Personnalisation adaptative de problèmes mathématiques arithmétiques pour élèves de CM1-CM2 à l'aide de grands modèles de langue via ingénierie de prompt.

Adaptive personalization of arithmetic math problems for CM1-CM2 students using large language models through prompt engineering.

• Auteur / Autrice : Ousseynou Gueye
• Direction : Iris Eshkol
• Type : Thèse de doctorat
• Discipline(s) : Sciences du langage : traitement automatique des langues
• Date : Soutenance le 03/12/2024
• Etablissement(s) : Paris 10
• Ecole(s) doctorale(s) : École doctorale Connaissance, langage, modélisation (Nanterre, Hauts-de-Seine ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire MoDyCo (Nanterre)
• Jury : Président / Présidente : Guillaume Desagulier
• Jury : Examinateurs / Examinatrices : Iris Eshkol, Guillaume Desagulier, Didier Schwab, Natalia Grabar, Patrick Paroubek, Damien Nouvel
• Jury : Rapporteurs / Rapporteuses : Didier Schwab, Natalia Grabar
• DOI : 10.70675/02d4566fzc2a9z4602za4eczfc05762e1df6

Mots clés

Mots clés contrôlés

Traitement automatique du langage naturel

Éducation

Génération automatique de textes

Mots clés libres

Traitement automatique des langues

Ingénierie de prompt

Génération automatique

Résolution de problèmes

Technologique éducative

Grands modèles de langues

Natural language processing

Prompt engineering

Automatic generation

Problem-Solving

Educational technology

Large language models

Résumé

Cette thèse en traitement automatique des langues (TAL) explore la personnalisation adaptative de problèmes arithmétiques pour les élèves de CM1-CM2 à l’aide de grands modèles de langue (LLM) via ingénierie de prompt. Elle se base sur des fondements théoriques en pédagogie, didactique, et linguistique.Cette recherche répond à un besoin croissant de mise à disposition d’outils éducatifs permettant d’améliorer la compréhension et l’engagement des élèves, notamment en mathématiques. En constituant un corpus spécialisé de problèmes mathématiques, ce travail analyse les caractéristiques linguistiques influençant la compréhension et la résolution des problèmes. Ces analyses théoriques et méthodologiques ont ensuite été mises en pratique dans le développement de la plateforme Mathify101.Mathify101 est une plateforme web conçue pour générer des problèmes mathématiques personnalisés, adaptés aux besoins des élèves et des enseignants. Elle intègre une méthodologie rigoureuse d’ingénierie de prompt, permettant de personnaliser les problèmes tout en garantissant leur intégrité pédagogique.Les expérimentations menées en milieu scolaire ont montré le potentiel de Mathify101 à améliorer la motivation des élèves et leur maîtrise des concepts arithmétiques fondamentaux. De plus, l’évaluation automatique des problèmes générés a démontré leur conformité aux critères issus du corpus, validant ainsi l’efficacité du modèle proposé.Les résultats de cette thèse soulignent l’importance des approches interdisciplinaires dans les technologies éducatives, en montrant comment les modèles de TAL peuvent être ajustés pour répondre à des objectifs pédagogiques spécifiques. Cette recherche contribue à l’évolution des technologies d’apprentissage adaptatif, en fournissant un cadre pour les développements futurs dans le domaine de l’éducation personnalisée.

This thesis in Natural Language Processing (NLP) explores the adaptive personalization of arithmetic statements for CM1-CM2 students using large language models (LLMs) through prompt engineering. It is based on theoretical foundations in pedagogy, didactics, and linguistics.This work addresses a growing need for educational tools that enhance students' understanding and engagement, especially in mathematics. By building up a specialized corpus of mathematical statements, this work analyzes the linguistic features that influence comprehension and problem-solving. These theoretical and methodological analyses were then put into practice in the development of the Mathify101 platform.Mathify101 is a web platform designed to generate personalized math statements, tailored to the needs of students and teachers. It incorporates a rigorous prompt engineering methodology, allowing statements to be customized while guaranteeing their pedagogical integrity.Experiments carried out in schools have demonstrated Mathify101's potential to improve student motivation and mastery of fundamental arithmetic concepts. Furthermore, automatic evaluation of the statements generated demonstrated their conformity with the criteria derived from the corpus, validating the effectiveness of the proposed model.The results of this thesis highlight the importance of interdisciplinary approaches in educational technologies, showing how NLP models can be adjusted to meet specific pedagogical objectives. This research contributes to the evolution of adaptive learning technologies, providing a solid framework for future developments in personalized education.