Colloque 2021 sur la recherche en intelligence artificielle au service de l’éducation

Brèves communication : 

• S’orienter grâce aux jeux vidéo ?

Brève présentée par Siegfried Delannoy | Doctorant en CIFRE | ORIENTOI

La problématique de recherche est le fait d’aider à l’orientation en fonction des façons de jouer, le tout via le serious game, rendant ainsi la démarche moins anxiogène et maximisant l’implication des concernés.

Mon objectif est de déterminer les moyens permettant de proposer un métier attrayant à un joueur, à partir de données de jeu, puis d’automatiser la proposition de métiers en fonction de ces données de jeux et d’autres données.

Pour se faire les volontaires doivent jouer à plusieurs petits jeux et se positionner sur des questionnaires. Les questionnaires sont sur les jeux vidéo, sur leur personnalité (notamment via le Big Five qui est reconnu scientifiquement) et sur leurs attraits pour des métiers. Les jeux ont été réalisés suite à un travail de bibliographie, et ont été pensés pour correspondre aux standards actuels.

Les questions sur les jeux permettent notamment d’éviter certains biais, avec par exemple le temps de jeu moyen du candidat, mais peuvent aussi être des variables d’intérêt pour les prédictions, tel que ces types de jeux préférés.

La personnalité et les métiers attrayants pour un utilisateur constituent les variables à prédire dans le cadre de ma thèse. Parmi les questionnaires de psychologie se trouvent ceux permettant de limiter les biais, comme le DS36 (équivalent français du BIDR).

L’étape de récolte de données étant encore assez récente, je n’ai pour le moment pas encore exploré la partie prédiction. Cependant, j’ai exploré des liens entre des attentes et signatures de jeux, avec des traits de personnalités, ainsi qu’avec certains attraits pour des métiers.

Dans les mois qui viennent, mon but est la réalisation d’un modèle prédictif permettant de prédire les traits de personnalités à partir de données de jeu, puis de finaliser la chaîne en prédisant les attraits pour des métiers en fonction des différentes données.

• IA et éducation : de la recherche à l’application

Brève présentée par Benoît Choffin | Lead data scientist | EvidenceB

Dans un premier temps, je détaillerai quelques travaux de recherche que j’ai menés durant ma thèse en informatique, sur le sujet des algorithmes d’espacement adaptatif et personnalisé de l’apprentissage humain. À partir de l’historique d’apprentissage passé d’un apprenant, ces outils détectent ses besoins et personnalisent séquentiellement l’espacement temporel entre deux révisions d’une même connaissance afin de maximiser sa mémorisation à long terme.

Ensuite, je présenterai un exemple d’implémentation concrète et réelle de deux algorithmes d’intelligence artificielle pour l’éducation dans le cadre d’un projet P2IA intitulé Adaptiv’Maths. Le premier, un algorithme de bandit manchot, a été développé par l’équipe Flowers de l’Inria Bordeaux, et optimise le parcours des élèves en cherchant à leur proposer à chaque instant les activités qui sont les plus susceptibles de les faire progresser. Le deuxième est un algorithme de clustering qui a été développé par l’équipe MOCAH du LIP6 (Sorbonne Université) et qui sert à former de manière automatique des groupes d’élèves présentant des caractéristiques d’apprentissage similaires. L’enseignant peut alors utiliser ces regroupements pour différencier sa pratique pédagogique et, par exemple, faire travailler chaque groupe sur un sujet adapté à ses besoins.

• Entraîner l’auto-régulation de l’apprentissage dans un logiciel d’apprentissage de la lecture

Brève présentée par Thomas Sergent | Doctorant en Educational Data Mining | Lalilo

L’auto-régulation de l’apprentissage est un processus dynamique par lequel un élève planifie, surveille et évalue ses apprentissages. Parmi les compétences de l’autorégulation de l’apprentissage, nous nous sommes intéressés à l’auto-évaluation et au sentiment d’auto-efficacité. Dans Lalilo – une application web pour l’apprentissage de la lecture et de l’écriture – nous avons introduit des énoncés liés à ces deux compétences en parallèle des exercices de lecture. Le but était d’identifier les critères aidant les élèves à correctement s’auto-évaluer et se positionner par rapport à leur auto-évaluation. Nous discuterons de l’intérêt de former les élèves à ces deux compétences et des résultats obtenus. Le but, à terme, étant d’utiliser les réponses à ces énoncés d’auto-régulation dans la recommandation des exercices de lecture.

• Influence de l’exploration et de l’exploitation par processus évolutif indépendant

Brève présentée par Alexandre Bettinger | Doctorant | Université de Lorraine

1 Problématique
En recommandation, l’espace de recherche représente l’ensemble des combinaisons recommandables possibles. Cet ensemble doit être parcouru à l’aide d’un processus d’exploration et d’exploitation (E&E) [2][3][4] afin de trouver de bonnes combinaisons.
Notre problématique est la suivante : Quels nouveaux processus proposer afin d’influencer l’E&E, en prenant en compte divers critères et contraintes ?

2 Contributions
Nous proposons un processus d’influence de l’E&E, évolutif, indépendant et utilisant des indicateurs d’influence. Il est appellée plusieurs fois pendant le run d’un algorithme. L’ensemble des solutions de l’algorithme à l’instant “t” est passé en paramètre du processus qui va transformer ces dernières itérativement en fonction de l’évolution d’un indicateur d’influence. Différents indicateurs d’influence peuvent être utilisés pour représenter l’E&E, nous en avons aussi proposé quelques-uns [1].

3 Expérimentations et résultats
Nos expérimentations ont été menées sur le dataset “Movielens 25M” [6]. Un algorithme génétique nous sert de référence de comparaison, nous lui avons appliqué nos fonctions d’influence [1].
Les résultats montrent que l’influence n’est pas utile dans tous les contextes, ce qui est normal car en fonction de la morphologie de l’espace de recherche et des contraintes, un algorithme non-influencé peut obtenir les meilleurs résultats. Nous constatons aussi que nos fonctions d’influence peuvent avoir un impact positif sur les résultats des critères d’évaluation considérés tout en influençant le comportement d’E&E et que les indicateurs d’influence proposés permettent d’obtenir une représentation de l’E&E sous de nouveaux angles. Nous pensons donc avoir contribué aux portes ouvertes de l’état de l’art concernant les processus d’influence ainsi que les modes de représentation et d’explicabilité de l’E&E. Ces résultats nous semblent prometteurs pour la suite de nos travaux.

AI in education: Apply NLP to answer students’ academic questions

Brève présentée par Ha Quang Le | Chief Data Scientist | ProfessorBob.aiI

In the last few years, progress in NLP, in the form of profound neural networks of different architectures like, most recently, Transformers, or more classic, like LSTM/RNN, has enabled machines to significantly close the gap with human performance on extremely difficult tasks like Text Generation, Summarization or Question Answering. We realized how significant these innovations are in education. However, these recent breakthroughs happened mostly inside a few of the most spoken languages like English and Chinese and the majority of them only address common knowledge fields. It is therefore quite challenging to develop highly performant models in other languages or in particular domains. This is the ultimate goal of our works, which until now focus on:

• Creation of multilingual and domain-specific datasets.
• Developing multilingual models for tasks like Question Generation, Question Answering in particular domains like Mathematics, Programming, etc…
• Combine NLP with web-semantic/graph algorithms to achieve better performance.

In this presentation, we want to briefly discuss the current state of NLP, how we address the aforementioned problems and what is the future of our works.

*Plus de détail sur la communication orale :

Lors d’une communication orale, les chercheurs et les doctorants ont l’occasion de présenter oralement les travaux qu’ils ont réalisés et notamment leurs résultats de leurs recherches.
A la différence d’un symposium, les intervenants n’ont pas la nécessité de s’unir à des chercheurs partageant le même domaine, et n’ont pas forcément besoin d’être liés par un même thème.

Pour cette communication, il s’agit d’être assez bref puisqu’elle durera 15 minutes et sera suivie d’une session questions-réponses de 10 minutes complémentaires. L’idée est de présenter le concept principal d’une étude en indiquant les différentes étapes comme la méthodologie, le résultat, etc… Si vous souhaitez participer à cette communication, vous devrez proposer un résumé de votre communication de maximum 2000 caractères en incluant les espaces.