Ce modèle de recommandation bayésien révèle comment adapter l’apprentissage aux styles individuels des utilisateurs dans un réseau social éducatif. Découvrez les trois phases clés de cette conception innovante et comment elles peuvent transformer l’expérience d’apprentissage.
Université Badji Mokhtar – Annaba
Faculté des Sciences de l’Ingénieur
Département d’Informatique
Master II ; Réseaux et Sécurité Informatique
Mémoire de fin d’études
Présenté en vue de l’obtention du diplôme de Master
Filière : Informatique
Spécialité : Réseaux et Sécurité Informatique
Conception d’un système de recommandation basée sur les réseaux bayésien pour un réseau social d’apprentissage
Présenté par : Terfaya Kheireddine
Membre de Jury:
| Membre de Jury | |
|---|---|
| Nom | Rôle |
| Taleb Nora (M.C.A) | Président |
| Mahnane Lamia (M.C.B) | Encadreur |
| Merzougui Warda (M.A.A) | Examinateur |
Année universitaire: 2015 / 2016
Résumé
Les systèmes de recommandation des ressources sont devenus, à l’instar des moteurs de recherche, un outil incontournable pour tout site Web focalisé sur un certain type d’articles disponibles dans un catalogue riche, que ces articles soient des objets, des produits culturels, des éléments d’information ou encore simplement des pages.
Dans ce contexte, le travail réalisé porte sur la conception d’un modèle à base de traces, donc nous allons essayer de suivre l’utilisateur pour la détection du style d’apprentissage de l’apprenant et l’adaptation du cours suivant son style. Puisque ce dernier est une caractéristique changeable au cours d’une formation. Donc, l’objectif de cet mémoire consiste à suivre les apprenants dans leur apprentissage et qui passe par trois phases : la première est le test de Felder pour la détection du style d’apprentissage initiale puis en
deuxième phase le prétraitement des données pour extraire les différentes caractéristiques en observant les différents comportements de l’utilisateur au cours d’une formation puis à la fin et en utilisant le réseau bayésien pour changer les caractéristiques de ce dernier pour avoir le nouveau style d’apprentissage.
Mots-clés: style d’apprentissage, réseaux bayesien, recommandation.
Abstract
Resource of recommendation systems have become, like engines research, an essential tool for any website focused on a certain type of items available in a catalog, These items are objects, cultural products, some information or simply pages. In this context the work involves the design of a trace-based model, so we will try to follow the user to detect the learning style learner and adaptation of the course according to his style.
Since the latter is a changeable characteristic during a training. So the objective of this memory is to follow the students in their learning and passes through three stages: the first is the Felder test for the detection of learning styles Initial then second phase data preprocessing to extract the different characteristics observing different behaviors of the user during training and at the end and using the Bayesian network to change the characteristics of the latter for the new learning style.
Keywords: style of apprentissage, Bayesian network, recommendation.
ملخص
أصبحت نظم التوصية والتوجيه، مثل لمحركات البحث، و أداة أساسية لأي موقع وأب يركز على نوع معين من المقالات، هذه المقالات قد تكون موضوع، أو بعض المعلومات أو ببساطة مجرد صفحات. في هذا السياق ينطوي العمل على تصميم نموذج قائم على أثر، لذلك سنحاول تتبع المستخدم للكشف عن أسلوب التعلم لطالب و تكييف الدروس وفقا لأسلوبه. لأن هذا الأخير هو سمة للتغيير خلال التدريب. وبالتالي فإن الهدف من هذه المذكرة هو إتباع الطلاب في تعلمهم حيت تقوم هده
الأخيرة على ثلاث مراحل : الأولى هي اختبار فليدر للكشف عن نمط التعلم الأولي لطالب ثم نمر للمرحلة الثانية التي تقوم
على المعالجة الأولية للبيانات من اجل استخراج مختلف الخصائص و ذلك من خلال مراقبة سلوكيات المستخدم أثناء
التدريب أما المرحلة الأخيرة سنقوم باستخدام شبكة النظرية الافتراضية لتغيير خصائص هذا الأخير لأسلوب تعلم جديد.
شبكة النظرية الافتراضية, نظم التوصية .
أسلوب التعلم,
كلمات البحث :
Sommaire
Remerciements.
Liste des figures.
Liste des tableaux.
Résumés.
Introduction générale……………………………………………… 1
Chapitre 1: Les réseaux sociaux
Introduction…………………..…………………………………………….. 4
Le Web 2.0…………………………………………………………………… 4
Qu’est-ce qu’un réseau social ? ……………………………………………. 5
Pourquoi s’inscrire sur un réseau social ? …………………………….….. 6
Comment se présente un réseau social ? …………………………………. 7
Les caractéristiques des réseaux sociaux………………………………….. 7
Les architectures des réseaux sociaux…………………………………….. 9
Architecture centralisée …………………………………………………… 9
Les architectures décentralisées………………………………………….. 10
Les principaux réseaux sociaux……………………………………………. 11
E-learning via les réseaux sociaux ………………………………………… 13
Facebook …………………………………………………………………. 13
Twitter……………………………………………………………………. 13
Plateforme social Learning ……………………………………………….. 14
Les secrets des réseaux sociaux………….……………………………….. 14
Les réseaux sociaux et l’attraction publique…………………………… 14
Les inconvenants des réseaux sociaux……………………………………. 16
Conclusion…………………………………………………………………. 17
Chapitre 2: Présentation des approches d’appui
Introduction……………………………………………………………. 18
La définition du style d’apprentissage…………………………………….. 19
Quelques modèles de styles d’apprentissage……………………………… 19
Styles d’apprentissage et enseignement …………………………………… 22
L’application des techniques de datamining dans les systèmes d’apprentissage………………………………………………………………… 24
Réseaux Bayésien ……………………………………………………….. 24
Définition formelle des réseaux bayésiens …………………………………. 25
Définitions supplémentaires ………………………………………….. 25
Domaines d utilisation principaux ……………………………………. 26
Pourquoi les réseaux bayésiens? ……………………………………… 26
Conclusion……………………………………………………………….. 27
Chapitre 3 : Conception d’un réseau sociale pour l’enseignement et l’apprentissage
Introduction ……………………………………………………………. 28
Objectifs…………………………….…………………………………….. 28
L’architecture du système……………………………………… 29
Première phase : Détection du style d’apprentissage…………………. 30
Mesure du style d’apprentissage : Questionnaire ILS……………. 30
Mesure de l’étude……………………………………………………. 31
Deuxième phase : Extraction des caractéristiques……………………. 33
Méta-modèle conceptuel du processus de profilage ………………….. 34
Troisième phase : Classification 35
Structure du réseau ………………………………..…………………… 36
Variable observables……………………………………………… 36
Le comportement du l’apprenant……………………………….. 36
Les variables Non observables………………………………….. 37
Les dépendances entre ces variables…………………………… 38
Inférence…………………………………………………………. 38
Identification et représentation de cas d’utilisation……………………. 40
Construction d’un diagramme de cas d’utilisation…………………….. 40
Les acteurs…………………………………………………………… 40
Les cas d’utilisations………………………………………………… 40
Les associations entre les cas d’utilisations et les acteurs…………… 41
Description et représentation des Scénarios……………………………. 41
Identification des scénarios………………………………………….. 41
Le scénario du système………………………………………………. 42
Diagramme de class……………………………………………………….. 48
Description des classes………………………………………………….. 49
Conclusion…………………………………………………… 51
Chapitre 4 : Implémentation et Présentation de l’application
Introduction 52
Environnement de travail………………………………………………….. 53
Partie matérielle…………………………………………………………… 53
Partie logicielle…………………………………………………………… 53
Le déroulement de notre système…………………………………………. 56
Partie site web……………………………………………………………. 56
Partie de réseau bayésien………………………………………………… 66
Les données…………………………………………………………… 66
Prétraitement…………………………………………………………. 67
Datamining……….…………………………………………………….. 67
Évaluation 70
Conclusion………………………………………………………………… 70
Conclusion générale ………………………………………………………… 71
Bibliographie annexe
Introduction générale
Depuis que l’Internet a été adopté et développé comme un moyen de communication par les établissements d’enseignement dans les années 1970, les universitaires ont eu connaissance de son énorme potentiel comme outil d’apprentissage [1].
Dans l’évaluation de l’apprentissage, nous devons considérer que les étudiants pourraient avoir différents besoins et caractéristiques individuelles telles différents niveaux d’expertise et les connaissances préalables, les capacités cognitives, les styles d’apprentissage, la motivation, ainsi de suite. C’est pourquoi, il est nécessaire de rassembler ces ensembles d’informations sur l’apprenant, afin que l’enseignant ait un bilan de l’utilisation du système d’apprentissage, pour assurer l’individualisation de la formation et son amélioration.
Pour atteindre cet objectif, de nombreuses recherches se sont orientées vers l’analyse du comportement de l’apprenant à partir de l’interprétation des informations recueillies pendant la session d’apprentissage [9] appelées « traces ». L’exploitation de ces traces, définies comme une séquence temporelle d’observés, fournit des « connaissances sur l’activité » que nous appelons « caractéristiques ».
Problématique
De nos jours, un réseau social est un terme désignant un site internet permettant à l’internaute de s’y inscrire et d’y créer une carte d’identité virtuelle appelée généralement « profil ».
Un réseau est dit social lorsqu’il permet un échange avec d’autres membres inscrits sur le même réseau. Les internautes peuvent le plus souvent envoyer des messages publics mais aussi privés, publier des photos et vidéos, partager leurs opinions en postant un statut parlant de leur humeur du jour ou organiser des évènements sur leur page.
Dans les réseaux sociaux, les utilisateurs subissent une surcharge informationnelle liée à la multitude de ressources présentes dans le système et une surcharge d’interactions liée à la multitude de relations sociales. Pour répondre à ce problème, nous proposons de ne recommander aux utilisateurs que des ressources pertinentes en se basant sur les techniques de datamining plus précisément le réseau bayésien.
Malgré les avantages qu’apportent ces systèmes d’apprentissage, ils se heurtent à plusieurs problèmes sur différents plans :
- Du côté du formateur, pas de contacts directs avec l’apprenant ainsi que le passage d’une communication majoritairement orale à écrite.
- La problématique consiste donc à inférer diverses informations et caractéristiques sur l’utilisateur à partir des traces de navigation (liens, suivis, clics, etc.) pour déterminer son style d’apprentissage qui nous aidera à adapter son parcours.
Contributions
Les systèmes de recommandation des ressources sont devenus, à l’instar des moteurs de recherche, un outil incontournable pour tout site Web focalisé sur un certain type d’articles disponibles dans un catalogue riche, que ces articles soient des objets, des produits culturels, des éléments d’information ou encore simplement des pages.
Le but des systèmes de recommandation est de prédire l’affinité entre un utilisateur et un article, en se fondant sur un ensemble d’informations déjà acquises sur cet utilisateur et sur d’autres, ainsi que sur cet article et sur d’autres.
Dans ce contexte, le travail réalisé porte sur la conception d’un modèle à base de traces, donc nous allons essayer de suivre l’utilisateur pour la détection du style d’apprentissage de l’apprenant et l’adaptation du cours suivant son style [3]. Puisque ce dernier est une caractéristique changeable au cours d’une formation [4]. Nous avons choisi les réseaux bayésiens pour changer ces caractéristiques pour avoir le nouveau style d’apprentissage. Et pour modéliser la dépendance entre la nature de la tâche, le style d’apprentissage et l’approche pédagogique.
Les travaux de cette mémoire ont abouti aux contributions scientifiques suivantes :
- Une étude empirique montrant la dépendance entre les variables observables qui décrivent les activités d’évaluation, et le comportement des apprenants, et les variables non observables le style d’apprentissage, qui représente les dimensions du style d’apprentissage.
- Un réseau bayésien pour estimer par renforcement le style d’apprentissage et recommander les ressources pertinentes de la séquence pédagogique adaptée.
Plan de travail
En plus de cette introduction générale, ce mémoire est structuré en cinq chapitres.
Nous conseillons une lecture linéaire des chapitres. Une conclusion générale revient sur les limitations de nos travaux et les perspectives que nous en déduisons pour nos futures recherches. Un aperçu du contenu de chaque chapitre est donné ci-après.
Chapitre 1 : Les réseaux sociaux
Ce chapitre présente un aperçu sur les réseaux sociaux. Nous expliquerons qu’est-ce qu’un réseau social et leurs influences sur la société humaine.
Chapitre 2 : Présentation des approches d’appui (style d’apprentissage, bayésien)
Ce chapitre présente un aperçu sur l’approche de notre modèle. Nous expliquerons ce en quoi ils consistent le style d’apprentissage, le réseau bayésien et on donnera quelques exemples intuitifs afin d’en illustrer le fonctionnement. Nous fournirons également certaines définitions et règles de base les concernant. Puisqu’il s’agit du domaine de notre application.
Chapitre 3 : Conception d’un réseau social pour l’enseignement et l’apprentissage.
A la base des résultats obtenus au chapitre précédent, le troisième chapitre servira à expliquer la démarche de nos tests, ainsi que la conception de notre modèle, un réseau social pour l’enseignement et l’apprentissage. Il s’agit de détailler les principaux composants et modules qui constituent l’architecture du système.
Chapitre 4 : Implémentation et Présentation de l’application.
Le quatrième chapitre nous illustre la réalisation des concepts les plus importants apparus dans l’architecture de notre modèle à présenter nos résultats (le style d’apprentissage de l’élève).
Au final, ce modeste travail se conclut par la présentation des perspectives futures de ce projet, qui seront appliquées dans les prochaines versions de l’application.
Questions Fréquemment Posées
Qu’est-ce qu’un modèle de recommandation bayésien?
Le modèle de recommandation bayésien est un système qui utilise des réseaux bayésiens pour adapter le cours d’apprentissage selon le style d’apprentissage de l’utilisateur.
Comment le style d’apprentissage est-il détecté dans ce système?
Le style d’apprentissage est détecté à l’aide d’un test de Felder qui identifie le style d’apprentissage initial de l’utilisateur.
Quelles sont les phases de conception du système de recommandation?
La conception du système de recommandation se déroule en trois phases : le test de Felder, le prétraitement des données et l’adaptation du cours selon le nouveau style d’apprentissage.