\chapter{Conclusions et Perspectives}

\section{Conclusion générale}
Dans le travail réalisé pendant cette thèse.\\

\section{Perspectives}

Le système devrait être testé avec des données réelles dans un environnement standard réel afin d'obtenir des informations sur certains groupes caractéristiques spécifiques d'étudiants et de comparer les résultats obtenus avec les résultats théoriques, consolidant ainsi les preuves comportementales et l'efficacité du modèle proposé.

Comme travail futur, il est proposé d'intégrer dans le modèle d'autres variables obtenues avec des algorithmes d'intelligence artificielle complémentaires tels que l'analyse vidéo, l'analyse audio et même l'analyse des données obtenues des apprenants tout au long du processus d'apprentissage. Analyser le modèle avec différentes configurations paramétriques, afin de déterminer quelles sont les configurations les plus appropriées et comment chaque variable influence le comportement global des algorithmes exécutés et le résultat final.

Comme perspectives de ce travail peuvent être envisagées :
\begin{itemize}
    \item L'étude du modèle de raisonnement à partir de cas en profondeur avec l'analyse de changement des paramètres.
    \item Analyser le comportement de l'algorithme avec des metriques de distance différentes de la distance Euclidiene.
    \item Analyser la modification de la fonction de optimisation associé au choix de la meilleure solution dans les solutions générées par le second stacking processus.
    \item Détérminer le point de rupture pour différents scénarios.
\end{itemize}

Pour l'échantillonage de Thompson les perspectives ouvertes par ce travail sont :
\begin{itemize}
    \item Changer la famille des distributions de probabilité et étudier la performace obtenue.
    \item Calculer de façon dynamique les taux corrélées d'actualisation des ditributions de probabilité pour chaque niveau de complexité.
    \item Ajouter une comportement décroissante à l'actualisation des distributions de probabilité pour améliorer l'adaptabilité su modèle.
\end{itemize}

Aussi, évaluer le système avec une base de données avec des erreurs pour mesurer la résilience du modèle et comment il peut s'autocorregir face à d'eventuels disfonctionnements.

De façon générale il est possible de définir des intervales pour chaque paramètre et executer un analyse de sensibilité pour évaluer les résultats avec l'objetif de estimer la stabilité du système et les limites numériques.