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

by David Renaudie

Doctoral thesis in Intelligence, connaissance et inférence

Under the supervision of Mirta B. Gordon and Gilles Bisson.

defended on 2005

in Grenoble INPG .

  • Alternative Title

    Machine learning methods for student modelling in algebra


  • Abstract not available

    keywords keywords


  • Abstract

    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.


  • Abstract

    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.

Consult library

Version is available as a paper

Informations

  • Details : 1 vol. (160 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 137-145

Where is this thesis?

  • Library : Service interétablissements de Documentation (Saint-Martin d'Hères, Isère). Bibliothèque universitaire de Sciences.
  • Unvailable for PEB
  • Odds : TS05/INPG/0008
  • Library : Service interétablissements de Documentation (Saint-Martin d'Hères, Isère). Bibliothèque universitaire de Sciences.
  • Available for PEB
  • Odds : TS05/INPG/0008/D
See the Sudoc catalog libraries of higher education and research.