dsotofor / Manuscrit

Commit 81b5d38408d53779f781cfb8932847dd84437fdd

Authored by dsotofor 2025-07-13 20:25:55 +0200

Exists in main

version all ok, corrections to do in general conclusion...

Showing 5 changed files with 51 additions and 44 deletions Side-by-side Diff

chapters/Conclusions.tex
chapters/Publications.tex
main.log
main.pdf
main.synctex.gz

...	...	@@ -2,37 +2,37 @@
2	2
3	3	\section{Conclusion générale}
4	4
5		-Nous avons vu dans l'état de l'art et aussi avec l'expérimentation que nous avons mené dans une école maternelle pour l'apprentissage de l'anglais en utilisant AI-VT que les environnements informatiques pour l'apprentissage humain (EIAH) doivent trouver des stratégies adaptées afin d'exploiter et d'analyser toute l'information récoltée sur l'évolution de l'apprenant et ses éventuelles lacunes. L'intégration d'un système de recommandation en temps réel proposant des alternatives de parcours dynamiques et variées aux apprenants présente donc de nombreux avantages.
	5	+Ces travaux de recherche et l'expérimentation que nous avons mené dans une école maternelle pour l'apprentissage de l'anglais en utilisant AI-VT ont montré que les environnements informatiques pour l'apprentissage humain (EIAH) doivent trouver des stratégies adaptées afin d'exploiter et d'analyser toute l'information récoltée sur l'évolution de l'apprenant et ses éventuelles lacunes. L'intégration d'un système de recommandation en temps réel proposant des alternatives de parcours dynamiques et variées aux apprenants a pour but de répondre à ce besoin particulier.
6	6
7	7	Nous avons montré dans ces travaux de quelle manière les outils d'IA et d'apprentissage automatique peuvent répondre à cette problématique. Ils permettent en effet de travailler avec des données structurées selon un contexte déterminé, d'explorer et d'exploiter les espaces où ces données sont définies, d'analyser et d'extraire l'information utile pour connaître les comportements, les tendances et les faiblesses des apprenants. Parmi tous les outils d'IA, nous nous sommes plus particulièrement tournés vers ceux dont le fonctionnement nécessite peu de données car ils permettent à des apprenants inconnus de l'EIAH de se voir proposer des adaptations en temps réel dès les premiers exercices.
8	8
9		-L'EIAH AI-VT qui a servi d'environnement d'application et d'expérimentation à ces travaux est donc aujourd'hui capable de proposer des recommandations dynamiques et personnalisées en utilisant l'apprentissage par renforcement, la génération de solutions stochastique, le raisonnement Bayésien, les approches d'ensemble avec plusieurs algorithmes via deux empilements, l'optimisation stochastique itérative, l'intégration d'approches locales et collaboratives, le raisonnement à partir de cas avec les systèmes multi-agents et le processus de Hawkes.
	9	+AI-VT est donc aujourd'hui capable de proposer des recommandations dynamiques et personnalisées en utilisant l'apprentissage par renforcement, la génération de solutions stochastique, le raisonnement Bayésien, les approches d'ensemble avec plusieurs algorithmes via deux empilements, l'optimisation stochastique itérative, l'intégration d'approches locales et collaboratives, le raisonnement à partir de cas avec les systèmes multi-agents et le processus de Hawkes.
10	10
11		-Les jeux de données testés (réelles et générées) ont permis de tester la solidité du système, son amélioration progressive et l'unification de tous les algorithmes, outils et modules proposés. Deux métriques ont également été proposés afin de mieux mesurer le degré d'adaptabilité du système au regard de chaque apprenant, une métrique permet de mesurer la qualité de l'adaptation du système dans un parcours standard, où l'objectif de l'apprenant est de avancer dans l'acquisition de la connaissance et dans les niveaux de complexité, l'autre métrique prétend de mesurer aussi la qualité, mais dans le cas de un parcours de révision, où l'objectif de l'apprenant est de renforcer la connaissance dans chaque niveau de complexité avant de passer au niveau suivant.
	11	+Les jeux de données testés (données réelles et générées) ont permis de tester la solidité du système, son amélioration progressive et l'unification de tous les algorithmes, outils et modules proposés. Deux métriques ont également été proposés afin de mieux mesurer le degré d'adaptabilité du système au regard de chaque apprenant. La première métrique permet de mesurer la qualité de l'adaptation du système dans un parcours standard, où l'objectif de l'apprenant est d'avancer dans l'acquisition de la connaissance et dans les niveaux de complexité. La seconde métrique est plus spécifique à la révision où l'objectif de l'apprenant est de renforcer la connaissance dans chaque niveau de complexité avant de passer au niveau suivant.
12	12
13		-La version finale du système AI-VT qui intègre tous les modules développés est capable de prendre en compte des aspects importants du processus d'apprentissage tels que le renforcement des connaissances, la dynamique de l'information, la variation de la progression, le temps d'apprentissage non-linéaire en étant capable de suivre un algorithme intégrant une courbe d'oubli.
	13	+La version finale du système AI-VT qui intègre tous les modules développés, est capable de prendre en compte des aspects importants du processus d'apprentissage tels que le renforcement des connaissances, la dynamique de l'information, la variation de la progression, le temps d'apprentissage non-linéaire suivant un algorithme intégrant une courbe d'oubli.
14	14
15	15	Chaque module proposé s'est montré compétitif et a présenté des performances de qualités comparables à d'autres algorithmes et modules de référence dans le domaine de la régression et de la recommandation. L'architecture proposée permet de tirer partie des avantages de chacun de ces modules et ainsi d'améliorer globalement l'adaptation en cours de séance d'entraînement dans le système AI-VT en fonction des résultats partiels des apprenants.
16	16
17	17	Au regard des problématiques soulevées en introduction de ce manuscrit, voici les contributions apportées par ces travaux de recherche.
18	18
19		-Une architecture modulaire capable d'associer plusieurs modules avec des fonctionnalités différentes qui permet d'ajouter nouvelles fonctionnalités sans affecter profondément le système et modifier les modules de manière indépendante. Les modules peuvent être réutilisés, aussi l'indépendance des modules réduit le risque de perturbation de l'ensemble du système augmentant la résilience.
	19	+Une architecture modulaire capable d'associer plusieurs modules avec des fonctionnalités différentes permet d'ajouter nouvelles fonctionnalités et de modifier les modules de manière indépendante sans affecter profondément le système. Les modules peuvent être réutilisés et leur indépendance réduit le risque de perturbation de l'ensemble du système tout en augmentant sa résilience.
20	20
21		-Un algorithme de régression générique fondé sur le RàPC et l'empilement a été proposé comme un module de l'architecture pour l'utiliser comme filtre collaboratif dynamique dans la prédiction des notes des apprenants. Cette généricité donne à l'algorithme la flexibilité de s'adapter à différents structures et contextes des données, le aspect dynamique aide à obtenir des résultats avec des bases de données qui changent en temps d'exécution. Pour exploiter encore plus les capacités de l'algorithme, est implémentée l'intégration dans certaines étapes de l'algorithme un système multi-agent avec raisonnement bayésien ajoutant comme avantages les possibilités de rétroactions, d'échanges d'informations, l'émergence d'une intelligence collective et l'utilisation de raisonnements cognitifs.
	21	+Un algorithme de régression générique fondé sur le RàPC et l'empilement a été proposé comme filtre collaboratif dynamique pour la prédiction des notes des apprenants. Cette généricité donne à l'algorithme la flexibilité de s'adapter à différents structures et contextes des données. Ce module est un système multi-agent suivant un raisonnement bayésien incluant des rétroactions, des échanges d'informations, l'émergence d'une intelligence collective et l'utilisation de raisonnements cognitifs.
22	22
23		-Une autre module développé est la recommandation stochastique fondé sur un algorithme d'échantillonnage qui prend en compte les notes obtenues par l'apprenant pendant la séance, et ainsi de manière réactive propose des évolutions dans le niveau de complexité optimal en rapport avec les connaissances démontrés par l'apprenant. Les résultats montrent que globalement les recommandations sont pertinents et aussi varies dans le contenu. Les avantages de cet module sont : l'identification des lacunes pendant la séance et la flexibilité d'adaptation selon les besoins de chaque apprenant.
	23	+Un module de recommandation stochastique fondé sur un algorithme d'échantillonnage a également été conçu et implémenté dans AI-VT. Celui-ci prend en compte les notes obtenues par l'apprenant pendant la séance, et ainsi de manière réactive, propose des évolutions vers le niveau de complexité optimal au regard des connaissances démontrées par l'apprenant. Les résultats montrent que globalement les recommandations sont pertinents et variées.
24	24
25		-Étant donnée la généricité du module de régression fondé sur RàPC et sa propriété collaborative, une association avec l'échantillonnage stochastique est proposé pour avoir les points de vue global (filtre collaboratif) et local (information individuel de chaque apprenant) au moment de proposer une recommandation d'adaptation. Ce type d'association permet d'exploiter plus les données contenus dans le jeu de données et aussi de produire des recommandations optimales sans beaucoup d'information, même l'algorithme unifié peut travailler dans le cas du \textit{cold start} et s'adapter au fur et à mesure en réduisant la variance des recommandations.
	25	+Un association d'ESCBR à cet échantillonnage stochastique est proposé pour qu'AI-VT puisse tenir compte de considérations globales (filtre collaboratif) et locales (information individuelle propre à chaque apprenant) au moment de proposer une recommandation. Ce module est capable de produire des recommandations optimales même avec peu d'information et ainsi démarrer à froid \textit{cold start} tout en s'adaptant au fur et à mesure en réduisant la variance des recommandations.
26	26
27		-Une limitation identifiée dans l'algorithme unifié est que avec l'évolution des distributions de probabilité du module de recommandation stochastique la convergence est statique, mais le processus d'apprentissage généralement n'est pas statique comme nous l'avons constate avec le jeu de données réel, l'expérimentation dans l'école et l'état de l'art qui parle d'un processus d'oubli, alors un mécanisme d'ajustement est nécessaire. Ici intervient le processus de Hawkes comme simulation d'une courbe d'oubli, qui facilite l'identification du changement de point de convergence. Ainsi, le système complet peut identifier les lacunes et aussi les éventuels changements dans le temps.
	27	+Toutefois, l'évolution des distributions de probabilité sur lesquelles est fondé ce module de recommandation stochastique est statique. Ceci constitue une limitation du module dans la mesure où le processus d'apprentissage n'est généralement pas statique. Ceci a été confirmé par le jeu de données réel et l'expérimentation que nous avons menée dans l'école maternelle. La littérature du domaine fait état d'un processus d'oubli et de la nécessité de mettre en place un mécanisme d'ajustement. En réponse, le processus de Hawkes permet de simuler une courbe d'oubli qui facilite l'identification du changement de point de convergence. Ainsi, le système complet peut identifier les lacunes et aussi les éventuels changements dans le temps.
28	28
29	29	\section{Perspectives}
30	30
31		-Différentes perspectives peuvent être envisagées. En particulier, l'intégration de résultats d'analyse vidéo et audio pourrait aider à mieux interpréter les émotions et comportements des apprenants dans la séance et ainsi leur proposer des recommandations encore plus pertinentes. Ajout d'un module de courbe d'oubli dynamique en suivant l'hypothèse de Ebbinghaus avec une méthode comme le système de Leitner.
	31	+Différentes perspectives peuvent être envisagées. En particulier, l'intégration de résultats d'analyse vidéo et audio pourrait aider à mieux interpréter les émotions et comportements des apprenants dans la séance et ainsi leur proposer des recommandations encore plus pertinentes. Il serait envisageable d'ajouter un module incluant une courbe d'oubli dynamique en suivant l'hypothèse de Ebbinghaus avec une méthode telle que celle proposée dans le système de Leitner.
32	32
33		-Il pourrait également être intéressant de proposer différentes configurations pour le système de recommandation, en changeant les paramètres définis. Le point de départ pourrait consister à étudier la possibilité d'améliorer encore la fonction déterminant quelles sont les meilleures solutions proposées au second niveau d'empilement de l'outil d'ensemble (ESCBR-SMA). Peut-être intéressant aussi de pouvoir paramétrer cette fonction, qu'AI-VT en propose plusieurs et qu'elles soient dépendantes du profil de l'apprenant et des matières enseignées.
	33	+Il pourrait également être intéressant de proposer différentes configurations pour le système de recommandation, en changeant les paramètres définis. Le point de départ pourrait consister à étudier la possibilité d'améliorer encore la fonction déterminant quelles sont les meilleures solutions proposées au second niveau d'empilement de l'outil d'ensemble (ESCBR-SMA). Il pourrait être intéressant de pouvoir paramétrer cette fonction, qu'AI-VT en propose plusieurs et qu'elles soient dépendantes du profil de l'apprenant et des matières enseignées.
34	34
35		-Développer des techniques pour extraire plus d'information sur le profil des apprenants et la dynamique de changement pour permettre au système de prévoir et anticiper les objectifs, acquisitions et expectatives. Aussi explorer la possibilité du travail en groupe ou coopératif, ainsi somme les interactions entre les apprenants.
	35	+Le développement de techniques pour extraire plus d'information sur le profil des apprenants et la dynamique de changement permettrait également au système de prévoir et anticiper les objectifs, les acquis et les attentes. En particulier, développer l'interactivité entre les apprenants est une possibilité à envisager.
36	36
37	37	Les scénarios d'apprentissage testés dans ces travaux ont mis en lumière le fait qu'il existait des points de rupture. Il serait intéressant de les analyser afin de mieux les prédire. Ces travaux ont notamment proposé d'utiliser un échantillonnage de Thompson pour que les modifications des niveaux de complexité des exercices proposés par le système soient progressifs. Cet outil est fondé sur une distribution de probabilité. Il pourrait donc être envisagé de tester d'autres familles de distributions de probabilité et de calculer de manière dynamique les taux corrélés d'actualisation des distributions de probabilité pour chaque niveau de complexité.
38	38

...	...	@@ -24,6 +24,8 @@
24	24
25	25	Daniel Soto Forero and Yony Ceballos. Metaheuristics Hybridation and Parametrization using Machine Learning (En évaluation).\\
26	26
	27	+Daniel Soto Forero and Wilson Soto Forero. An Evolutionary Algorithm Approach to Supervised Classification. (En évaluation).\\
	28	+
27	29	Daniel Soto Forero and Wilson Soto Forero. Efficient Exploration in Unknown Environments: An Adaptative Multi-Agent Approach. 19th Iberian Conference on Information Systems and Technologies. 2025.\\
28	30
29	31	Daniel Soto Forero and Yony Ceballos. Stochastic agent-based models optimization applied to the problem of rebalancing bike-share systems. International Journal of Electrical and Computer Engineering. 2024.\\

1		-This is pdfTeX, Version 3.141592653-2.6-1.40.25 (TeX Live 2023) (preloaded format=pdflatex 2023.5.31) 12 JUL 2025 20:38
	1	+This is pdfTeX, Version 3.141592653-2.6-1.40.25 (TeX Live 2023) (preloaded format=pdflatex 2023.5.31) 13 JUL 2025 20:17
2	2	entering extended mode
3	3	restricted \write18 enabled.
4	4	%&-line parsing enabled.
5	5
...	...	@@ -2050,8 +2050,13 @@
2050	2050
2051	2051	[]
2052	2052
	2053	+
	2054	+Underfull \hbox (badness 10000) in paragraph at lines 31--32
	2055	+
	2056	+ []
	2057	+
2053	2058	)
2054		-Underfull \hbox (badness 10000) in paragraph at lines 31--381
	2059	+Underfull \hbox (badness 10000) in paragraph at lines 33--381
2055	2060
2056	2061	[]
2057	2062
...	...	@@ -2151,7 +2156,7 @@
2151	2156	lvetic/uhvr8a.pfb></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/helvetic/
2152	2157	uhvro8a.pfb></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/times/utmr8a.pf
2153	2158	b></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/times/utmri8a.pfb>
2154		-Output written on main.pdf (124 pages, 5444534 bytes).
	2159	+Output written on main.pdf (124 pages, 5444205 bytes).
2155	2160	PDF statistics:
2156	2161	1844 PDF objects out of 2073 (max. 8388607)
2157	2162	1575 compressed objects within 16 object streams

No preview for this file type