Maximisation de l'engagement des étudiants grâce à des recommandations basées sur l'effort
Auteur / Autrice : | Barbara Moissa |
Direction : | Anne Boyer, Geoffray Bonnin |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 06/12/2021 |
Etablissement(s) : | Université de Lorraine |
Ecole(s) doctorale(s) : | École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine |
Partenaire(s) de recherche : | Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications |
Jury : | Président / Présidente : Davy Monticolo |
Examinateurs / Examinatrices : Anne Boyer, Geoffray Bonnin, Julien Broisin, Agathe Merceron, Leandro Krug Wives | |
Rapporteurs / Rapporteuses : Julien Broisin, Agathe Merceron |
Mots clés
Résumé
L’exploitation des données est un phénomène croissant qui est présent dans différents scénarios, y compris le scénario éducatif, où il tient la promesse de faire progresser notre compréhension et d’améliorer le processus d’apprentissage. De cette promesse a émergé le domaine de recherche sur l’analyse de l’apprentissage qui tire idéalement parti de la technologie et des théories éducatives pour exploiter les données éducatives. Sur le plan technologique, nous nous intéressons aux systèmes de recommandation car ils peuvent aider les étudiants, les enseignants et les autres parties prenantes à trouver les meilleures ressources d’apprentissage, et ainsi atteindre leurs objectifs d’apprentissage et développer des compétences en moins de temps. Sur le plan théorique, nous nous intéressons à la technique d’influence sociale pied-dans-la-porte, qui consiste en faire des demandes consécutives avec un coût croissant. Cette technique semble particulièrement pertinente dans le contexte éducatif car elle peut non seulement être formalisée dans un système de recommandation, mais elle est également compatible avec la zone de développement proximal qui stipule que le défi présenté par les ressources d’apprentissage doivent augmenter progressivement afin de garder les étudiants motivés. Cependant, nous ne savons pas comment l’application de cette technique via des recommandations peuvent influencer les étudiants. Par conséquent, dans cette thèse, nous étudions ces influences en supposant que l’effort des étudiants est un bon indicateur du coût des demandes, car non seulement chaque activité d’apprentissage nécessite un certain niveau d’effort, mais il est souvent cité comme un facteur clé pour la réussite des étudiants. Pour cela, nous avons modélisé la mesure et la prédiction de l’effort des étudiants grâce à des modèles d’apprentissage automatique utilisant des données pouvant être utilisées dans la vie réelle, et les avons exploitées afin d’appliquer explicitement la technique du pied-dans-la-porte dans un système de recommandation. Nos résultats montrent que, par rapport aux modèles de recommandation qui ne formalisent pas cette technique, les modèles de recommandation proposés ont une influence positive sur l’effort, la conformité, la performance et l’engagement des étudiants. Cela suggère que cette approche a le potentiel d’améliorer le processus d’apprentissage, car les élèves présenteront les comportements susmentionnés.