Titre de l'écran-titre (visionné le 6 septembre 2023) / Afin des adapter au rythme des technologies numériques, plusieurs institutions offrent aux apprenants la possibilité de suivre un cours avec un environnement numérique d'apprentissage. Lorsque ces derniers apprennent dans un tel environnement, ils vont laisser des traces numériques qui peuvent être collectées et analysées. Pour cela, certains chercheur sont proposé des modèles de l'analytique de l'apprentissage, mais qui ne sont pas ou peu au profit de l'apprenant. Par exemple, leur modèle analytique ne favorisent pas un apprentissage autorégulé de l'apprenant sur l'environnement numérique d'apprentissage. La question est de savoir comment utiliser les traces d'apprentissage collectées sur l'environnement numérique d'apprentissage pour aider les apprenants à réussir ? Nous avons donc proposé un modèle analytique DP2A pour détecter la performance d'autorégulation sur l'environnement numérique d'apprentissage, avec l'analytique de l'apprentissage (Learning Analytics, LA) et l'apprentissage automatique supervisé. En effet, ce modèle permet de classifier les performances d'autorégulation des apprenants en deux groupes : les apprenants autorégulés et les apprenants non autorégulés. Cette classification a été effectuée en utilisant les classificateurs SVM et KNN, avec et sans ajustement des hyperparamètres de base. L'évaluation des classificateurs a montré que le classificateur SVM avec ajustement des hyperparamètres de base a bien prédit la classe d'autorégulation d'un apprenant, avec un taux de classification de 99%. Compte tenu de la performance de ce classificateur, il est approprié pour rendre optimal notre modèle DP2A dans la détection de la performance d'autorégulation des apprenants sur l'environnement numérique d'apprentissage. Il serait envisageable à l'avenir d'intégrer le classificateurs SVM avec ajustement des hyperparamètres de base pour détecter la performance d'autorégulation et éventuellement générer des conseils personnalisés à l'apprenant sur sa stratégie d'autorégulation. / Many institutions offer learners the opportunity to take a course in a digital learning environment in order to keep pace with digital technologies. When they learn in this kind of environment, they will leave digital traces that can be collected and analyzed. Some researchers have proposed models of learning analytics, but they have had little or no benefit to the learner. For example, their analytic model does not promote self-regulated learner learning in the digital learning environment. The question is how can we use the learning traces collected in the digital learning environment to help learners succeed? Consequently, we proposed a DP2A analytic model to detect self-regulatory performance in the digital learning environment, using Learning Analytics (LA) and supervised machine learning. Indeed, this model allows classifying learners' self-regulation performance into two groups: self-regulated learners and non-self-regulated learners. The classification was performed using the SVM and KNN classifiers, with and without adjustment of the basic hyperparameters. Evaluation of the classifiers showed that the SVM classifier with basics hyperparameters adjustment predicted a learner's self-regulation class well, with a classification rate of 99%. Considering the performance of this classifier, it is appropriate to make our DP2A model optimal for detecting learner's self-regulation performance in the digital learning environment. In the future, it would be conceivable to integrate the SVM classifiers with adjustment of the basic hyperparameters to detect the self-regulation performance and eventually generate personalized advice to the learner on his self-regulation strategy.

Titre de l'écran-titre (visionné le25 juillet 2023) / Le développement des Technologies de l'information et de la communication (TIC) a entraîné leur utilisation dans tous les domaines de la vie. Au niveau de l'éducation, cette intégration a permis le développement de nouvelles applications qui permettent de transmettre la connaissance à un apprenant à travers des activités d'enseignement et d'apprentissage. Ces applications sont appelées plates-formes d'apprentissage en ligne. Au sein de l'enseignement et de l'apprentissage, les travaux de recherche ont mis en exergue des facteurs qui influencent les apprenants durant leurs processus d'apprentissage. Ces facteurs ont permis de relever l'aspect unique de chaque apprenant. Afin de répondre efficacement à cet aspect unique de l'apprenant, une nouvelle manière d'enseigner a été élaborée. Il s'agit de la différenciation pédagogique qui tient compte de ces facteurs spécifiques. Elle permet de concevoir les activités d'enseignement et d'apprentissage en fonction de chaque apprenant. Cependant, malgré cette personnalisation, la différenciation pédagogique n'est pourtant que peu pratiquée par les enseignants durant le processus d'apprentissage à cause du nombre d'apprenants se trouvant dans une classe. Au vu de la complexité de la mise en place de la différenciation pédagogique et de l'intérêt toujours grandissant de l'utilisation des plates-formes d'apprentissage en ligne, une question se pose : les plates-formes d'apprentissage en ligne sont-elles une solution à la difficulté de la mise en place de la différenciation pédagogique ? L'analyse des plates-formes d'apprentissage en ligne permettrait de répondre à cette question. Cependant, nous n'avons pu trouver de méthodes qui permettent l'analyse des plates-formes en fonction des facteurs qui influencent l'apprenant. Nous nous sommes donné comme premier objectif dans cette thèse de proposer une méthode d'analyse des plates-formes qui tient uniquement compte que des facteurs qui influencent l'apprenant. Plus spécifiquement, cette méthode s'intéresse aux activités d'apprentissage qui se déroulent sur ladite plate-forme. En déterminant les facteurs présents au sein des différentes tâches qui permettent la réalisation d'une activité d'apprentissage, on en déduit les facteurs présents dans l'activité et par la suite ceux présents au sein de la plate-forme. Toutefois, cette méthode nous a permis de voir que les plates-formes d'apprentissage n'étaient pas conçues en tenant compte des facteurs qui influencent l'apprenant. Nous nous sommes alors fixé comme second objectif de proposer une intégration des facteurs au sein des plates-formes. Nous avons commencé par chercher une architecture qui répondait au mieux à nos besoins. Après plusieurs recherches, nous avons convenu que l'architecture micro-services combinée au modèle de conception modèle-vue-contrôleur (MVC) était la plus à même de répondre à nos besoins. Elle nous permettait de pouvoir concevoir plusieurs microsystèmes donc chacun allait gérer une catégorie de facteurs en particulier. Cette architecture peut être intégrée aux plates-formes existantes mais aussi servir de base pour la conception de nouvelles plates-formes. La réalisation des tests de faisabilité de notre architecture, par la suite, nous a montré que bien qu'étant assez complexe à mettre en place cela était toutefois faisable. Elle requiert par contre le savoir de plusieurs experts des domaines concernés (enseignant, éducateur, psycho-éducateur). / The development of Information and Communication Technologies (ICT) has led to their use in all areas of life. In education, this integration has allowed the development of new applications that allow knowledge to be transmitted to a learner through teaching and learning activities. These applications are called e-learning platforms. Within teaching and learning, research has highlighted factors that influence learners during their learning process. These factors have identified the uniqueness of each learner. In order to effectively address this uniqueness of the learner, a new way of teaching has been developed. This is called instructional differentiation and it takes into account these specific factors. It allows for teaching and learning activities to be tailored to the individual learner. However, in spite of this personalization, pedagogical differentiation is only rarely practiced by teachers during the learning process because of the number of learners in a class. Given the complexity of implementing differentiated instruction and the growing interest in the use of online learning platforms, the question arises: are online learning platforms a solution to the difficulty of implementing differentiated instruction? An analysis of e-learning platforms would help answer this question. However, we have not been able to find methods that allow for the analysis of platforms according to the factors that influence the learner. Our first objective in this thesis is to propose a method for analyzing platforms that only takes into account the factors that influence the learner. More specifically, this method focuses on the learning activities that take place on the platform. By determining the factors present within the different tasks that allow the realization of a learning activity, we deduce the factors present in the activity and subsequently those present within the platform. However, this method allowed us to see that the learning platforms were not designed taking into account the factors that influence the learner. We then set as a second goal to propose an integration of factors within the platforms. We started by looking for an architecture that best met our needs. After several researches, we agreed that the microservices architecture combined with the model-view-controller (MVC) design model was the most appropriate to meet our needs. It allowed us to design several microsystems, each of which would manage a particular category of factors. This architecture can be integrated into existing platforms but also be used as a basis for the design of new platforms. The realization of the feasibility tests of our architecture, thereafter, showed us that although being rather complex to set up it was nevertheless feasible. However, it requires the knowledge of several experts in the fields concerned (teacher, educator, psycho-educator).

Malgré sa popularité grandissante, la formation en ligne en contexte universitaire doit composer avec des problématiques liées à la persévérance et à la réussite, puisque les taux d'abandon et d'échec seraient plus élevés dans ce type de formation qu'en présentiel sur le campus. Dans l'optique de soutenir la persévérance et la réussite des étudiants, l'Université Laval a développé un tableau de bord d'analyse des activités d'apprentissage qui vise à faire prendre conscience aux étudiants de leur participation dans leurs cours, et à les orienter vers des ressources d'aide. Cette recherche porte sur l'utilisation de ce tableau de bord (appelé Ma réussite) pour soutenir l'autorégulation de l'apprentissage et la réussite des étudiants de premier cycle en formation en ligne. Plus précisément, elle a pour objectif de documenter comment et par qui le tableau de bord est utilisé ainsi que les représentations des étudiants à son égard. Cette thèse vise également à vérifier si la théorie unifiée d'acceptation et d'utilisation de la technologie (UTAUT) peut expliquer l'utilisation du tableau de bord, et si son utilisation est liée à la réussite des étudiants. Pour ce faire, nous avons réalisé un sondage auprès de 309 étudiants de 15 cours en ligne différents dans quatre facultés. Nous avons également obtenu les traces numériques d'utilisation de Ma réussite par les étudiants durant la session d'automne 2019. Nos résultats indiquent que Ma réussite est peu utilisé, et que le nombre de visites est significativement plus élevé pour les étudiants qui suivent leur premier cours en ligne, pour ceux qui sont en contact avec l'outil pour la première fois ainsi que pour les primo-entrants. À l'aide du modèle d'autorégulation de Zimmerman (1998), nous avons exploré les perceptions des étudiants concernant l'utilité du tableau de bord pour soutenir l'autorégulation de l'apprentissage. Nos résultats indiquent que les étudiants sont d'accord que Ma réussite soutient l'autorégulation de l'apprentissage, notamment le monitorage et la régulation de l'effort. Les primo-entrants et les étudiants qui sont en contact avec l'outil pour la première fois perçoivent davantage le tableau de bord comme un soutien à l'autorégulation. Nous avons également documenté les perceptions des étudiants concernant les variables qui prédisent l'utilisation selon l'UTAUT, soit la performance attendue, l'effort attendu, l'influence sociale, les conditions facilitatrices et l'intention d'utilisation. Nos résultats indiquent que Ma réussite est utile, facile à utiliser et que les conditions facilitant son utilisation sont en place. Cependant, l'influence sociale pour l'utiliser est perçue comme étant faible. Les étudiants en contact avec l'outil pour la première fois et les primo-entrants perçoivent Ma réussite plus utile et ont davantage l'intention de l'utiliser à l'avenir que les autres étudiants. Ensuite, nous avons validé l'UTAUT, adaptée à l'étude, avec des analyses d'équations structurelles basées sur les moindres carrés partiels. Nos résultats ont permis de valider les hypothèses comme quoi la performance attendue, l'effort attendu, l'influence sociale et l'utilisation actuelle influencent l'intention d'utilisation. Cependant, nos résultats indiquent que les conditions facilitatrices ne sont pas un facteur déterminant de l'intention d'utilisation. Notre modèle de recherche permet d'expliquer 62 % de la variance de l'intention d'utilisation et 72 % de la variance de la performance attendue, avec comme seule variable prédictive le soutien à l'autorégulation. Finalement, nos résultats n'ont pas permis de confirmer un lien entre l'utilisation du tableau de bord et la note finale au cours des étudiants. Cette étude a ainsi contribué à l'avancement des connaissances, puisque très peu d'études ont traité de l'utilisation du tableau de bord des activités d'apprentissage par les étudiants dans des contextes éducatifs réels. Elle permet donc d'apporter un éclairage sur la fréquence et les périodes d'utilisation du tableau de bord par les étudiants selon plusieurs caractéristiques sociodémographiques. Cette étude a également permis d'approfondir le concept d'utilité du tableau de bord, en explorant les perceptions des étudiants sur le soutien que procure Ma réussite à l'autorégulation de l'apprentissage. Ces découvertes peuvent ainsi fournir de l'information aux gestionnaires de l'outil pour l'améliorer, notamment en ajoutant des fonctionnalités permettant de mieux soutenir l'autorégulation de l'apprentissage, et en informant davantage les parties prenantes de son fonctionnement. Finalement, il s'agit de la première étude à valider l'UTAUT en contexte d'utilisation du tableau de bord des activités d'apprentissage par les étudiants. / Despite its growing popularity, online training in university context have to deal with issues related to perseverance and success, since dropout and failure rates are higher in this type of training than on campus training. In an effort to support student retention and success, Université Laval has developed a learning analytics dashboard that aims to make students aware of their participation in their courses, and to guide them toward help resources. This research focuses on the use of this dashboard (called Ma réussite) to support self-regulation of learning and the success of undergraduate online learning students. More specifically, it aims to document how and by whom the learning analytics dashboard is used as well as students' perceptions towards it. This thesis also aims to verify whether the Unified Theory of Acceptance and Use of Technology (UTAUT) can explain the use of the learning analytics dashboard, and whether its use is related to student success. To do this, we conducted a survey with 309 students in 15 different online courses across four faculties. We also obtained digital traces of student use of Ma réussite during the fall 2019 semester. Our results indicate that Ma réussite has low usage, and that the number of visits to Ma réussite is significantly higher for students taking their first semester in university or their first online course, and for those who are in contact with the tool for the first time. Using the self-regulation learning model (Zimmerman, 1998), we explored students' perceptions of the usefulness of the dashboard in supporting self-regulation of learning. Our results indicate that students agree that Ma réussite supports self-regulation of learning, including monitoring and regulation of effort. New entrants and students who are in contact with the tool for the first time perceive the dashboard more as a support for self-regulation. We also documented students' perceptions of the variables that predict use according to UTAUT: performance expectancy, effort expectancy, social influence, facilitating conditions, and intention to use. Our results indicate that Ma réussite is useful, easy to use and that the conditions facilitating its use are in place. However, the social influence to use it is perceived to be low. New entrants and students who are in contact with the tool for the first time perceive Ma réussite as more useful and intend more to use it in the future than other students. We also conducted partial least squares structural equation modeling to validate UTAUT, tailored to the study. Our results confirm hypotheses that performance expectancy, effort expectancy, social influence, and current use influence intention to use. However, our results indicate that facilitating conditions are not a determinant of intention to use. Our research model explains 62% of the variance in intention to use and 72% of the variance of performance expectancy, with self-regulation support as the only predictor variable. Finally, our results did not confirm a relationship between learning analytics dashboard use and student final grade. This study has contributed to the advancement of knowledge, since very few studies have examined the use of the learning analytics dashboard by students in real educational contexts. It therefore provides insight into the frequency and timing of student dashboard use across several socio-demographic characteristics. This study also further explored the concept of dashboard utility by exploring students' perceptions of the support that Ma réussite provides for self-regulation of learning. These findings can thus provide information for managers of the tool to improve it, including adding features to better support self-regulation of learning and further informing stakeholders about how it works. Finally, this is the first study to validate UTAUT in the context of student use of a learning analytics dashboard.

À l’heure du Web 2.0, de nouvelles pratiques d’apprentissage se sont développées au sein de la communauté universitaire. Les étudiants adoptent des pratiques d’intégration de leurs activités sociales au sein de leur processus d’apprentissage. Ces derniers s’attendent à avoir accès à une vaste quantité d’information à travers des outils formels ou informels et à faire partie d'une communauté mondiale de pairs. Le besoin de combiner les ressources institutionnelles et personnelles formalise le concept d’environnement personnel d’apprentissage (EPA). Toutefois, l’élaboration de tels environnements nécessite de développer des compétences complexes que les étudiants du supérieur, pourtant décrits comme natifs du numérique, ne possèdent pas nécessairement. Quelques supports de construction d’EPA ont été proposés dans la littérature, mais ces travaux mettent de côté un point important qui est l’interopérabilité des ressource s. L’objectif du présent mémoire est de fournir aux étudiants un support de construction de leur EPA sous forme d’un tableau de bord, qui permettra d’avoir une vision actualisée des ressources et d’exploiter davantage les liens qui en découlent. Offrir aux étudiants un support de construction de leur EPA est une façon de leur faciliter la réappropriation individuelle des ressources d’apprentissage provenant de sources variées et une gestion optimale en termes de contenu et de processus. La solution proposée est basée sur le concept des systèmes multi-agents et repose sur le modèle organisationnel Agent - Groupe - Rôle. Un prototype a également été implémenté et a permis de démontrer la faisabilité de la solution proposée. / With Web 2.0, the university community have developed new learning practices. Students adopt practices for integrating their social activities into their learning process. The needs of learners are rapidly changed and institutions do not still offer resources totally adapted to this context. Students expect to have access to a vast amount of information through formal or informal tools and to be part of a global peer community. The need to combine institutional and personal resources implies a new concept: Personal Learning Environment (PLE). A PLE is defined as a space for learners to customize the aggregation of heterogeneous resources for their learning needs. Developing such environments requires the involvement of complex skills that higher education students, though described as digital natives, do not necessarily possess. The objective of this research work is to allow students to have support for the construction of their PLE as a dashboard. It would provide an up - to - date view of resources use and further exploit the resulting linkages. The proposed solution is based on the Agent - Group - Role organizational model, one of design method for multi-agent systems. A prototype was also implemented and allowed to demonstrate the feasibility of the proposed solution.

Le but de ce projet de recherche est d’étudier de quelle manière un environnement virtuel d’apprentissage (EAV) peut soutenir l’apprentissage de la formation auditive de niveau collégial. Plus précisément, l’introduction d’un EAV dans deux classes de cégep de niveau différent nous a permis de documenter les modalités d’utilisation des étudiants afin d’analyser leur relation avec leurs résultats dans le cadre du cours. En collaboration avec un enseignant de formation auditive de niveau collégial, nous avons développé sur l’EAV des exercices hebdomadaires en lien avec la matière du cours, visant à aider les étudiants à développer leurs compétences auditives de manière autonome. D’abord, l’analyse des données récoltées sur l’EAV utilisé nous permet d’observer que les résultats des exercices réalisés sur la plateforme sont fortement reliés aux résultats des examens en classe. De plus, les étudiants ayant obtenu de meilleurs résultats en classe semblent utiliser l’EAV de manière plus autonome que les étudiants ayant obtenu des résultats plus faibles. Ainsi, l’utilisation des données fournies par cette plateforme semble être un bon indicateur du développement des compétences individuelles. Ceci offre donc aux éducateurs une manière de suivre la pratique hebdomadaire de chaque étudiant et permet d’offrir du soutien aux étudiants éprouvant le plus de difficulté.

Avec l'émergence des formations en ligne accessibles pour tous, la personnalisation de l'apprentissage devient de plus en plus cruciale et présente de nouveaux défis aux chercheurs du domaine. Il est actuellement nécessaire de tenir compte de l'hétérogénéité du public cible et lui présenter des contenus éducatifs adaptés à ses besoins et sa façon d'apprendre afin de lui permettre de profiter au maximum de ces formations et éviter le décrochage. Ce travail de recherche s'inscrit dans le cadre des travaux sur la personnalisation de l'apprentissage à travers les systèmes hypermédias adaptatifs utilisés en éducation (SHAE). Ces systèmes ont la vocation de personnaliser le processus d'apprentissage selon des critères bien spécifiques, tels que les pré-requis ou plus souvent les styles d'apprentissage, en générant un chemin d'apprentissage adéquat. Les SHAE se basent généralement sur trois modèles principaux à savoir le modèle apprenant, le modèle du domaine et le modèle d'adaptation. Bien que la personnalisation du processus d'apprentissage offerte par les SHAE actuels soit avantageuse pour les apprenants, elle présente encore certaines limites. D'un côté, juste le fait de personnaliser l'apprentissage augmente les chances que le contenu présenté à l'apprenant lui soit utile et sera ainsi mieux compris. Mais d'un autre côté, la personnalisation dans les SHAE existants se contente des critères niveau de connaissances et style d'apprentissage, et elle s'applique seulement à certains aspects qui n'ont pas évolué depuis leur création, à savoir le contenu, la présentation et la navigation. Ceci remet en question la pertinence des objets d'apprentissage attribués aux apprenants et la motivation de ces derniers à faire usage des SHAE sachant que ceux-ci se basent essentiellement sur les questionnaires pour la constitution de leur modèle apprenant. Suite à une étude empirique d'une cinquantaine de SHAE existants, révélant leurs atouts et limites, certains objectifs de recherche ont été identifiés afin d'améliorer l'expérience d'apprentissage à travers ces systèmes. Ces objectifs visent à établir un modèle de SHAE capable de (i) déterminer les données du modèle apprenant de façon implicite à partir des réseaux sociaux tout en répondant aux standards associés à ce modèle afin de construire le modèle apprenant; (ii) favoriser la collaboration entre les différents apprenants qui seraient mieux motivés à apprendre en collaborant; (iii) personnaliser, de façon automatique, de nouveaux aspects à savoir l'approche pédagogique, la collaboration et le feedback selon les traits de personnalité de l'apprenant en plus des trois volets existants. Un modèle de SHAE a été proposé pour répondre à ces objectifs. Ce modèle permet d’extraire les données personnelles de l'utilisateur à partir de ses réseaux sociaux et de prédire ses traits de personnalité selon son interaction avec ces réseaux. Par la suite, il est possible d'adapter les objets d'apprentissage, sur la base d'un système de recommandation, à ces traits de personnalité en plus du style d'apprentissage et du niveau de connaissances des apprenants. L'adaptation aux traits de personnalité de l'apprenant selon le modèle Big Five a permis de personnaliser de nouveaux aspects tels l'approche pédagogique, le type de collaboration et le feedback. Un prototype, "ColadaptLearn", conçu à partir de ce modèle et expérimenté avec un ensemble d'étudiants a permis de valider les choix du prototype pour les objets d'apprentissage, selon les règles préétablies, en les confrontant aux choix faits par les étudiants. Ces données ont été utilisées pour développer un réseau bayésien permettant de prédire les objets d'apprentissage adéquats aux futurs apprenants. Les résultats de l’expérimentation ont montré qu'il y a une bonne concordance entre les choix du prototype et ceux des apprenants, en plus d'une satisfaction de ces derniers par rapport aux feedbacks reçus, ce qui appuie le rajout des nouveaux aspects proposés. Comme suite à cette thèse, il est envisageable d'appliquer le modèle proposé dans des environnements d'apprentissage plus larges de types cours en ligne ouverts et massifs, jeu sérieux ou même des formations mobiles, ce qui contribuerait à mieux valider les propos amenés. Il est aussi possible d’utiliser des techniques d'apprentissage automatique autres que les réseaux bayésiens pour la prédiction des objets d'apprentissage adaptés. Finalement, il serait intéressant d'explorer d'autres sources de données qui pourraient fournir plus d'informations sur l'apprenant de façon implicite tels ses centres d'intérêt ou ses émotions auxquels un SHAE pourrait s'adapter. / With the growth of online learning accessible to all, learning personalization is becoming increasingly crucial and presents new challenges for researchers. It is currently essential to take into account the heterogeneity of the target audience and adapt educational content to their needs and learning style in such a way that they are able to fully benefit from these learning forms and prevent them from dropping out. This research work addresses learning personalization through adaptive educational hypermedia systems (AEHS). These systems are designed to customize the learning process according to specific criteria, such as prerequisites or, more often, learning styles, by generating a suitable learning path. AEHS are generally based on three main models: the learning model, the domain model and the adaptation model. Although the learning process customization offered by current AEHS is beneficial to learners, it still has some limitations. On one hand, just the fact of personalizing learning increases the likelihood that the content presented to the learner will be useful and thus better understood. But on the other hand, customization in existing AEHS is limited to the criteria knowledge level and learning style and applies only to certain aspects which have not evolved since their creation, namely content, presentation and navigation. This questions the relevance of the learning objects assigned to learners and their motivation to use such AEHS, knowing that they rely essentially on questionnaires to build their learner model. After conducting an empirical study of 50 existing AEHS, revealing their strengths and limitations, some research objectives were identified to improve the learning experience through such systems. These objectives aim to establish an AEHS model which is able to (i) implicitly identify the learning model data on the basis of social networks while meeting the associated standards; (ii) promote collaboration between different learners who would be better motivated to learn while collaborating; (iii) automatically customize new aspects such as the teaching approach, collaboration and feedback according to learners' personality traits in addition to the three existing ones. An AEHS model has been proposed to meet these objectives. This model makes it possible to extract the user's personal data from his social networks and to predict his personality traits depending on his interaction with these networks. Thereafter, it is possible to adapt the learning objects, on the basis of a recommendation system, to these personality traits in addition to the criteria learning style and knowledge level. Adapting to the learner's personality traits according to the Big Five model enabled the customization of new aspects such as the pedagogical approach, the collaboration type and the feedback. A prototype, "ColadaptLearn", based on this model and experimented with a group of students, validated the prototype's choices for learning objects while confronting them to the students' choices. These data were then used to build a Bayesian network to predict the appropriate learning objects for future learners. The experimental results showed that there is a good match between the prototype choices and those of learners, in addition to learners' satisfaction regarding the feedback received, which supports the addition of the proposed new aspects. As a follow-up to this thesis, it is possible to apply the proposed model in a larger learning environment such as massive open online courses (MOOC), serious games or mobile learning, which would help to validate the proposals made. It is also possible to use other automatic learning techniques than Bayesian networks to predict suitable learning objects. Finally, it would be interesting to explore other data sources that could implicitly provide more information about the learner, such as his or her interests or emotions that an SHAE could adapt to.

Les problématiques de surplus de poids sont en augmentation depuis les dernières décennies, notamment chez les jeunes québécois. Cette augmentation est en lien avec des habitudes alimentaires présentant des différences importantes avec les recommandations nutritionnelles. De plus, le gouvernement provincial a instauré des changements importants au Programme de formation de l’école québécoise afin de stimuler l’adoption de saines habitudes de vie. Afin de contrer ces problématiques de surplus de poids et d’habitudes alimentaires déficientes et de poursuivre dans la lignée de la réforme scolaire, le Nutriathlon en équipe version Web a été développé. Ce programme a pour but d’amener chaque participant à améliorer la qualité de son alimentation en augmentant et en diversifiant sa consommation de légumes, de fruits et de produits laitiers. Les objectifs de la présente étude sont (1) d’évaluer l’impact du programme sur la consommation de légumes, de fruits (LF) et de produits laitiers (PL) d’élèves du secondaire et (2) d’évaluer les facteurs influençant la réussite du programme chez ces jeunes. Les résultats de l’étude ont démontré que pendant le programme ainsi qu’immédiatement après, le groupe intervention a rapporté une augmentation significative de la consommation de LF et de PL par rapport au groupe contrôle. Par contre, aucun effet n’a pu être observé à moyen terme. Quant aux facteurs facilitant le succès du Nutriathlon en équipe, les élèves ont mentionné : l’utilisation de la technologie pour la compilation des portions, la formation d’équipes, l’implication des enseignants et de l’entourage familial ainsi que la création de stratégies pour faciliter la réussite du programme. Les élèves ont également mentionné des barrières au succès du Nutriathlon en équipe telles que le manque d’assiduité à saisir leurs données en dehors des heures de classe, la dysfonction du code d’utilisateur et l’incompatibilité de la plateforme avec certains outils technologiques comme les tablettes. / In the past few decades, in Quebec, there are significant increases in the prevalence of at-risk-for overweight and overweight among children and adolescents. Moreover, the majority of children and adolescents do not meet daily recommendations for vegetables and fruits (VF) and dairy products (DP) consumption. Therefore, the Quebec education program has encouraged schools to develop new competencies to improve the adoption of healthy lifestyle habits. The Team Nutriathlon, a computer-assisted school-based nutrition intervention, has been created to support this initiative. This program aimed to increase the consumption and variety of VF and DP in children. The aims of this study were (1) to evaluate the impact of Team Nutriathlon, a school-based nutrition intervention, on VF and DP consumption in children, and (2) to evaluate factors that influence the success of the program among high school students. The results of the study show that during and immediately after the program, children in the intervention group consumed more servings of VF and DP compared to the control group. No effect has been shown ten weeks after the program. Students reveal that the use of technology for recording the number of servings, team work, teacher’s and family’s implication and the use of strategies were facilitating factors contributing to the success of the program. Students also revealed that the lack of attendance with the data collection outside of school hours, the user code dysfunction and the incompatibility of the Web platform with students technologic tools (tablet) were barriers for the success of the program.

Cette étude a exploré des séances de tutorat d’anglais, langue seconde, dans le contexte de la plateforme Elluminate, un environnement numérique d'apprentissage en mode synchrone. Les participants de cette étude étaient des étudiants inscrits à un programme de formation à l’enseignement de l’anglais, langue seconde, au Québec et des élèves de première année secondaire au Mexique. L’étude porte sur trois questions de recherche : (1) les types d’échafaudage mises en œuvre par les tuteurs, (2) les perceptions des tuteurs quant à ce type d’enseignement, et (3) les perceptions des élèves quant aux expériences vécues en tant qu’apprenants. Les données ont été cueillies notamment à partir d’enregistrements des séances en ligne et de questionnaires. Quatre types d’échafaudage préalablement définis par Pawan (2008), soit de type linguistique, conceptuel, social et culturel, ainsi qu’un cinquième de type technique, ont été relevés. Les participants ont généralement trouvé leurs expériences vécues en ligne positives. / The study explored ESL tutoring sessions in the context of the Elluminate platform, a synchronous language management system (SLMS). The participants were ESL pre-service teachers from Québec who provided tutoring to small groups of secondary 1 ESL students located in Mexico. The study focused on three research questions: (1) the types of scaffolding provided by the tutors, (2) the tutors’ perceptions of teaching within this environment, and (3) the learners` perception of their learning experience. Data collection included screen capture of the online sessions and surveys. In addition to the four types of scaffolding previously identified by Pawan (2008) – linguistic, conceptual, social and cultural, a fifth type, particular to the SLMS environment – technical scaffolding, also emerged. Both tutors and ESL students were generally positive about their online experiences.

Depuis la crise sanitaire, Internet est devenu de plus en plus essentiel et bouleverse nos habitudes de vie dont celles relatives à nos dynamiques d'apprentissage. Ainsi, l'e-learning gagne du terrain et nous assistons donc à la mise en œuvre d'une myriade de systèmes en ligne dédiés à favoriser l'accès aux savoirs. Le but de cette étude consiste à mettre en relief les expérimentations qui explorent la part que les supports technologiques seraient en mesure d'apporter pour compenser l'absence d'une tierce personne lors de l'usage de système en ligne. Aussi, non seulement ce mémoire tente de faire un bilan sur l'accès aux savoirs en Haïti et au Québec, il essaie aussi de recenser des systèmes d'aide à l'apprentissage utilisant l'Intelligence Artificielle et qui sont créés ou utilisés au Québec et en Haïti. Le Design Fiction est mobilisé comme cadre méthodologique pour une exploration prospective autour de ces systèmes en ligne en lien avec l'un de leurs grands défis : l'interaction sociale. Par-dessus-tout, cette étude explore dans quelle mesure l'Intelligence Artificielle, dans sa portée d'ordre épistémologique, offrirait un changement paradigmatique pour l'apprentissage. / Since the health crisis, the Internet has become more and more essential and is disrupting the way we live our lives, including our learning dynamics. Thus, e-learning is gaining ground, and we are witnessing the implementation of a myriad of online systems dedicated to promoting access to knowledge. The aim of this study is to highlight experiments that explore the part that technological supports could play in compensating for the absence of a third person when using online systems. Also, not only does this dissertation attempt to take stock of access to knowledge in Haiti and Quebec, it also tries to identify learning support systems using Artificial Intelligence that are created or used in Quebec and Haiti. Design Fiction is mobilized as a methodological framework for a prospective exploration around these online systems in relation to one of their major challenges: social interaction. Above all, this study explores the extent to which Artificial Intelligence, in its epistemological scope, could present a paradigmatic shift for learning.