Ressources pédagogiques basée sur les liens sociaux

Démarche méthodologique et organisation de la thèse

Nous avons commencé notre thèse par une étude de l’état de l’art des systèmes de recommandation dans les réseaux sociaux et des systèmes de recommandation dans les EIAH. Nous avons, aussi, proposé un modèle formel de recommandation de ressources pédagogiques et nous avons testé sa faisabilité avec un prototype développé en Java sur un ensemble de données simulées. Ensuite nous avons développé une plateforme, nommée Icraa, qui met en oeuvre notre approche. Nous l’avons alors expérimentée auprès d’utilisateurs en situation réelle d’apprentissage. L’évaluation de notre approche a été réalisée en trois phases 1) utilisation d’Icraa et recueil des évaluations des utilisateurs sur les ressources recommandées, 2) mise en place d’un questionnaire destiné aux utilisateurs pour recueillir leurs avis sur la pertinence des ressources pédagogiques recommandées, et 3) analyse des résultats des deux phases précédentes.

Enfin, nous avons mené une analyse offline pour comparer la précision de notre approche à celle de quatre algorithmes de référence dans le domaine. Ce document est organisé comme suit. Dans le chapitre 2, nous présentons un état de l’art sur la recommandation dans un contexte social et dans un contexte EIAH. Ensuite nous présentons une étude de plusieurs systèmes de recommandation dans le contexte des plateformes d’apprentissage social. Cet état de l’art se termine par une synthèse des différentes méthodes utilisées pour évaluer les systèmes de recommandation. Dans le chapitre 3 nous proposons une approche qui répond à la problématique de la surcharge informationnelle en utilisant les relations sociales dans le processus de recommandation. Ce chapitre décrit l’architecture générale de l’approche ainsi qu’un modèle formel qui permet de calculer la similarité entre des utilisateurs d’un EIAH afin de générer trois types de recommandation. Nous présentons également dans ce chapitre une validation de l’approche avec un ensemble de données synthétique.

Le chapitre 4 présente l’implantation des modèles formels de notre approche dans une plateforme d’apprentissage appelée Icraa. Dans ce chapitre, nous décrivons les architectures fonctionnelle et technique de cette plateforme. Nous détaillons ensuite le moteur de recommandation ainsi que les algorithmes qu’il intègre. L’évaluation de nos propositions est présentée dans le chapitre 5. Deux expérimentations y sont décrites. La première évalue le système avec des utilisateurs réels à l’aide de leurs feedbacks et de leurs réponses à un questionnaire. La deuxième évalue le système en mode « hors ligne » à l’aide d’un Dataset. Le dernier chapitre comporte une conclusion suivie des limites ainsi que des perspectives de notre travail.

Contexte des EIAH Une bonne partie de la littérature sur les systèmes de recommandation est focalisée sur le contexte de la vente des produits en ligne, que ce soit sur des sites de e-commerce ou sur des sites de streaming vidéo ou audio. La recommandation dans le contexte des EIAH a de nombreuses particularités qui sont basées sur la richesse des théories et des modèles pédagogiques existants (Manouselis et al. 2012). L’apprentissage sur des plateformes EIAH est différent de l’achat des produits en ligne. L’apprentissage est en effet un effort qui prend souvent plus de temps et d’interactions par rapport à une simple transaction commerciale. Selon Romero et Ventura (2007), le domaine des EIAH diffère du domaine du commerce électronique sur de nombreux points. Dans le commerce électronique, les données utilisées pour la recommandation sont souvent de simples journaux d’accès au serveur Web ou des évaluations d’utilisateurs sur des produits. Les systèmes de recommandation dans les EIAH utilisent plus d’informations sur les interactions des apprenants. Comme le souligne Drachsler et al. (2009), le modèle de l’utilisateur et les objectifs des systèmes sont également différents dans les deux domaines d’application. Selon Drachsler et al. (2007), les systèmes de recommandation dans les EIAH doivent prendre en compte les caractéristiques qui sont spécifiques au contexte d’apprentissage. Ces caractéristiques sont les suivantes : but d’apprentissage, connaissances pré-requises, caractéristiques et préférences de l’apprenant, regroupement d’apprenants, ressources pédagogiques, parcours d’apprentissage et stratégies d’apprentissage.

Système de recommandation 3A

Le système de recommandation 3A (El Helou et al., 2010) classe les entités 3A (acteurs, assets et activités) en fonction de leur importance pour un acteur spécifique et son contexte. Dans ce système, les acteurs peuvent être des utilisateurs ou des agents, les assets représentent des ressources et les espaces d’activité représentent des moyens pour mener des activités individuelles ou collaboratives. Ce système cible les environnements d’apprentissage collaboratif assistés par ordinateur. Le système 3A utilise un modèle d’interaction pour identifier et exploiter des interactions significatives avec les utilisateurs, les relations établies et les métadonnées des évaluations telles que les évaluations avec des étoiles, les bookmarks, les tags et les commentaires fournis par les utilisateurs. Ce système utilise l’algorithme de classement 3A pour classer les acteurs, les assets et les activités en fonction de leur popularité globale et locale (popularité dans le voisinage de l’acteur cible et son contexte).

L’approche de recommandation du système 3A se compose des quatre étapes suivantes : 1) construction du graphe, 2) définition du contexte, 3) calcul de l’importance et 4) extraction de la liste classée. Les relations dans le graphe peuvent être l’amitié entre les acteurs, la relation d’auteur entre un acteur et un asset, etc. Le contexte cible de l’acteur est représenté par tous les noeuds liés à l’action que cet acteur effectue. L’algorithme de classement 3A est basé sur l’idée clé de l’algorithme Google Pagerank (Page et Brin, 1999) : un noeud est récursivement important si et seulement si plusieurs autres noeuds importants pointent vers ce noeud. Dans l’étape d’extraction de la liste classée, le système extrait des listes distinctes d’acteurs, d’activités et d’assets en respectant leurs ordres relatifs dans la liste hétérogène d’origine générée dans la phase précédente. Ce système peut souffrir d’une sparsity s’il existe peu d’actions (notations, tags, critiques, etc.) d’utilisateurs disponibles dans le système.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Chapitre 1 Introduction
1.1 Contexte de la thèse
1.2 Problématique scientifique
1.3 Démarche méthodologique et organisation de la thèse
Chapitre 2 État de l’art
2.1 Systèmes de recommandation
2.1.1 Historique des systèmes de recommandation
2.1.2 Principe des systèmes de recommandation
2.1.3 Filtrage collaboratif
2.1.3.1 Techniques de recommandation
2.1.3.2 Mesure de similarité
2.1.3.3 Recommandation multicritères
2.1.4 Filtrage basé sur le contenu
2.1.5 Filtrage hybride
2.1.6 Problèmes et limites des systèmes de recommandation
2.1.6.1 Démarrage à froid
2.1.6.2 Sparsity
2.1.6.3 Sérendipité
2.1.6.4 Problème du mouton gris
2.1.6.5 Montée en charge
2.2 Systèmes de recommandation sociales
2.2.1 Réseaux sociaux en ligne
2.2.2 Liens sociaux et leurs poids
2.2.3 Types de systèmes de recommandation sociale
2.2.3.1 Recommandeur basé sur les amis
2.2.3.2 Recommandeur basé sur la popularité sociale
2.2.3.3 Recommandeur basé sur les distances
2.3 Systèmes de recommandation dans les EIAH
2.3.1 Contexte des EIAH
2.3.2 Objectifs de la recommandation dans les EIAH
2.3.3 Framework de classification des systèmes de recommandation pour les EIAH
2.3.3.1 Tâches supportées
2.3.3.2 Modèle de l’utilisateur
2.3.3.3 Modèle du domaine
2.3.3.4 Personnalisation
2.3.3.5 Architecture
2.3.3.6 Emplacement
2.3.3.7 Mode de recommandation
2.4 Travaux connexes
2.4.1 Système de recommandation ISIS
2.4.2 Système de recommandation 3A
2.4.3 Système de recommandation Ensemble
2.4.4 Système de recommandation Topolor
2.4.5 Système de recommandation basé sur le style d’enseignement
2.4.6 Système de recommandation social basé sur les sentiments de l’apprenant
2.4.7 Système de recommandation social basé sur la confiance
2.4.8 Système de recommandation social basé sur le parcours de graphes
2.4.9 Système de recommandation sémantique pédagogique
2.4.10 Synthèse
2.5 Évaluation des systèmes de recommandation
2.5.1 Évaluation offline
2.5.1.1 Protocoles d’évaluation
2.5.1.2 Métriques d’évaluation
2.5.2 Étude utilisateurs
2.5.3 Évaluation online
2.5.4 Questionnaires
2.5.4.1 Questionnaire Content Quality Scale
2.5.4.2 Questionnaire ResQue
2.6 Conclusion
Chapitre 3 Contribution : approche pour la recommandation de ressources pédagogiques basée sur les liens sociaux
3.1 Aperçu de l’approche
3.2 Base formelle de l’approche
3.3 Similarité sociale
3.4 Types de recommandations
3.4.1 Recommandation des ressources visitées récemment
3.4.2 Recommandation des ressources populaires
3.4.3 Recommandation des ressources utiles
3.5 Gestion de la sparsity
3.6 Mise à jour du profil
3.7. Validation avec des données simulées
3.7.1. Objectif
3.7.2. Données de la simulation
3.7.2.1. Caractéristiques des apprenants
3.7.2.2. Relations sociales entre apprenants
3.7.2.3. Visites et évaluation des ressources
3.7.3. Similarité sociale
3.7.4. Ressources recommandées
3.7.4.1. Ressources visitées récemment
3.7.4.2. Ressources populaires
3.7.4.3. Ressources utiles
3.8 Conclusion
Chapitre 4 Implantation : L’environnement Icraa
4.1 Architecture fonctionnelle
4.1.1 Télé‐versement de ressources
4.1.2 Accès aux ressources
4.1.3 Évaluation de ressources
4.1.4 Recommandation de ressources
4.1.5 Fonctionnalités sociales
4.2 Architecture technique
4.3 Moteur de recommandation
4.3.1 Modèle de données
4.3.2 Algorithmes
4.4 Conclusion
Chapitre 5 Expérimentations
5.1 Expérimentation 1 : Évaluation avec des utilisateurs réels
5.1.1 Expérimentation
5.1.2 Feedback des utilisateurs
5.1.3 Résultats du Feedback des utilisateurs
5.1.4 Questionnaire
5.1.5 Résultats du questionnaire
5.1.6 Discussion
5.2 Expérimentation 2 : Évaluation avec un Dataset (Analyse Offline)
5.2.1 Objectif et hypothèses
5.2.2 Expérimentation
5.2.3 Ensemble de données (Dataset)
5.2.4 Résultats
Conclusion
Chapitre 6 Conclusion et perspectives
6.1 Principales contributions
6.2 Limites et perspectives
Bibliographie
Annexes
Annexe I : Publications et communications
Publications dans des revues
Chapitres de livre
Conférences internationales avec comité de lecture et actes
Conférences nationales avec comité de lecture et actes
Ateliers et posters
Annexe II : Questionnaire RESQUE en anglais
Annexe III : Comparatif entre les jeux de données EIAH (Manouselis et al. 2012)