Prédiction des Evaluations Académiques
1. Contexte et Objectifs
Le projet SELearning vise à développer un système d’analyse prédictive des évaluations des apprenants dans un environnement e-learning.
L’objectif principal est de prévoir les résultats aux examens finaux en s’appuyant sur des données telles que la participation, les devoirs, les quiz, les projets et les examens intermédiaires.
Ce projet s'inscrit dans une démarche d'amélioration de l'accompagnement pédagogique et d’optimisation des chances de réussite en identifiant les points faibles des élèves à un stade précoce.
2. Difficultés Rencontrées
Outre les enjeux techniques liés à l'analyse de données hétérogènes, le projet doit surmonter les réticences des apprenants quant à l'utilisation de systèmes prédictifs.
La qualité des données, la diversité des parcours et la subjectivité des évaluations constituent également des défis majeurs pour la robustesse des modèles.
3. Méthodologie et Architecture
a. Data Mining: la collecte, la sélection, la transformation et l’analyse de données.
Trois algorithmes principaux sont testés : J48 (C4.5), Naïve Bayes et Random Forest. Ces algorithmes permettent de classifier les étudiants selon leur performance prédite.
- J48 est utilisé pour implémenter l'algorithme C4.5 de Quinlan afin de créer un arbre de décision C4.5 qui inclut une accumulation d'algorithmes ID3 de Quinlen.
- Naive Bayes utilise le concept du théorème de Bayes qui suppose l'indépendance entre les prédicteurs
- Le classificateur Random Forest développe un nombre d'arbres de décision qui sont formés sur différentes parties du même jeu de données afin d'améliorer le taux de classification et de surmonter le problème de sur-ajustement. C'est une technique efficace pour approximer les données omises et maintenir l'exactitude quand une grande quantité de données est manquante
b. Adaptive Assessment : Évaluations intelligentes et évolutives
Les évaluations adaptatives sont ajustées en temps réel selon les réponses de l’apprenant, optimisant l’expérience d’évaluation.
Applications dans SELearning :
- Tests ajustés dynamiquement pour cibler les besoins.
- Micro-évaluations insérées dans les contenus pédagogiques.
- Feedbacks immédiats et contextualisés.
Techniques utilisées : théorie des réponses aux items (IRT), modèles neuronaux, scoring de texte par LLM.
4. Conclusion
Le projet SELearning illustre la puissance de l’IA pour anticiper les résultats académiques. En combinant techniques classiques de classification et innovations en apprentissage automatique,
il offre un outil de pilotage pédagogique pertinent en améliorant la précision des prédictions et leur intégration dans des outils d’aide à la décision pour enseignants et apprenants.