Enseignement
Sujet de POM (Projet d'Orientation en Master) - 2026-2027
POM - Mesurer l’impact des données démographiques sur la détection du sentiment de compétences lors de l'utilisation d'un EIAH (logiciel éducatif)
Le sentiment de compétence (ou sentiment d’efficacité personnelle) se définit comme « le jugement que porte une personne sur sa capacité d’organiser et d’utiliser les différentes activités inhérentes à la réalisation d’une tâche à exécuter » [1]. En d’autres termes, il s’agit des croyances des personnes concernant leur compétence à accomplir une tâche avec succès [2]. Ces croyances ont fait l’objet d’un grand nombre de recherches.
Dans le domaine de l’enseignement et de la formation, plusieurs questions se posent [3] : Que sait-on du rôle du sentiment de compétence dans l’apprentissage ? Quelles sont les sources du sentiment de compétence dans le domaine de l’apprentissage formel ? Quelles sont les interventions éducatives possibles afin d’accroître le sentiment de compétence des apprenants ?
Dans le cadre de la thèse en informatique de Maeva Somny [4,5], nous cherchons dans un premier temps à proposer des méthodes de détection du sentiment de compétence des apprenants lorsqu'ils utilisent un EIAH (Environnement Informatique pour l'Apprentissage Humain). Cette détection se fait pour l’instant via l'observation des situations d'apprentissage mais pourrait également se faire lors de la présentation du profil de compétences aux apprenants.
L’objectif du POM est d’analyser la contribution des données démographiques étudiantes à la caractérisation du sentiment de compétence, en s’appuyant sur une prédiction construite uniquement à partir des traces d’interaction et des pratiques des étudiants au sein d’un EIAH.
POM - Détecter le sentiment de compétences lors de l'utilisation d'un EIAH à l’aide de GNN
Le sentiment de compétence (ou sentiment d’efficacité personnelle) se définit comme « le jugement que porte une personne sur sa capacité d’organiser et d’utiliser les différentes activités inhérentes à la réalisation d’une tâche à exécuter » [1]. En d’autres termes, il s’agit des croyances des personnes concernant leur compétence à accomplir une tâche avec succès [2]. Ces croyances ont fait l’objet d’un grand nombre de recherches.
Dans le domaine de l’enseignement et de la formation, plusieurs questions se posent [3] : Que sait-on du rôle du sentiment de compétence dans l’apprentissage ? Quelles sont les sources du sentiment de compétence dans le domaine de l’apprentissage formel ? Quelles sont les interventions éducatives possibles afin d’accroître le sentiment de compétence des apprenants ?
Dans le cadre de la thèse en informatique de Maeva Somny [4,5], nous cherchons dans un premier temps à proposer des méthodes de détection du sentiment de compétence des apprenants lorsqu'ils utilisent un EIAH (Environnement Informatique pour l'Apprentissage Humain). Cette détection se fait pour l’instant via l'observation des situations d'apprentissage mais pourrait également se faire lors de la présentation du profil de compétences aux apprenants.
L’objectif du POM est de mesurer la pertinence et l’efficacité d’une architecture GGN pour analyser les pratiques des étudiants lors de l'usage d'un EIAH afin de caractériser leur sentiment de compétences.
Les GNN sont des réseaux de neurones conçus pour être appliqués à des données d’entrée sous forme de graphes [6]. Puisqu’il est possible représenter une suite d’interactions dans un site web (un EIAH dans notre cas) par un graphe, dans lequel les interactions sont des nœuds, on peut se demander si l’architecture GNN est plus adaptée que d’autres méthodes lors de la tâche de prédiction d’un sentiment de compétence sur la base de l’usage d’un EIAH.
POM - État de l’art sur les règles d’association dans le domaine des EIAH
Les règles d’association constituent une technique d’extraction de connaissances permettant d’identifier des relations fréquentes entre événements ou comportements observés dans des données. Dans le domaine des Environnements Informatiques pour l’Apprentissage Humain (EIAH), elles sont utilisées pour analyser les traces d’apprentissage, détecter des profils d’apprenants et recommander des activités pédagogiques adaptées. Ce projet vise à réaliser un état de l’art des travaux mobilisant les règles d’association dans les EIAH. L’étude portera sur les algorithmes utilisés (Apriori, FP-Growth, etc.), les types de données analysées, les objectifs pédagogiques visés et les résultats obtenus. Une attention particulière sera accordée à l’exploitation des traces d’interaction apprenant-système. Les avantages, limites et défis de ces approches seront également discutés. Enfin, le projet identifiera les perspectives offertes par l’intégration des règles d’association avec les techniques récentes d’intelligence artificielle et d’analytique de l’apprentissage.
[1] Bouffard-Bouchard, T. & Pinard, A. (1988). Sentiment d’auto-efficacité et exercice des processus d’autorégulation chez des étudiants de niveau collégial. International Journal of Psychology, 23, 409-431.
[2] Miller, R.B., Greene, B.A., Montalvo, G.P., Ravindran, B. & Nichols, J.D. (1996). Engagement in academic work : The role of learning goals, future consequences, pleasing others, and perceived ability. Contemporary Educational Psychology, 21, 388- 422.
[3] Galand, B., Vanlede, A. (2004) Le sentiment d'efficacité personnelle dans l'apprentissage et la formation : quel rôle joue-t-il ? D'où vient-il ? Comment intervenir ?, Savoirs, 2004/5 (Hors série), p. 91-116. DOI : 10.3917/savo.hs01.0091. URL :https://www.cairn.info/revue-savoirs-2004-5-page-91.htm
[4] Somny, M., Lefevre, M. (2026). Detecting Self-Efficacy through Learners' Interaction Traces in Technology-Enhanced Learning. CSEDU 2026, May 2026, Benidorm, Spain. ⟨hal-05608562⟩
[5] Somny, M., Chouati, L., Lefevre, M. (2026). Using Machine Learning To Measure Self-Efficacy Belief Through Learners Interaction Traces In Technology-Enhanced Learning. CELDA 2026, October 2026, Lisbon, Portugal.
[6] https://en.wikipedia.org/wiki/Graph_neural_network