Maximisation de l'engagement des étudiants grâce à des recommandations basées sur l'effort

Maximizing students' engagement through effort-based recommendations

• 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
• Jury : Examinateurs / Examinatrices : Anne Boyer, Geoffray Bonnin, Julien Broisin, Agathe Merceron, Leandro Krug Wives
• Jury : Rapporteurs / Rapporteuses : Julien Broisin, Agathe Merceron

Mots clés

Mots clés contrôlés

Étudiants

Engagement (psychologie)

Charge cognitive

Apprentissage

Systèmes de recommandation (informatique)

Analyse des données

Mots clés libres

Analyse de l’apprentissage

Systèmes de recommandation

Charge cognitive

Effort des étudiants

Engagement des étudiants

Données multimodales

Learning Analytics

Recommendation systems

Cognitive load

Students’ effort

Students’ engagement

Multimodal data

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.

Data exploitation is a growing phenomenon that is present in different scenarios, including the educational scenario, where it holds the promise of advancing our understanding and improving the learning process. From this promise emerged the learning analysis research field that, ideally, takes advantage of technology and educational theories to explore the educational data. On the technological side, we are interested in recommendation systems because they can help students, teachers and other stakeholders to find the best learning resources and thus achieve their learning goals and develop competencies in less time. On the theoretical side, we are interested in the social influence technique foot-in-the-door, which consists in making consecutive requests with an increasing cost. This technique seems particularly relevant to the educational context because it can not only be formalized into a recommendation system, but it is also compatible with the zone of proximal development that states that the challenge presented by the learning resources need to increase gradually in order to keep students motivated. However, we do not know to what extent explicitly applying this technique via recommendations can influence students. Therefore, in this thesis, we investigate such influences assuming that students’ effort is a good indicator of the cost of the requests, since not only every learning activity requires a certain level of effort and, but it is often cited as a key factor for students’ success. For this, we modeled the measurement and prediction of the students’ effort through machine learning models using data that can be used in real life and exploited it in order to explicitly apply the foot-in-the-door technique in a recommendation system. Our results show that, compared to recommendation models that do not formalize this technique, the proposed recommendation models have a positive influence on the students’ effort, compliance, performance and engagement. This suggests that this approach has the potential to improve the learning process as students will present the aforementioned behaviors.