Projet de recherche doctoral numero :4290

Description

Date depot: 1 janvier 1900
Titre: Analyse de traces d'interactions et d'apprentissage de MOOCs pour une adaptation aux profils des apprenants
Directrice de thèse: Vanda LUENGO (LIP6)
Encadrant : François BOUCHET (LIP6)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini

Resumé: Les cours en ligne ouverts et massifs (ou massive open online course – MOOC) se sont fortement implantés dans le paysage pédagogique depuis leur apparition à la fin des années 2000, notamment grâce à l’appui à certains d’entre eux de plusieurs universités américaines prestigieuses à partir de 2012 : Udacity (Stanford), Coursera (Stanford, Princeton, University of Michigan, UPenn) et edX (MIT et Harvard). De nombreux travaux mettent en avant l'existence de catégories d'apprenants fondées sur différents critères : leur performance, leur risque de décrochage (un problème récurrent de la plupart des MOOCs, où environ 10 % seulement des inscrits valident [1] [2] ), leur degré d’interactions avec les autres [3] , leurs traits de personnalité, leur motivation [4] … Ces analyses, souvent réalisées a posteriori, ne sont donc pas directement utilisables autrement que pour des améliorations itératives des MOOCs. Pour aller au-delà, il est donc nécessaire de s’intéresser à : 1) l’identification de ces profils d’apprenants pendant une session de MOOC en cours, 2) l’utilisation de ces profils pour améliorer l’expérience des apprenants, la remontée des informations à l’équipe enseignante et la mise en place de stratégies d’aides automatiques ou semi-automatiques (validées par l’enseignant) adaptées à chaque profil. A partir de l’analyse de données réelles recueillies au sein de MOOCs passés (logs de navigation, questionnaires, interactions langagières entre participants…), les objectifs de la thèse sont : (1) proposer et tester sur la base des données déjà existantes différents algorithmes permettant d’établir des profils d’apprenants selon différents critères (inclusion sociale, avancement, décrochage…), (2) implémenter différentes stratégies d’intervention aux moments opportuns pour optimiser l’expérience d’apprentissage (incitation à participer aux forums, travail en groupe, suggestion de ressources…), (3) tester et évaluer la performance de ces algorithmes en situation réelle au sein d’un MOOC pour mesurer leur impact, (4) répliquer l’approche développée sur un MOOC/une plate-forme dans un autre contexte pour tester sa généralisabilité. Cette thèse s’inscrit dans le prolongement du projet GroupMOOC qui s’intéresse plus spécifiquement à des méthodes d’identification d’étudiants ayant des profils similaires ou complémentaires pour les associer au sein de petits groupes ou binômes [5] . Cette stratégie particulière fera partie des stratégies à étudier plus en profondeur dans le contexte de cette thèse. L’utilisation d’agents pédagogiques intervenant à des moments opportuns sera également envisagée.



Doctorant.e: Harrak Fatima