Recherche


Je mène mes recherches dans le domaine des Environnements Informatiques pour l’Apprentissage Humain (EIAH), avec une approche issue du domaine de l’Intelligence Artificielle, et plus particulièrement de l’Ingénierie des Connaissances. Ces recherches s’effectuent au sein de l’équipe TWEAK (Traces, Web, Education, Adaptation, Knowledge) du laboratoire LIRIS.

Mes recherches portent sur la personnalisation de l’apprentissage, sur l’acquisition et la modélisation des connaissances permettant d’assister les enseignants dans cette tâche et sur l’assistance à l’utilisateur à partir de l’expérience tracée à travers une découverte dynamique des connaissances.


Mes travaux sur la personnalisation de l'apprentissage visent à proposer des outils destinés aux enseignants pour leur permettre d'être acteur dans le processus d'adaptation à l'apprenant.

Dans le cadre du projet PERLEA, nous nous sommes intéressés à la réutilisation de profils d'apprenants existants. Cette réutilisation nécessite une harmonisation de la structure des profils selon un formalisme connu, avant de pouvoir les exploiter. Nous avons ainsi proposé le module Tornade qui permet d'intégrer les données issues de divers profils numériques dans des profils respectant le formalisme utilisé dans l'environnement associé au projet PERLEA .

Nous avons ensuite proposé le module Adapte qui permet d'exploiter ces profils harmonisés en proposant des séances de travail adaptées aux profils des apprenants, mais également aux habitudes de travail des enseignants ainsi qu'au contexte de la situation pédagogique . Ces séances de travail contiennent des activités sur support papier et/ou incluses dans des logiciels pédagogiques. Nous avons pour cela proposé le modèle PERSUA2 qui permet à chaque équipe pédagogique de définir son propre modèle de personnalisation des activités d’apprentissage . Ce modèle a été confronté à plusieurs contextes d’usage : dans le cadre de la remédiation en primaire-collège , dans le cadre des MOOCs et dans le cadre du soutien scolaire en ligne au sein du projet Cartographie des Savoirs.

Dans le cadre du projet AMBRE, nous avons défini le modèle des profils d'apprenants des EIAH AMBRE et plus spécifiquement celui de l'EIAH AMBRE-add. Puis nous avons travaillé à l'élaboration d'un outil de constitution de profils respectant ce modèle et exploitant les traces d'interactions des apprenants avec AMBRE-add. Nous avons ensuite exploité ces profils pour proposer des séances de travail adaptés à chaque apprenant et permettre aux enseigants de visualiser l'avancement de leurs élèves .

Nous poursuivons actuellement ces travaux sur la personnalisation de l’apprentissage au sein du projet ComPer. Nous souhaitons concevoir des méthodes permettant à nos outils de suggérer à l’équipe pédagogique des modèles de personnalisation des activités proposées aux étudiants, ou des améliorations de stratégies de personnalisation définies par l’équipe pédagogique. Une piste pour cette identification est d’analyser les traces des apprenants lors de leurs activités au sein des différents environnements intervenants dans leur apprentissage, ou les traces d’exécution de systèmes de personnalisation existants. Cette analyse de traces se fera en exploitant nos savoir-faire en IA symbolique, mais également en exploitant les travaux récents en IA numérique. Notre objectif en combinant ces deux approches est d’alléger la tâche des équipes pédagogique tout en permettant l’explicabilité de nos modèles, afin de favoriser l’appropriation des recommandations faites aux apprenants lors de leur apprentissage, que ce soit par les enseignants ou les apprenants.


Mes travaux sur la personnalisation de l'apprentissage visent également à permettre aux enseignants d'être acteur lors de la génération d'activités pédagogiques.

Ainsi, avec la plateforme ASKER, nous nous intéressons à la génération d’exercices d’auto-évaluation en proposant des générateurs semi-automatiques. Ces générateurs reposent sur l'approche GEPPETO et sur des types d’exercices indépendant du domaine pour permettre à un auteur (généralement un enseignant) de créer un modèle d’exercices selon ses choix pédagogiques. Ce modèle est ensuite automatiquement instancié pour créer un grand nombre d’exercices différents évaluant tous les mêmes compétences. Nos travaux sur la génération d’exercices sont mis en œuvre au sein de la plateforme ASKER mais ont également été exploités au sein des projets CLAIRE, FOVEA, CIAL et CoExo.

Pour poursuivre nos travaux sur la génération d’exercices, nous souhaitons acquérir dynamiquement des connaissances du domaine. En effet, nos travaux sur la génération d’exercices sont génériques et peuvent s’appliquer à de multiples domaines d’apprentissage. La contrepartie est que nos générateurs d’exercices sont dépourvus de connaissances du domaine. Ces générateurs étant utilisés par des équipes pédagogiques au lycée et à l’université, nous souhaitons à présent mettre en place des mécanismes d’acquisition et de découverte des connaissances du domaine pour assister les équipes pédagogiques lors de la création des modèles permettant de générer des exercices. Cette acquisition pourra se faire via des outils auteurs dédiés aux enseignants, non experts en informatique, mais également via des mécanismes de raisonnement à partir de l’expérience tracée s’appliquant aux traces d’interaction des enseignants lors de la création des exercices combinées aux traces des apprenants lors de la résolution de ces exercices.


Ces outils destinés aux enseignants sont des outils fortement orientés connaissance qui nécessitent, pour être acceptés et intégrés aux pratiques pédagogiques des enseignants, d'être dotés d'un système d'assistance “intelligent”.

Mes travaux de recherche se sont alors orientés vers les systèmes d'assistance aux utilisateurs, notamment en utilisant le paradigme du raisonnement à partir de l’expérience tracée.

Dans le cadre du projet IIBM, nous nous sommes intéressés aux systèmes pouvant être contrôlés grâce à des interactions naturelles, et permettant la négociation de sens entre humain et machine afin d'améliorer la prise en main des outils par les utilisateurs. Ce projet avait pour objectif de combiner des techniques de capture de mouvements et d’intelligence artificielle dans le but de mettre en œuvre la négociation de gestes et de sens. Les mécanismes d’assistance et de négociation proposés reposent tous sur le raisonnement à partir de l’expérience tracée.

Dans le cadre du projet Kolflow, nous nous sommes intéressés à l'assistance aux utilisateurs lors de la co-construction de connaissance entre humains et agents artificiels intelligents. L’approche retenue est également celle du raisonnement à partir de l’expérience tracée. Afin de la mettre en œuvre, nous avons tout d'abord modéliser les interactions d’un utilisateur avec l'environnement support de cette co-construction de connaissance, ainsi que les interactions entre plusieurs utilisateurs au sein de l’environnement. Nous avons ainsi pu doter l’environnement d’un système de collecte de traces. Nous avons ensuite défini plusieurs types d’assistance pouvant être proposées à partir de l’exploitation de ces traces d’interaction. Ces assistances portent aussi bien sur l’utilisation de l’environnement, que sur l’évolution, le partage ou la négociation de connaissances entre plusieurs utilisateurs.

Dans le cadre du projet AGATE, nous avons étudié comment faciliter l'utilisation des logiciels fortement orientés connaissance par l'adjonction de systèmes d'assistance épiphytes. Nous avons ensuite cherché à favoriser l’articulation entre la généricité d’un assistant épiphytes intelligent et les spécificités de son usage en EIAH.

Dans le cadre du projet HUBBLE, nous souhaitions cette fois assister toute une communauté de recherche et de praticiens : la communauté des Learning Analytics (LA). L’objectif du projet HUBBLE était de créer un observatoire pour la construction et le partage de traces massives d’e-learning, de leurs processus d’analyse et de leurs contextes d'usage. Nous nous sommes donc intéressés à la capitalisation des processus d’analyse de traces d’apprentissage pour permettre de les partager, les adapter et les réutiliser. Nous avons proposé une ontologie permettant décrire les processus d'analyse de traces et toutes les informations relatives à leur construction, à leur compréhension et à leur réutilisation. Cette ontologie, réifiée au sein du système CAPTEN ouvre de nouvelles pistes d’assistances aux acteurs, notamment une nouvelle méthode de recherche des processus d’analyse s’appuyant sur des règles d’inférence et des heuristiques permettant de raisonner sur les processus d’analyse dans leur ensemble (e.g. étapes, configurations) lors de la recherche. Nous souhaitons également utiliser le réseau sémantique sous-jacent à cette modélisation ontologique pour renforcer l’assistance aux acteurs en leur fournissant des outils d’inspection et de compréhension lors de la recherche.