Etudiant : EL AYADY ANASS

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. YAHYAOUYI ALI

Annèe : 2024

Résumé : Les MOOCs offrent un accès libre et gratuit à un large public, mais les taux de complétion demeurent faibles, souvent en raison du manque de personnalisation des contenus. Les traces comportementales des apprenants dans les MOOCs, telles que les séquences de clics et d’événements, peuvent être analysées sous forme de séries temporelles pour mieux comprendre et anticiper leurs performances afin de fournir une rétroaction personnalisée. Les travaux existants se concentrent principalement sur la transformation des données brutes en formats exploitables, tels que des images ou des représentations spectrales. Par exemple, une approche notable convertit les séries temporelles de clics en images, permettant l’utilisation de techniques de vision par ordinateur pour l’analyse. Cependant, ces méthodes peuvent entraîner une perte d’informations essentielles en raison des transformations. Dans cette situation, nous présentons une étude comparative de diverses méthodes de classification de séries temporelles basées sur l’apprentissage profond. Notre approche se distingue par l’utilisation de représentations brutes des séries temporelles de clics des apprenants. Notre modèle multimodal combine l’analyse des flux de clics des apprenants via des réseaux convolutionnels avec l’exploitation des données démographiques par des couches denses. Cette architecture hybride permet d’extraire des caractéristiques essentielles et d’améliorer la précision des prédictions de performance. Pour répondre aux défis de l’individualisation des parcours d’apprentissage en MOOCs, nous avons introduit un mécanisme de recommandation d’éléments d’apprentissage. Cette approche vise à optimiser le contenu éducatif en formant des groupes homogènes d’apprenants selon leurs profils et activités, puis en suggérant des éléments d’apprentissage adaptés à chaque groupe. Cette recherche propose une approche innovante pour identifier les apprenants à risque, prendre des mesures proactives pour améliorer leurs performances et offrir des perspectives nouvelles pour l’optimisation des résultats académiques et le soutien personnalisé dans les MOOCs.