Méthodes d’apprentissage automatique pour la modélisation de l’élève en algèbre

par David Renaudie

Thèse de doctorat en Intelligence, connaissance et inférence

Sous la direction de Mirta B. Gordon et de Gilles Bisson.

Soutenue en 2005

à Grenoble, INPG .

    mots clés mots clés


  • Résumé

    La conception d’EIAH (Environnements Informatiques d’Apprentissage Humain) s’adaptant aux difficultés des élèves, nécessite le développement de mécanismes automatiques capables de diagnostiquer leurs connaissances à partir de l’observation de leur activité. Dans cette thèse, une base de données a été constituée, à partir de traces de comportements d’élèves résolvant des exercices d’algèbre dans le micromonde Aplusix. Notre travail consiste à extraire automatiquement des régularités comportementales de cette base, dans le but d’aider à la conception d’un tuteur artificiel. Pour cela, nous utilisons des méthodes d’apprentissage machine permettant de détecter des similarités dans les données, et proposons deux approches de modélisation complémentaires. D’une part, nous identifions des groupes d’élèves ayant des comportements homogènes pour un exercice donné, à l’aide d’un algorithme de classification non supervisée. D’autre part, en se plaçant dans un cadre théorique de représentation des connaissances, nous mettons en évidence des régularités d’actions dans l’ensemble de la production de chaque élève. Cette caractérisation individuelle obtenue à l’aide d’un algorithme de généralisation symbolique peut servir de support à une remédiation adaptée.


  • Pas de résumé disponible.

  • Titre traduit

    Machine learning methods for student modelling in algebra


  • Résumé

    Building an Intelligent Tutoring System which adapts to student difficulties, needs to develop automatic tools that diagnose their knowledge level. This work is based on a database containing behaviours of students, who are learning algebra with the Aplusix software. We aim at automatically extracting behavioural regularities from this database, in order to support the developpement of an intelligent tutor. To achieve this goal, we apply machine learning methods that detect similarities in datasets, and we propose two distinct approaches to student modelling issues. One one hand, we identify clusters of students that share behavioural similarities on a given exercise, with an unsupervised clustering algorithm. On the other hand, an analysis of procedural regularities in the production of each student, inspired from a theoretical framework of knowledge representation and based on a symbolic learning algorithm, leads to individual models that could be used for adapted remediation.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 160 p.
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 137-145

Où se trouve cette thèse ?

  • Bibliothèque : Service interétablissements de Documentation (Saint-Martin d'Hères, Isère). Bibliothèque universitaire de Sciences.
  • Non disponible pour le PEB
  • Cote : TS05/INPG/0008
  • Bibliothèque : Service interétablissements de Documentation (Saint-Martin d'Hères, Isère). Bibliothèque universitaire de Sciences.
  • Disponible pour le PEB
  • Cote : TS05/INPG/0008/D
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.