Les systèmes tutoriels intelligents (STI) sont une des applications de l'intelligence artificielle (IA) en éducation. Ils visent à simuler les activités (tâches) des tuteurs humains et à s'adapter au contexte individuel de chaque apprenant en vue de l'accompagner vers l'acquisition des habiletés requises pour la résolution d'une ou de quelques classes de problèmes dans un domaine de compétences donné. Le modèle de tutorat des environnements d'apprentissage adaptatif résulte alors de la modélisation duale de champs de compétences spécifiés et de processus pédagogiques. Ainsi, le modèle de tutorat assure l'automatisation des interventions pédagogiques en se reposant sur le modèle du domaine et en tenant compte du contexte cognitif, voire du contexte métacognitif, social, ou affectif de l'apprenant. La complexité fonctionnelle de ces plateformes a généré deux approches conceptuelles divergentes priorisant chacune, de manière mutuellement exclusive, un seul des deux principaux paramètres à la base de la modélisation du tutorat informatique, à savoir, la densité des contenus d'apprentissage et la précision du suivi des acquis et du processus d'apprentissage. L'opérationnalisation de chacune de ces approches soulève de problèmes architecturaux conséquents se rapportant à la question de l'extensibilité du tutorat dans un STI. La divergence principielle de ces approches induit une certaine complémentarité que nous avons mise en exergue dans ces travaux. En guise de réponse à la question susmentionnée, nous proposons une approche hybride de conceptualisation du tutorat informatique, une démarche de modélisation et un ensemble d'abstractions permettant de rendre compatible les approches de tutorat par traçage des connaissances (TC) et par séquençage du curriculum (SC). L'extension d'un système d'IA est un processus complexe qui passe par la mise en collaboration de différents formalismes de représentation des connaissances et divers mécanismes d'inférence. Ainsi, notre démarche, qui vise à intégrer les logiques principielles de SC et de TC, s'appuie sur la compatibilité et la flexibilité existant entre le mécanisme de raisonnement à base de règles et le formalisme de représentation par objets au sein duquel les mécanismes natifs de propagation d'instances assurent le changement d'états du système et l'automatisation des processus métiers. D'un modèle ontologique de haut niveau d'abstraction à un modèle d'architecture physique, en passant par un vocabulaire de description des contenus et des contextes d'apprentissage et par un ensemble de modèles logiques et fonctionnels, notre contribution à la résolution des défauts de scalabilité des STI actuels intègre la définition et la conceptualisation du problème de l'extensibilité des modèles de tutorat assisté par ordinateur, la proposition d'une solution, l'élaboration et la mise en œuvre d'une démarche d'opérationnalisation et de validation de la solution proposée. / Intelligent tutoring systems (ITS) are one application of artificial intelligence in education. They aim to simulate the activities of "human tutors" and adapt to the context of each learner to help them acquire the skills required to solve problems in a given knowledge area. The tutoring model of an adaptive learning environment then results from the modelling of a specific knowledge domain and the modelling of pedagogical expertise. Thus, the tutoring model ensures the automation of pedagogical interventions by referring to the domain model and considering the cognitive context, and sometimes, the metacognitive, social or affective context of learners. From the functional complexity of these platforms have emerged two divergent conceptual approaches prioritising, each one, in a mutually exclusive way, only one of the two main parameters underlying the modelling of computer-aided tutoring: the size of the learning content and the precision of the monitoring of learner's skills and the learning process. Operationalising these paradigms raises enormous architectural issues including the question of scaling up tutoring in an ITS. The principled divergence of both paradigms induces some complementarity highlighted in this work, and, answering the above question, we propose a hybrid approach to the conceptualisation of automated tutoring, a modeling approach and a set of abstractions to make the knowledge tracing (KT) and curriculum sequencing (CS) approaches compatible. Scaling up an artificial intelligence system is a critical process that requires the collaboration of different knowledge representation formalisms and inference mechanisms. Our approach, which aims to integrate the conceptual logics of SC and KT, is based on the compatibility and flexibility between the rule-based reasoning mechanism and the object-based or frame-oriented representation formalism within which the native mechanisms of instance propagation ensure the system's state changes and the automation of business processes. From a high-level ontological model (based on a vocabulary for describing content and learning contexts) to a physical architecture model, passing by logical and functional models, our contribution to fixing this level 2 scalability defect includes, on the one hand, the definition of the problem of scaling up tutoring in an ITS and the proposal of a solution, and on the other hand, the conceptualisation, the operationalisation and the validation (via prototyping) of that solution.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/148304 |
| Date | 12 August 2024 |
| Creators | Ebale Nnemete, Alphonse |
| Contributors | Capus, Laurence |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xiv, 179 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.002 seconds