Modélisation probabiliste du style d'apprentissage et application à l'adaptation de contenus pédagogiques indexés par une ontologie

par Christophe Piombo

Thèse de doctorat en Informatique

Sous la direction de Alain Ayache.

Soutenue en 2007

à Toulouse, INPT .


  • Résumé

    Cette thèse s'inscrit dans le cadre des systèmes d'enseignement adaptatifs. La problématique traitée est l'adaptation de l'activité pédagogique au mode d'apprentissage préféré de l'élève. Les travaux réalisés ont eu pour objectifs de modéliser les préférences d'apprentissage de l'élève et les contenus pédagogiques du domaine à enseigner, puis de proposer une stratégie d'adaptation. Une étude empirique pour établir un modèle de dépendance entre style d'apprentissage, pédagogie, et comportement de l'élève a été réalisée. Les résultats ont permis d'établir un modèle de préférences probabiliste. Deux implantations sont proposées : un réseau bayésien et une machine à vecteurs de support. Le contenu quant à lui est modélisé en utilisant une ontologie combinant le domaine, la pédagogie, ainsi que les ressources physiques. Une stratégie d'adaptation s'appuyant sur une mesure de similarité sémantique est établie. Ce travail a eu un impact sur deux projets européens : UP2UML et KPLAB.

  • Titre traduit

    Probabilistic modelinf of learning style and application to the adaptation of learning content indexed by an ontology


  • Pas de résumé disponible.


  • Résumé

    This thesis deals with adaptive teaching systems. The research question is how to adapt pedagogical activities to the preferred learning mode of a student. The scientific objectives are the modelisation of student’s learning preferences and adaptive learning contents of a given domain first and next establishing an adaptation strategy. An empirical study to derive a dependency model between the style, the pedagogy, and the student behaviour has been conducted. Results led to creating a probabilistic preference model. Two implementations are proposed: a bayesian network and an SVM classifier. The content is represented using an ontology that combines the domain, the pedagogy, and the physical resources. An adaptation strategy based on an original semantic similarity measure is established. This work significantly impacted two European research projects UP2UML and KPLAB.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (327 p.)
  • Annexes : Bibliogr. p. 235-255

Où se trouve cette thèse ?

  • Bibliothèque : Ecole nationale supérieure d'électrotechnique, d'électronique, d'informatique, d'hydraulique et des télécommunications. Bibliothèque centrale.
  • Disponible pour le PEB
  • Cote : 07INPT041H/2
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.