Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Le module de l'apprenant est l'une des composantes les plus importantes d’un Système Tutoriel Intelligent (STI). L'extension du modèle de l'apprenant n'a pas cessé de progresser. Malgré la définition d’un profil cognitif et l’intégration d’un profil émotionnel, le module de l’apprenant demeure non exhaustif. Plusieurs senseurs physiologiques sont utilisés pour raffiner la reconnaissance des états cognitif et émotionnel de l’apprenant mais l’emploi simultané de tous ces senseurs l’encombre. De plus, ils ne sont pas toujours adaptés aux apprenants dont les capacités sont réduites. Par ailleurs, la plupart des stratégies pédagogiques exécutées par le module du tuteur ne sont pas conçues à la base d’une collecte dynamique de données en temps réel, cela diminue donc de leur efficacité. L’objectif de notre recherche est d’explorer l’activité électrique cérébrale et de l’utiliser comme un nouveau canal de communication entre le STI et l’apprenant. Pour ce faire nous proposons de concevoir, d’implémenter et d’évaluer le système multi agents NORA. Grâce aux agents de NORA, il est possible d’interpréter et d’influencer l’activité électrique cérébrale de l’apprenant pour un meilleur apprentissage. Ainsi, NORA enrichit le module apprenant d’un profile cérébral et le module tuteur de quelques nouvelles stratégies neuropédagogiques efficaces. L’intégration de NORA à un STI donne naissance à une nouvelle génération de systèmes tutoriels : les STI Cérébro-sensibles (ou STICS) destinés à aider un plus grand nombre d’apprenants à interagir avec l’ordinateur pour apprendre à gérer leurs émotions, maintenir la concentration et maximiser les conditions favorable à l’apprentissage. / The learner module is the most important component within an Intelligent Tutoring System (ITS). The extension of the learner module is still in progress, despite the integration of the cognitive profile and the emotional profile, it is not yet exhaustive. To improve the prediction of the learner’s emotional and cognitive states, many physiological sensors have been used, but all of these sensors are cumbersome. In addition, they are not always adapted to the learners with reduced capacities. Beside, most of the pedagogical strategies that are executed by the tutor module are based on no-live collections of data. This fact reduces their efficiency. The objective of our research is to explore the electrical brain activity and use it as a communication channel between a learner and an ITS. To reach this aim, we suggest to conceive, to implement and to evaluate the multi-agent system NORA. Integrated to an ITS, this one became a Brain Sensitive Intelligent Tutoring System (BS-ITS). Agents of NORA interpret the learner’s brain electrical signal and react to it. The new BS-ITS is the extension of an ITS and enrich the learner module with the brain profile and the tutor module with a new Neuropedagogical Strategies. We aim to reach more categories of learners and help them to manage their stress, anxiety and maintain the concentration, the attention and the interest.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

L'objectif de cette thèse est de créer un nouveau système qui est capable de gérer des auto-formations intelligentes, interactives et adaptatives aux besoins, styles d'apprentissage et à l'état des connaissances de chaque apprenant. Ce système est nommé IWEBISE (Interactive and Intelligent System for Education). Il est le résultat de l'accouplement entre cinq grands domaines : l'ingénierie des connaissances, l'interaction homme-machine, la psychologie cognitive, l'intelligence artificielle et la psychopédagogie. IWEBISE est constitué de cinq parties :<br> Modèle de l'apprenant : Cette partie détaille comment le style d'apprentissage des apprenants est modélisé selon le modèle Felder-Silverman, qui dépend de nombreux paramètres : Nombre d'exemples, nombre d'exercices, le lieu des exemples avant ou après le contenu et le lieu des exercices avant ou après le contenu. Les connaissances des étudiants sont exprimées dans le système en utilisant le modèle de recouvrement (Overlay), qui les considère comme une partie du domaine de la connaissance. L' IWEBISE utilise également un modèle ouvert de l'apprenant . Celui-ci permet aux étudiants de changer par eux-mêmes leurs états de connaissances relatives à chaque concept, ce qui leur permet d'étudier à grands pas sans se sentir bloqués par leurs processus d'apprentissage. Le modèle de l'apprenant est composé de deux parties: La partie statique qui stocke les renseignements personnels de l'apprenant. La partie dynamique qui garde les interactions des apprenants avec le système. Elles sont présentées par plusieurs paramètres: nombre de réponses correctes (NCA), nombre de réponses incorrectes (NICA), temps passé à résoudre une question (TSSQ), temps consacré à la lecture ou à l'interaction avec un concept spécifique (TSR) et le nombre de tentatives pour répondre à une question (NAAQ). Une fois qu'un apprenant a passé une séance de pré-test, la partie dynamique est lancée en utilisant ces paramètres. Six méthodes sont employées pour symboliser l'état des connaissances des apprenants dans six niveaux (excellent, très bien, bien, plutôt bien, faibles et très faibles) dans le but de déterminer la meilleure pour être utilisée plus tard dans le nouveau IWEBISE. Ces méthodes sont: FBAM, ART2, Fuzzy-ART2, HMM et NN / HMM. F-mesure métrique est employé pour mesurer la performance des méthodes mentionnées. Les résultats montrent que Fuzzy-ART2 donne la meilleure qualité de catégorisation (0.281 ), qui est considérée comme un facteur très important pour s''assurer qu'une carte de concepts appropriée est affichée à l'apprenant en fonction de son état de connaissances. <br> Modèle de tuteur : Cette partie détaille la façon de modéliser les stratégies pédagogiques utilisées par les enseignants pendant la présentation du contenu des cours aux étudiants. Elles sont modélisées par une table composée de neuf champs qui permettent de stocker les couleurs utilisées pour présenter l'état des connaissances des apprenants dans le plan du parcours et la possibilité de montrer ou de cacher un concept d'apprentissage. Le modèle de tuteur se concentre également sur un algorithme de prédiction pour prévoir les concepts suivants qui pourraient être visités par les apprenants. Le processus de prédiction est réalisé en suivant trois phases: Phase d'initialisation: Pour chaque apprenant un HMM (λ) est construit à base de sa précédente séquence d'accès aux concepts. Phase d'ajustement: Étant donnée une nouvelle séquence observée et un HMM (λ), l'algorithme de Baum-Welch est utilisé pour ajuster les HMM initialisés et de maximiser la nouvelle séquence observée. Phase de prédiction: l'algorithme Forward est appliqué pour déterminer la distribution de probabilité de chaque concept dans le cours. La plus haute valeur représente le concept suivant qui sera visité par l'apprenant. L'exactitude de prédiction est évaluée par deux critères, la Sensibilité et la Précision. La sensibilité est définie comme le nombre de concepts prédits correctement (vrais positifs) divisé par le nombre de concepts visités (positifs réels). La précision est le pourcentage de prédictions positives qui sont correctes. Les résultats montrent que HMM génère une plus grande précision en utilisant une séquence de concepts plus large qui varie de 20% à 99% et quand la précision est élevée, la sensibilité est élevée aussi.<br> Modèle de domaine : Le contenu des cours est organisé en un réseau de concepts pour représenter les objectifs d'apprentissage. Un objectif d'apprentissage concerne plusieurs concepts qui sont classés en trois types: des concepts principaux, des concepts pré-requis et des sous-concepts. Chaque nœud interne dans le réseau représente un concept, tandis que les nœuds externes dans le niveau le plus bas symbolisent plusieurs types d'unités d'enseignement, qui sont sous la forme de fichiers multimédia Flash interactive, images, vidéos, textes, exercices, des exemples. Trois différentes méthodes sont utilisées pour décrire le modèle de domaine : HBAM (Hirarchical Bidirectional Associative Memory), une base de données MySql, et XML, Dans la première méthode, le domaine de connaissances est conçu et modélisé en utilisant un réseau de neurones BAM hiérarchique. Le premier BAM-1 associe les objectifs d'apprentissage avec les concepts, mais le second BAM-2 est utilisé pour attribuer des unités d'enseignement à chaque concept. La couche de sortie de BAM-1 est la couche d'entrée du BAM-2, qui peut être vu comme une couche intermédiaire de toute l'architecture. Nombre de nœuds de couche d'entrée, de milieu et de sortie représentent le nombre d'objectifs d'apprentissage, les concepts et les unités d'enseignement respectivement . Dans la seconde méthode une base de données relationnelle est utilisée pour représenter le domaine de connaissance. Il est composé d'onze tableaux (les catégories principales, les sous-catégories, les sujets, les objectifs d'apprentissage, les objectifs d'apprentissage pré-requis, les concepts, les concepts pré-requis, la relation d'un sous-concepts avec un concept, le contenu et les questions pour les post-tests et pré-tests). Un Document Type Définition (DTD) du fichier est construit dans la troisième méthode pour déterminer un ensemble de règles pour définir et décrire l'organisation des connaissances dans un fichier XML. La méthode de base de données relationnelle est sélectionnée pour être utilisée au sein de notre nouveau système IWEBISE car d'une part, certains concepteurs de cours préfèrent avoir leur contenu des cours confidentiels et protégés et de l'autre part, XML n'est pas capable de traiter le contenu de cours énormes et tous les types de données tels que des images et la vidéo. <br> Le moteur d'adaptation : Il est considéré comme l'une des parties les plus importantes de IWEBISE grâce aux trois raisons suivantes: Il relie les différentes parties du système, il génère la page d'un concept selon le style d'apprentissage de chaque apprenant et il adapte la carte de concepts en fonction de l'état des connaissances de chaque apprenants aussi. <br> L'interface utilisateur représente les moyens d'interaction disponible sur le système IWEBISE. Il est classé en quatre niveaux : Administrateur: Il permet aux administrateurs de créer une catégorie de cours, sous-catégorie, gérer les utilisateurs et les processus d'abonnement. Concepteur: Il permet aux concepteurs de cours de gérer les objectifs d'apprentissage, les concepts, les sous-concepts, les contenu des concepts et les questions des tests. Elle leur permet également d'exporter leurs cours sous la norme SCORM. Tuteur: Il permet aux enseignants de gérer leurs stratégies d'enseignement et de donner des conseils appropriés aux apprenants. Apprenant: Il permet aux apprenants de compléter leur processus d'apprentissage en utilisant le pré-test, les post-tests, le questionnaire «Index des styles d'apprentissage", les glossaires, le chat et le forum. Le nouveau système IWEBISE est évalué par des concepteurs de cours et par des étudiants, dans le but d'optimiser ses performances au cours de l'enseignement et les processus d'apprentissage. Douze critères sont utilisés pour l'évaluer: la Cohérence, l'évidence, la prévisibilité, la richesse, l'exhaustivité, la motivation, la structure d'Hypertext, l'autonomie, la facilité d'utilisation, l'esthétique, la collaboration et l'interactivité.<br> L'originalité de cette thèse est basée sur : 1.L'utilisation d'une nouvelle architecture d'un réseau de neurones appelé HBAM pour modéliser le domaine des connaissances d'un cours. Ce nouveau réseau peut être utilisé dans de nombreux autres domaines tels que: la reconnaissance des formes ; 2.L 'utilisation d'un nouvel algorithme hybride qui utilise un réseau de neurones (Fuzzy-ART2) et une méthode statistique (HMM) pour la modélisation des connaissances des apprenants ; 3.L 'utilisation de nombreux algorithmes d'apprentissage tels que: FBAM, ART2, Fuzzy-ART2 et une structure hybride Fuzzy-ART2/HMM, qui sont utilisés pour classer la réflexion des apprenants et leurs raisonnements en six niveaux ; 4.L'utilisation d'un HMM pour prédire le prochain concept, basé sur l'histoire des concepts visités par un apprenant ; 5.La définition des styles d'apprentissage des apprenants à l' Institut Supérieur des Langues (Université d'Alep) par rapport à l'apprentissage d'une langue. Ceci est fait en utilisant le modèle Felder et Silverman ; 6.Le comparaison d'IWEBISE avec d'autres systèmes éducatifs. 7.Le capacité d'l'IWEBISE à l'exportation et la réalisation des cours conformément à la norme SCORM avec l'objectif de les réutiliser dans d'autres plates-formes d'enseignement telle que: Moodle ; 8.La construction et la mise en œuvre d'un nouveau système intelligent et adaptatif pour l'éducation basé sur le Web pour l'enseignement de la grammaire anglaise.

Le module de l'apprenant est l'une des composantes les plus importantes d’un Système Tutoriel Intelligent (STI). L'extension du modèle de l'apprenant n'a pas cessé de progresser. Malgré la définition d’un profil cognitif et l’intégration d’un profil émotionnel, le module de l’apprenant demeure non exhaustif. Plusieurs senseurs physiologiques sont utilisés pour raffiner la reconnaissance des états cognitif et émotionnel de l’apprenant mais l’emploi simultané de tous ces senseurs l’encombre. De plus, ils ne sont pas toujours adaptés aux apprenants dont les capacités sont réduites. Par ailleurs, la plupart des stratégies pédagogiques exécutées par le module du tuteur ne sont pas conçues à la base d’une collecte dynamique de données en temps réel, cela diminue donc de leur efficacité. L’objectif de notre recherche est d’explorer l’activité électrique cérébrale et de l’utiliser comme un nouveau canal de communication entre le STI et l’apprenant. Pour ce faire nous proposons de concevoir, d’implémenter et d’évaluer le système multi agents NORA. Grâce aux agents de NORA, il est possible d’interpréter et d’influencer l’activité électrique cérébrale de l’apprenant pour un meilleur apprentissage. Ainsi, NORA enrichit le module apprenant d’un profile cérébral et le module tuteur de quelques nouvelles stratégies neuropédagogiques efficaces. L’intégration de NORA à un STI donne naissance à une nouvelle génération de systèmes tutoriels : les STI Cérébro-sensibles (ou STICS) destinés à aider un plus grand nombre d’apprenants à interagir avec l’ordinateur pour apprendre à gérer leurs émotions, maintenir la concentration et maximiser les conditions favorable à l’apprentissage. / The learner module is the most important component within an Intelligent Tutoring System (ITS). The extension of the learner module is still in progress, despite the integration of the cognitive profile and the emotional profile, it is not yet exhaustive. To improve the prediction of the learner’s emotional and cognitive states, many physiological sensors have been used, but all of these sensors are cumbersome. In addition, they are not always adapted to the learners with reduced capacities. Beside, most of the pedagogical strategies that are executed by the tutor module are based on no-live collections of data. This fact reduces their efficiency. The objective of our research is to explore the electrical brain activity and use it as a communication channel between a learner and an ITS. To reach this aim, we suggest to conceive, to implement and to evaluate the multi-agent system NORA. Integrated to an ITS, this one became a Brain Sensitive Intelligent Tutoring System (BS-ITS). Agents of NORA interpret the learner’s brain electrical signal and react to it. The new BS-ITS is the extension of an ITS and enrich the learner module with the brain profile and the tutor module with a new Neuropedagogical Strategies. We aim to reach more categories of learners and help them to manage their stress, anxiety and maintain the concentration, the attention and the interest.