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.
Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/124306 |
Date | 25 March 2024 |
Creators | Nsounwoundi Mefire, Yolande Isabelle |
Contributors | Capus, Laurence |
Source Sets | Université Laval |
Language | French |
Detected Language | French |
Type | COAR1_1::Texte::Thèse::Mémoire de maîtrise |
Format | 1 ressource en ligne (viii, 64 pages), application/pdf |
Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0019 seconds