base de ce modèle, nous avons établi l’architecture de notre système adaptatif.

                Le fonctionnement de chaque étape est exposé par une description textuelle, enrichie ensuite par des diagrammes du cas d’utilisation.

                Cette phase va nous permettre d’aboutir à la phase de réalisation qui fera l’objet d’étude du chapitre suivant.

                ________________________

                23 Référence à compléter.

                29 Référence à compléter.

                28 Référence à compléter.

                32 Référence à compléter.

                27 Référence à compléter.

                25 Référence à compléter.

                24 Référence à compléter.

                26 Référence à compléter.

                30 Référence à compléter.

                31 Référence à compléter.


                Questions Fréquemment Posées

                Comment le test de Felder est-il utilisé dans la détection du style d’apprentissage ?

                La première phase est la détection du style d’apprentissage initial en utilisant le test de Felder, où chaque élève répond à des questions liées aux nouvelles connaissances qui présentent les quatre dimensions de style d’apprentissage initial.

                Quels sont les objectifs de la conception d’un système de recommandation basé sur les réseaux bayésiens ?

                L’objectif est d’implémenter une approche qui permet de rendre le système de recommandation plus performant et plus précis, offrant des recommandations personnalisées adaptées aux préférences des apprenants.

                Quelles sont les trois phases de la méthodologie de suivi des étudiants dans leur apprentissage ?

                Les trois phases incluent la détection du style d’apprentissage initial, l’extraction des caractéristiques en observant les comportements de l’utilisateur, et la classification utilisant le réseau bayésien pour retrouver le nouveau style d’apprentissage de l’apprenant.

Rechercher
Télécharger ce mémoire en ligne PDF (gratuit)

Laisser un commentaire

Votre adresse courriel ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Scroll to Top