Nos travaux s’inscrivent dans le cadre de l’adaptive learning, ce champ de recherche qui vise à développer des expériences d’apprentissage personnalisées. Jean Vassoyan, PhD Student in AI for Education, Jill-Jênn Vie, Researcher at Inria et Pirmin Lemberge, scientific dirictor at onepoint proposent un nouvel algorithme de recommandation de trajectoires d’apprentissage, capable de s’adapter aux difficultés de chaque apprenant.
Concrètement, chaque fois qu’un nouvel utilisateur se présente, l’algorithme tâche de lui recommander une séquence de ressources pédagogiques (tirées d’un corpus) afin de maximiser ses gains d’apprentissage à long terme. Le modèle est entrainé par reinforcement learning, une technique de machine learning particulièrement adaptée à l’optimisation d’objectifs à long terme.
Notre algorithme a également la particularité d’être extrêmement flexible : une fois entrainé sur un corpus de ressources pédagogiques, il peut être réutilisé tel quel sur n’importe quel autre corpus !
Cela lui permet donc de transférer ses connaissances d’un corpus de ressources pédagogiques à l’autre, afin d’apprendre à faire de bonnes recommandations plus vite.
Tout cela est rendu possible par l’utilisation d’un modèle de machine learning particulièrement flexible : le réseau de neurones sur graphes. Ce type de réseau de neurones est en effet capable d’opérer sur des données de tailles et de structures variables.
Les premiers tests effectués sur des apprenants simulés se sont avérés encourageants : le modèle a appris à faire de bonnes recommandations en relativement peu de temps. De nouvelles expérimentations sont à venir sur des apprenants réels.
Ce travail de recherche a été effectué dans le cadre du laboratoire TALia et d’une collaboration avec le Centre Borelli. L’article a été accepté par la conférence EDM 2023 (16th International Conference on Educational Data Mining).