Description
Date depot: 6 avril 2022
Titre: Système intelligent de décision de feedbacks au sein de plateformes d’apprentissage humain : une approche apprentissage par renforcement
Directrice de thèse:
Vanda LUENGO (LIP6)
Encadrante :
Amel YESSAD (LIP6)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé: Ce projet de recherche doctoral traite de la problématique de la décision du feedback le plus adapté aux caractéristiques de l’élève, de l’état de sa résolution, de l’exercice et d’autres attributs de l’environnement qui sont à définir. Il s’agit, de déterminer quel feedback est adapté pour un élève afin de lui permettre une progression optimale dans son parcours d’apprentissage. Ce problème de décision des feedbacks adaptatifs peut être modélisé comme un problème de décision dans l’incertain puisque les données sur l’état de l’environnement (l’élève, la résolution de l’élève, les caractéristiques de l’exercice etc.) sont imprécises, bruitées et incertaines. La décision est également incertaine due à l’absence de consensus entre les experts en didactique sur le feedback le plus adapté dans une situation de résolution de problèmes donnée.
Le travail de thèse s’appuiera sur les travaux menés dans le cadre du projet MindMath (FUI, 2017-2021) et qui ont permis d’explorer différentes pistes de recherche. Nous travaillerons sur la décision des feedbacks adaptatifs en adaptant des algorithmes d’apprentissage par renforcement. Plusieurs travaux (He-Yueya and al., 2021, Efremov et al., 2020, Bassen and al. 2020, Chi and al. 2011, Doroudi et al. 2019) ont montré l’intérêt de l'apprentissage par renforcement pour l'élaboration de politiques pédagogiques, car les modèles d’apprentissage par renforcement peuvent apprendre des relations complexes et souvent latentes entre les tâches pédagogiques, les actions des élèves et leurs acquis en termes de connaissances.
Il s’agit ici d’apprendre une politique de décision de feedbacks qui maximise les gains d’apprentissage des élèves. La modélisation du problème et le choix de la fonction de récompense sont déterminants. Un travail important d’explicitation des connaissances des experts en didactique est nécessaire en amont de l’apprentissage automatique du modèle de décision sur les données des élèves. Nous faisons l’hypothèse que l’association entre des connaissances symboliques issues de l’expertise humaine et des connaissances apprises implicitement par l’algorithme de renforcement permettrait une décision des feedbacks, d’une part, mieux adaptée aux élèves et facilitant leur progression dans le domaine à enseigner et, d’autres part, explicable pour les enseignants.
Des algorithmes d’apprentissage par renforcement seront utilisés pour apprendre certains paramètres de la décision des feedbacks qui sont difficiles à déterminer par les experts et qui probablement dépendent du profil des élèves et leur rapport à la matière enseignée.
L’agenda du travail de thèse sera le suivant :
• Réaliser un état de l’art exhaustif des algorithmes et des techniques de l’intelligence artificielle utilisés pour décider des feedbacks,
• Adapter et tester différents algorithmes d’apprentissage par renforcement (Qlearning, Bandit manchot, etc.),
• Modéliser une fonction de récompense adaptée et apprendre une politique décisionnelle adaptée au contexte des plateformes d’apprentissage humain,
• Evaluer la solution proposée, vis-à-vis, d’autres solutions de l’état de l’art et sur des corpus de données différents.
Contexte du projet de recherche doctoral
Ce projet de recherche doctoral a pour objectif de travailler sur un système de décision adaptative de feedbacks à destination d’élèves au sein de plateformes d’apprentissage humain (par ex. pour l’enseignement des mathématiques ou de la pensée informatique). Dans une plateforme d’apprentissage, l’élève réalise des exercices, organisés au sein de parcours, durant lesquels il bénéficie de feedbacks. La production des exercices, des parcours et la décision des feedbacks sont fondés épistémologiquement et didactiquement. C’est sur la dimension feedbacks adaptatifs que nous centrons ce projet doctoral.
Nous considérons un feedback comme toute décision prise par le système (aides, rappel de cours, tests, exercices à faire, etc.) et qui permet à élève de progresser et d’améliorer sa maîtrise des concepts du domaine à enseigner (Hattie et al., 2007). Nous travaillerons en particulier sur l’aide « à la prochaine étape […] qui implique que le système de décision puisse identifier la solution travaillée par l’élève pour le guider vers la prochaine action à poser » (Tessier-Baillargeon et al., 2017) tels que définis dans plusieurs travaux (Aleven, 2013) (Efremov et al., 2020). Il existe de multiples approches pour décrire et catégoriser les feedbacks. Par exemple, Leibold & Schwarz (2015) signalent quatre types de feedbacks selon la nature des informations qu’ils contiennent (feedback correctif - feedback épistémique - feedbacks suggestif - feedback épistémique et suggestif).