modèle de groupe - Département d`informatique et de recherche

Transcription

Informatique et recherche opérationnelle
Systèmes d’Éducation
Adaptatifs et Intelligents
Présenté par : KIARED Abou-Sofiane
Professeur : Esma Aimeur
Systèmes d’éducation adaptatifs et intelligents
1
Plan

Introduction

Concepts fondamentaux

Travaux réalisés

Proposition d’une nouvelle approche

Conclusion
2
Introduction

L’enseignement à distance est devenu une réalité
(Système d’enseignement à distance SED) :
¾
Cours sans frontières
¾
Accessible via l’Internet
¾
Moins de restrictions par rapport à l’enseignement
traditionnel (pré-requis, contraintes temporelle)
3
Introduction (suite)

Des milliers d’applications on vu le jour durant les dix dernières
La plupart sont des réseaux
années
Problèmes avec les
statiques de pages hypertextes
systèmes existants :

Liberté de navigation: Quel sont les liens appropriés pour un utilisateur
donné ?

Traces d’évolution: Qu’est ce que l’usager a vu avant d’atteindre un
certain noeud (dans le réseau d’hypertexte) ?

présentation: L’usager est-il visuel ? Auditif ? Quel sont ses préférences
en matière de présentation
4
Introduction (suite)

Besoin de personnalisation ?
Systèmes adaptatifs
et intelligents
• Pourquoi un système adaptatif ?
•Quoi adapter ?
•Adapter à quoi ?
5
Concepts fondamentaux
Qu’est-ce que l’enseignement adaptatif ?

Un SED est dit adaptatif s’il [8, 3]:

Est capable de surveiller les activités des utilisateurs

Peut les interpréter selon un modèle donné

Considère les préférences des utilisateurs

Peut intervenir dynamiquement pour faciliter le processus d’apprentissage
6
Concepts fondamentaux (suite)
Classification des méthodes d’adaptation

L’interaction adaptative
¾
¾

Cours adaptatif
¾
¾

Offrir un contenu qui s’accommode le plus avec les connaissances et les
objectifs de l’apprenant.
Cette catégorie est la catégorie la plus convoitée par les travaux de recherche
actuellement.
Assemblage des objets du cours
¾

Adaptation de l’interface
La considération des préférences de l’usager en matière de représentations
graphiques (couleurs, multimédia)
Par exemple, présenter les exemples en premier, et puis les images et
graphique et enfin les définitions.
Adaptation de la collaboration
7
Les entités à modéliser

Le modèle du domaine

Contient généralement la structure du cours

Spécifie les relations et les interdépendances entre les
différentes parties du cours.

Ces éléments sont utilisés lors de l’adaptation.
8

Le modèle de l’apprenant :

Contient les données
personnelles et les
préférences de l’usager
Sa structure varie d’un
système à un autre
Cependant, pratiquement
tous les systèmes existants
permettent de mettre à
jour, dynamiquement, le
modèle de l’apprenant.
Figure tirée de [6]
9

Le modèle d’adaptation :

Renferme la théorie de l’adaptation pour un SDE donné.

Ce modèle doit spécifier (implicitement ou explicitement) :
¾
¾
¾

Qu’est-ce qui peut être adapter ?
Quand adapter ?
Et Comment procéder ?
Ces spécifications, peuvent prendre la forme de règles
préprogrammées déclenchées automatiquement ou bien des
règles générées par le système (systèmes intelligents) qui
sont le résultat des observations du comportement des
usagers
10

Le modèle de groupe :
Modèle d’apprenant étendu à plusieurs utilisateurs

Permet de regrouper des apprenants possédants les même
caractéristiques sous un même profil.

Le système fait profiter les éléments du groupe des activités de
certains membres du même groupe

Cette technique est grandement utilisée dans les applications
recommandation de produits, et le collaborative filtering et elle est
prometteuse dans les SEDs [8].
11
Quelques techniques d’adaptation

Séquencement de leçons (planification de leçons) :

Actif
¾

Passif
¾

D’appoint ou encore correctif
Aide à la résolution de problèmes

Planification pas à pas
Résolution interactive
Résolution par l’exemple
Adaptation de la présentation

Quelle information afficher
Comment l’afficher
12
Travaux réalisés

Deux classes de systèmes :

Systèmes Hypermédia et tutorial intelligents adaptatifs

Systèmes basés sur les agents intelligents
13
Travaux réalisés (suite)

Systèmes Hypermédia et tutorial intelligents adaptatifs

Trois grandes familles [3]:
Systèmes de la famille des hypermédia adaptatifs :
InterBook, AST, ADI, ART-Web, ACE, Rmedial
Multimedia
System, PT, AHA, WEST-KBNS, MetaLinks ,KBS Hyprebook
¾ Systèmes de la famille des systèmes tutorial intelligents
CALAT, Medtec, Manic, DCG, SIETTE, ILESA, PAT-Online, PATJava, WITS, WITS-II, Belvedere, ADIS, (Yang-Akahori), D3WWW-Trainer, AlgeBrain, ADELE, TEMAI
¾ Systèmes hybrides
ELM-ART, ELM-ART-II, PAT-Interbook, VC Prolog Tutor
¾
14
Systèmes de la famille des hypermédia adaptatifs
[3]
System
Adaptive
sequencing
Adaptive navigation
support
Adaptive
presentation
InterBook
Page
Annotation
Annotation
Parfois
AST
Cours
ADI
Cours
Annotation
Parfois
ART-Web
Cours, tests
Annotation
Parfois
ACE
Cours
Annotation Hiding
Parfois
Rmedial Multimedia
System
Hiding
PT
Hiding
AHA
Annotation Hiding
WEST-KBNS
Annotation
MetaLinks
Page
KBS Hyprebook
Cours
Annotation Hiding
15
Systèmes de la famille des systèmes tutorial
intelligents [3]
System
Adaptive sequencing
CALAT
Cours, passif
Medtec
tâche
Manic
Sujet
DCG
Cours
SIETTE
Question
ILESA
Leçon, problèmes
Problem solving
support
Intelligent solution
analysis
Serveur, Java
PAT-Online
Partiel
PAT-Java
Java
Serveur
WITS
Server
WITS-II
Serveur, Java
Belvedere
Serveur, Java
16
Systèmes hybrides [3]
System
Adaptive
sequencing
Adaptive
navigation
support
Problem
solving
support
Intelligent
solution
analysis
Adaptive
presentation
ELM-ART
Page
Annotation
Partiel
Serveur
Parfois
ELM-ART-II
Cours, tests
Annotation
Partiel
Serveur
Parfois
PAT-Interbook
Page, passif
Annotation
Partiel
Serveur
Parfois
VC Prolog Tutor
Tâche, passif
Annotation
Partiel
Serveurr
17
Systèmes basés sur les agents intelligents

Agent de confiance “Confidence Agent” [2]
Université de Montréal (Canada)

Le système multi-agents MAS-PLANG [6,7]
Université de Girona (Espagne)
18

Basé sur “Confidence Intelligent Tutoring System” (CITS)
[4]
Architecture Client / Serveur
19
(suite)

Basé sur deux modèles :

Modèle de l’apprenant (décrit en utilisant XML)
¾

les objectifs de l’apprenant, son style d’apprentissage, son
comportement et ses préférences
Modèle du domaine (décrit en utilisant XML)
¾
¾
¾
¾
¾
une arborescence de concepts
Chaque concept est décrit par un certain nombre de mots clés qui
reflètent le plus sont contenu
Un concept consiste en cinq fragments : le cœur du concept,
définition, les problèmes, les exemples et les exercices
Chaque fragment pointe vers trois segments qui le définisse
Chaque segment renferme des unités atomiques tel que du texte, de
images ou bien des enregistrement audio/vidéo
20
(suite)
Exemple : Cours de structure de données,
description de la structure Heap (tas)

Modèle de l’apprenant
<Model description=”user model”>
<Name>A</Name>
<Learner-style>Visual</Learner-style>
<Visit>
<Concept>C1</Concept>
<Chunks-Recommended>C11,
C12</Chunks-Recommended>
<Chunks-Erased>C21</ChunksErased>
</Visit></Model>

Modèle du domaine
<Fragment description=”Fragment”>
<Concept>Heap<Concept>
<ID>1</ID>
<Prerequisites><ID ref=”0”><Prerequisites>
<Name>Background</Name>
<Chunk1>C11</Chunk1>
<Chunk2>C21</Chunk1>
<Chunk3>C1</Chunk1>
</Fragment>
21
(suite)

Fonctionnement :

Les valeurs enregistrées dans le modèle de l’usager qui
seront utilisés pour évaluer l’importance d’un segment
donné dans la compréhension du concept (granularity level
& dominant meaning probability [4]).
L’algorithme d’adaptation trie les différents segments par
ordre décroissant d’importance et retourne les trois premiers
segments pour être présenter dans le fragment courant.
22
(suite)
<Chunkdescription=” Chunk” Visible-Image=”yes”
Visible-Audio=”yes” Visible-Applets=”yes” Granularity-Value=”yes”>
<Concept>Heap</Concept>
<ID>C11</ID>
<Type>Background</Type>
<Granularity>0.97</Granularité>
<Dominant-Meaning>
<D1>Binary tree</D1><D2>Complete tree</D2>
</Dominant-Meaning>
<Text>
Heaps are based on the notion of a complete tree, for which we gave an informal definition earlier. Formally: A
binary tree is completely full if it is of height, h, and has 2h+1-1 nodes
</Text>
<Media>
<Condition Learner-style=”Visual” Images=”heap1.jpg”>
</Condition>
<Condition Learner-style=”Auditory” Images=”heap1.wav”>
</Condition>
<Condition Learner-style=”Visual” Images=”Animation1.jpg”>
</Condition>
</Media>
</Chunk>
23
(suite)

Affichage du segment “Coeur” du concept “Heap”
24

Développé pour donner des caractéristiques adaptatives à un
système tutorial intelligent existant appelé USD (Unitats de
Suport une La Docència)
Missions :

Adaptez l'information et les liens présentés en fonction du modèle
de l’apprenant
Fait en sorte que l’apprenant ne se perde pas, en limitant son
espace de recherche, lui suggérant les liens les plus appropriés, lui
fournissant des commentaires sur les liens visibles et en lui offrant
des outils de navigation plus sophistiqués
25

Architecture
26
(suite)

Fonctionnement :
PDA-NAVIGATION
IA-SEARCH
IA-HISTORY
IA-NAVIGATION
PDA-SEARCH
PDA-HISTORY
IA-EXERCISES
IA-EVALUATION
PDA-EXERCICES
27
Proposition : une approche exploitant le modèle
de groupe

Exploitation du modèle de groupe :

Construit dynamiquement en prenant pour base les modèles usagers
participants au cours.
Il spécifiera aussi les conditions qui font qu’un ensemble d’apprenants
sont jugés semblables et classés dans un même groupe.
Les avantages d’une telle approche sont nombreux, entre autre elle
permet:
¾
¾
¾
¾
D’avoir une idée des actions des apprenants sensés être au même niveau que
l’apprenant en question et ayants les mêmes objectifs.
De profiter des expériences certains participants pour avertir l’apprenant
(pro-activité).
Répondre efficacement aux besoins de l’industrie en offrant une formation
solide et « pratique ».
Mettre l’apprenant au même diapason que les autres participants
28
de groupe (suite)

Exemple

Étant donné un système d’éducation à distance qui offre un
cours de « troubleshooting » dans un SGBD (i.e : Oracle,
DB2 etc.) donné. Le modèle de groupe permet de départager
les participants au cours. Voici quelques groupes possibles :
¾
¾
¾
Les DBAs seniors : Ceux qui ont une longue expérience dans le
domaine et suivent ce cours pour ce perfectionner.
Les DBAs intermédiaires : Ceux qui travaillent dans le domaine mais
rencontrent beaucoup de difficultés face à certains problèmes.
Les débutants
29
de groupe (suite)
Description de la méthode

un agent intelligent que nous appelons agent de groupe (GA) :

Roule du coté serveur
Observe les actions des participants et les enregistre dans une base
de données (BD1).
Établit une classification pour tous les apprenants (construction des
groupes)
Pour chacun des groupes, établit une liste de problèmes à traiter
et/ou de concepts importants pour les membres du groupe
Adapte le cours présenté à l’apprenant en utilisant le résultat de
l’étape précédente
30
Conclusion

Les techniques d’adaptations apportent un plus au
systèmes d’éducation
La plupart des travaux réalisés jusqu’à présent sont
encore au stade de laboratoire
Le jeune age des systèmes d’enseignement à distance
facilitera l’intégration des techniques d’adaptation
intelligentes
L’utilisation des agents intelligents est une voie
prometteuse (interactivité, autonomie, pro activité,
apprentissage)
31
Références

[1] Maes, Pattie, “Agents that reduce work and information overload”,
Communications of the ACM 37, 7 (July 1994), 31-40
[2] Abdel Razek M., Frasson C., Kaltenbach M. An Intelligent Agent for
Automatically Course Adaptation Lecture Notes in Artificial Intelligence
Springer-Verlag 2003, 4th International Syposium on Methodologies for
Intelligent Systems (ISMIS 2003). October 28-31, 2003 Maebashi City,
Japan
[3] Brusilovsky, P. (1999) Adaptive and Intelligent Technologies for Webbased Education. In C. Rollinger and C. Peylo (eds.), Special Issue on
Intelligent Systems and Teleteaching, Künstliche Intelligenz, 4, 19-25.
[4] Abdel Razek M., Frasson C., Kaltenbach M. A Context-based Information
Agent for Supporting Education on the Web. Lecture Notes in Computer
Science, Springer-Verlag 2003, The 2003 International Conference on
Computational Science and Its Applications (ICCSA 2003), May 18-22, 2003
Montreal, Canada.
[5] Firefly Network, Inc & Netscape Communications“Proposal for an Open
Profiling Standard Document Version 1.0” ,June 2, 1997
32
Références (suite)

[6] Peña, C. I. and Marzo, J. L. Adaptive Intelligent Agent Approach to Guide the
Web Navigation on the PLAN-G Distance Learning Platform, IEE Colloquium
"Lost in the Web - Navigation on the Internet", London, November 1999, UK ISSN
0963-3308.
[7] Peña, C. I., Marzo, J. L., De la Rosa, J. Ll. Intelligent Agents in a Teaching and
Learning Environment on the Web, 2ond IEEE International Conference on
Advanced Learning Technologies (ICALT2002), Kazan (Russia), September 9-12,
2002, ISBN 0-473-08801-0.
[8] Alexandros Paramythis, Susanne Loidl-Reisinger - Adaptive Learning
Environments and e-Learning Standards; in: Roy Williams, w.w Associates (Eds.):
Proceedings of the 2nd European Conference on e-Learning, Glasgow (Scotland),
6.-7.11.2003, pp. 369-379 Academic Conferences International Reading 2003;
ISBN: 0-9544577-4-9 (2003)
[9] Brusilovsky, P. (2001) “Adaptive hypermedia” in User Modeling and User
Adapted Interaction, Vol. 11, No.1/2, pp87-110.
.
33