Une approche hybride à la modélisation de l’apprenant dans un STI pour l’apprentissage du raisonnement logique

Fiche du document

Auteurs
Date

2020

Discipline
Type de document
Périmètre
Langue
Identifiants
Source

Sciences et Technologies de l'Information et de la Communication pour l'Éducation et la Formation (documents)

Collection

Persée

Organisation

MESR

Licence

Copyright PERSEE 2003-2024. Works reproduced on the PERSEE website are protected by the general rules of the Code of Intellectual Property. For strictly private, scientific or teaching purposes excluding all commercial use, reproduction and communication to the public of this document is permitted on condition that its origin and copyright are clearly mentionned.

Mots-clés En Fr

Student model ; cognitive diagnosis ; knowledge tracing Modèle apprenant ; diagnostic/ traçage de connaissances

Sujets proches En Fr

Learning process Processus d'apprentissage

Citer ce document

Roger Nkambou et al., « Une approche hybride à la modélisation de l’apprenant dans un STI pour l’apprentissage du raisonnement logique », Sciences et Technologies de l'Information et de la Communication pour l'Éducation et la Formation (documents), ID : 10.23709/sticef.27.2.5

Métriques

Partage / Export

Résumé En Fr

This paper presents a hybrid approach to learner modeling into MUSE-Logic, an ITS for logical reasoning learning. A Bayesian network built by experts is first proposed, followed by a model built from data that improves both the Bayesian network structure and its initialization for a new learner. A second model built from deep learning on data, completes the proposed hybrid solution. The combination of these three methods gives the learner model both expert and data validity, and significantly improves its predictive power.

Cet article présente une démarche hybride pour la modélisation de l’apprenant dans le STI MUSE-Logique conçu pour l’apprentissage du raisonnement logique. Un réseau bayésien à validation experte est d’abord proposé, suivi par un modèle construit à partir des données qui permet d’améliorer la structure du réseau bayésien et son initialisation pour un nouvel apprenant. Un autre modèle construit par apprentissage profond sur des données, complète la solution hybride proposée. La combinaison de ces trois méthodes confère au modèle apprenant une validité induite des connaissances expertes et des données, et améliore son pouvoir prédictif.

document thumbnail

Par les mêmes auteurs

Sur les mêmes sujets

Sur les mêmes disciplines