Une approche hybride à la modélisation de l'apprenant dans un STI pour l'apprentissage du raisonnement logique
| Autor: | Nkambou, Roger, Tato, Ange, Brisson, Janie, Robert, Serge, Sainte-Marie, Maxime |
|---|---|
| Jazyk: | francouzština |
| Rok vydání: | 2020 |
| Předmět: | |
| DOI: | 10.23709/sticef.27.2.5 |
| Popis: | This paper presents a hybrid approach to learner modeling into MUSE-Logic, an ITS for logical reasoning learning. A Bayesian network built by experts is first proposed, followed by a model built from data that improves both the Bayesian network structure and its initialization for a new learner. A second model built from deep learning on data, completes the proposed hybrid solution. The combination of these three methods gives the learner model both expert and data validity, and significantly improves its predictive power. Cet article présente une démarche hybride pour la modélisation de l’apprenant dans le STI MUSE-Logique conçu pour l’apprentissage du raisonnement logique. Un réseau bayésien à validation experte est d’abord proposé, suivi par un modèle construit à partir des données qui permet d’améliorer la structure du réseau bayésien et son initialisation pour un nouvel apprenant. Un autre modèle construit par apprentissage profond sur des données, complète la solution hybride proposée. La combinaison de ces trois méthodes confère au modèle apprenant une validité induite des connaissances expertes et des données, et améliore son pouvoir prédictif. Nkambou Roger,Tato Ange,Brisson Janie,Robert Serge,Sainte-Marie Maxime. Une approche hybride à la modélisation de l’apprenant dans un STI pour l’apprentissage du raisonnement logique. In: Sciences et Technologies de l'Information et de la Communication pour l'Éducation et la Formation, volume 27 n°in, 2020. Numéro spécial : Sélection de la conférence EIAH 2019. pp. 63-102. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|