Projet CTI pour une recherche appliquée pour BetterStudy

Projet CTI pour une recherche appliquée pour BetterStudy

1. Situation

Lancée au printemps 2013 à Genève (Suisse), BetterStudy SARL est un site d’e-learning qui propose un outil d’évaluation formative avec des programmes d’exercices personnalisés générés en fonction des résultats d’évaluation. Le contenu didactique est organisé autour de ces quiz (explications, théorie, liens web, etc.). Le contenu ne concerne que la comptabilité générale pour le moment. Un de nos objectifs est de permettre aux enseignants de diverses disciplines de créer du contenu. Christophe Rieder travaille actuellement sur un dépôt de projet de R&D en partenariat avec la Commission pour la technologie et l’innovation (CTI) et la Haute école de gestion de Genève (HEG Genève) et la Haute école Arc à Neuchâtel pour financer le développement de nouvelles fonctionnalités (outil de création de groupe, transformation du site en une plateforme, outil de transfert de contenu didactique). Pour ce faire, nous avons constitué comité scientifique composé d’une quinzaine d’enseignants-es pour créer du contenu dans diverses disciplines (finance, comptabilité, informatique, stratégie, économie, ressources humaines, etc.) et tester la nouvelle version de BetterStudy. Ces enseignants-es travaillent principalement à la HEG Genève, mais aussi dans des écoles du réseau HES-SO. Plusieurs enseignants-es ont déjà émis le souhait de souscrire à des licences d’utilisation une fois que la version finale sera prête à la commercialisation et le projet est soutenu par l’école. Christophe a aussi rencontré des membres du rectorat de l’Université de Genève et de la HES-SO qui sont intéressé de collaborer dans le cadre de BetterStudy.

 

2. Contexte

Nous avons identifié trois grandes tendances à long terme qui transforment radicalement le secteur de l’éducation :

2.1 Evolution des pratiques d’enseignement

Les recherches en sciences de l’éducation montrent que l’approche de l’enseignement traditionnel où l’apprenant-es est passif (modèle transmissif) a d’importantes limitations sur le développement des apprentissages et la motivation. Les approches pédagogiques nouvelles ont quant à elles des impacts beaucoup plus positifs sur les apprentissages. Elles consistent à rendre les apprenants-es actifs (learning by doing) et de collaborer par exemple pour de l’enseignement par projets, de la pédagogie par les pairs, etc. Les politiques d’éducation (en tout cas dans certains comme la Suisse et les pays nordiques) ont déjà initiés des changements par exemple dans la formation des enseignants-es. Les responsables pédagogiques et les directions des hautes écoles en Europe et dans le monde sensibilisent leurs enseignants-es qui vont appliquer ou appliquent déjà ces approches pédagogiques innovantes. La situation idéale serait de rendre les apprenants-es plus autonome avec des exercices et du contenu personnalisé. En parallèle, il est important de favoriser les interactions entre les apprenants-es (collaboration) ainsi que leurs enseignants-es (coaching). Pour ce qui est du futur de l’éducation, nous partageons la vision de Salman Khan (Khan Academy) qui défend l’idée de former de grandes classes avec des élèves de différents âges entourés de plusieurs enseignants-es. Cela permettrait de travailer en petit groupes modulables selon les activités et les besoins dans une temporalité qui en serait plus divisée par heures ni par matières. Ce serait notamment un moyen de développer les compétences de collaboration et de vie en société, les plus compétents prenant en charge les moins compétents au cours de certaines activités.

2.2 Nouvelle vague de technologies de l’éducation

Une deuxième grande transformation qui se passe dans l’éducation depuis quelques années concerne les TIC (technologies de l’information et de la communication). L’éducation est l’un des derniers secteurs qui n’a pas été investi massivement par les TIC au niveau des utilisateurs par manque d’outils efficaces, agréables et faciles d’utilisation, réutilisable durablement et à grande échelle. Afin d’appliquer les méthodes d’enseignement et d’apprentissage avec des approches novatrices de manière efficace, les enseignants et les étudiants doivent pouvoir compter sur des technologies pensées et conçues à cet effet.

2.3 Changement dans les habitudes dans la “consommation” de l’éducation

Les technologies sont utilisées de façon quotidienne par tout le monde, ce qui constitue une troisième tendance qui se situe au niveau d’un changement d’habitude permettant d’apprendre complètement ou partiellement à distance, partout et à chaque instant (de façon asynchrone grâce aux appareils mobiles), ce qui constitue une tendance sociale possible grâce aux technologies.

 

3.  Problème

Les méthodes d’enseignement s’adaptent pour passer d’un modèle où les étudiants étaient passifs (écoute de cours magistraux) à un modèle où les étudiants apprennent par des mises en activité. Pour appliquer ces nouvelles méthodes d’enseignement, les enseignants utilisent fréquemment l’apprentissage par projet, l’apprentissage orienté problème, l’enseignement par les pairs et organisent souvent des travaux de groupes. Or, il ne suffit pas de créer des groupes d’apprenants-es pour que les apprenants-es qu’ils apprennent. Un des facteurs importants qui influencent les résultats d’apprentissage dans les groupes sont la composition du groupe en fonction de la maîtrise d’un sujet des apprenants-es qui composent le groupe en question. Des études ont en effet démontré que des groupes à hétérogénéité restreinte sont susceptibles d’augmenter significativement leurs résultats d’apprentissage. Aujourd’hui, la plupart des groupes d’apprenants-es sont formés par hasard par affinité, par proximité, etc., ce qui ne constitue pas une approche optimale pour le développement des apprentissages.

 

4. Solution

4.1 Réunir les profils d’apprenants-es pour optimiser les apprentissages

Nous voulons développer un outil qui permette de créer des groupes d’apprenants-es en fonction du niveau de maîtrise des apprenants-es composant le groupe. Les enseignants créent des quiz pour évaluer leur niveau de maîtrise d’un sujet (ce que propose BetterStudy aujourd’hui). D’après les résultats d’évaluation, un algorithme de clustering recommande la composition des groupes selon le degré d’hétérogénéité souhaité par l’enseignant-e. Nous tenons également à inclure des variables non cognitives comme le genre, la personnalité de l’étudiant (introverti / extraverti, collaboratif / individuel…) et l’humeur du moment (motivation, stress, confiance …). Ces éléments influencent la dynamique de groupe ainsi que les apprentissages et seront collectée par un questionnaire soumis à chaque apprenant-e. Ce même algorithme pourrait aussi créer des groupes d’apprenants-es en marge d’un cours et deviendrait un outil qui favorise le tutorat mutuel. Ces éléments constitueront notre USP et qu’aucune autre education technology startup ne disposera d’un tel outil.

4.2 Comment utiliser BetterStudy ?

Voici une illustration avec un scénario d’utilisation complet et idéal de BetterStudy dans un cours, ou une séquence d’enseignement (partie d’un cours) : Premièrement, l’enseignant évalue par une évaluation diagnostique les pré-requis attendus pour démarrer le cours ainsi que des « nouveaux » savoirs concernant le cours (pré-requis non nécessaires au démarrage du cours). Cela fait particulièrement sens pour des classes très hétérogènes. Deuxièmement, l’apprenant-e reçoit un programme personnalisé, c’est-à-dire selon ses besoins d’apprentissage identifié par les résultats d’évaluation. L’apprenant-e peut alors étudier de façon active, autonome et à sa convenance avec des quiz et bénéficie d’une organisation de ses unités d’apprentissage, de feedbacks immédiats, de contenu ciblé autour des quiz. Tout cela participe au développement des apprentissages (niveaux inférieurs de la taxonomie de Bloom – connaissance, compréhension, application) et de la motivation. En parallèle, l’étudiant est intégré dans un groupe de travail par exemple pour mener un projet ou résoudre un problème pour viser les niveaux taxonomique supérieurs de Bloom (analyse, synthèse, évaluation) et le développement de compétences méthodologiques et sociales importantes pour intégrer le milieu professionnel et y évoluer. La composition du groupe étant un élément central dans le développement, BetterStudy recommandera une composition des groupes compte tenu du niveau de maîtrise de la matière enseignée, de la personnalité des apprenants-es et de sa cartographie de l’humeur (motivation, confiance en soi, etc.).

Si l’enseignant choisit d’utiliser une autre stratégie d’enseignement que le travail en groupe, les apprenants-es peuvent s’entraider eux-mêmes par une approche de tutorat mutuel indépendante du cours donné par l’enseignant-e (cf. quatrième point de la même section. Troisièmement, une évaluation formative est faite pour déterminer le niveau de progression et identifier si tous les objectifs d’apprentissage ont été atteints ou non. Si ce n’est pas le cas, l’apprenant-e reçoit des suggestions pour former des dyades ou groupes de travail avec des apprenants-es d’une même classe qui maîtrise la matière pour faire du tutorat mutuel. Dans tous les cas, après chaque évaluation, l’apprenant-e reçoit un programme d’exercices personnalisé. Une légère gamification (ludification) de la plateforme est prévue dans cette partie pour accentuer la motivation à passer et réussir l’évaluation en jouant sur leur besoin d’appartenance à un groupe.

5. Business model

a) Plateforme de quiz en ligne

Le 1er business model (BM) est de fournir notre learning managment system (LMS), soit une plateforme de quiz sous forme d’évaluations formatives avec des programmes d’exercices personnalisés et un outil de création de groupes d’apprentissages. Des licences d’utilisation seront délivrées aux hautes écoles (avec des packages par nombre d’enseignants-es) et des enseignants-es indépendants-es (nombre de cours avec un abonnement semestriel). 

b) Outil de sélection de candidats-es 

Par un suivi des compétences maîtrisées de nos utilisateurs (étudiants-es), nous serons capable de recommander les personnes avec les profils de compétences et de personnalité recherché par des entreprises. Un système d’abonnement mensuel est choisi pour un accès illimité à la base de données de profils.

Dépôt de projet pour un chèque innovation de la CTI

Voici le dossier que nous avons rédigé pour l’obtention du chèque innovation de la CTI destiné à des startups technologiques : Quelle idée innovante souhaitez-vous réaliser? Les enseignants-es utilisent souvent les groupes dans leurs approches pédagogiques. Cependant, ils ne tiennent pas compte du niveau de maîtrise d’un sujet ou de la personnalité d’un apprenant pour composer ces groupes. Pourtant, en intégrant ces éléments dans un groupe d’apprentissage, l’on peut améliorer ou au contraire altérer le développement des apprentissages. Dès lors, nous souhaitons développer un outil de recommandation de création de groupes d’apprentissages selon le degré de maîtrise d’une discipline et du profil de comportement des apprenants-es afin de développer leurs apprentissages par une composition optimale de leurs groupe. A l’aide d’un algorithme de clustering, il est possible d’identifier certains profils et les regrouper à des fins éducatives. Les données collectées sur les étudiants-es pourront aussi être utilisées dans les ressources humaines des entreprises ou agence de placement à des fins de sélection de profil pour le recrutement.

Dans quelle problématique une institution de recherche pourrait-elle vous aider? Quel est le contenu novateur des travaux prévus par rapport a) à l’état de vos propres recherches, ainsi b) qu’en comparaison avec le niveau national et international actuel de la technologie, et c) au marché de la concurrence? Des recherches ont-elles été effectuées à ce sujet?

Analyse et Algorithmes de Clustering: L’analyse en groupes (cluster) est l’étude de techniques permettant de diviser automatiquement les données en groupes qui peuvent être utiles et / ou significatives. Le regroupement des objets de données est basé sur des informations qui décrivent les objets de données ainsi que leurs relations. Le but principal de l’analyse de groupes est que les objets d’un groupe sont semblables les uns aux autres et différents des objets d’autres groupes. En d’autres termes, l’objectif est d’avoir une grande similitude au sein des groupes et une grande différence entre les groupes.

Selon les spécifications du problème, il existe différents types de regroupement dans la littérature qui peuvent être appliqués [1]: hiérarchique (imbriqué), partiel (non tenu), exclusif, chevauchant, flou, complet, partiel, etc. Clusters imbriqués (les sous-groupes sont autorisés dans ce cas) qui sont organisés comme un arbre. Un cluster partiel est simplement une division de l’ensemble des objets de données en sous-ensembles qui ne se chevauchent pas. Dans ce cas, chaque objet est exactement un sous-ensemble. De même, dans le clustering exclusif, chaque objet est affecté à un seul cluster. Dans le clustering flou, chaque objet appartient à chaque cluster avec un poids d’appartenance qui peut être compris entre 0 et 1. Le clustering complet affecte tous les objets à un cluster tandis que le clustering partiel peut omettre certains des objets de données. Compte tenu de tous ces types de regroupement, on peut combiner plusieurs d’entre eux pour répondre aux exigences du problème modélisé.

L’analyse en groupes a de nombreuses applications aux problèmes pratiques et a joué un rôle important dans de nombreux domaines [1], [2] tels que les sciences sociales, la biologie, la reconnaissance des formes, les statistiques, l’exploration de données, etc.Par exemple, en biologie, de nombreuses années ont été consacrées à la création d’une classification hiérarchique (taxonomie) de tous les êtres vivants. Maintenant, le regroupement est intensivement utilisé dans l’analyse des grandes quantités de l’information génétique disponible. En médecine, l’analyse en grappes peut être utilisée pour identifier les différentes variations d’une maladie ainsi que pour détecter des modèles dans la distribution d’une maladie. Cette technique est également utilisée par les moteurs de recherche du World Wide Web pour regrouper les résultats de la recherche en petit nombre de grappes, en fonction de chaque aspect de la requête effectuée. Dans le secteur des entreprises, le regroupement peut être utilisé pour regrouper des informations sur les clients potentiels, améliorer les techniques de marketing.

BetterStudy vise à utiliser l’analyse de groupes dans le processus de regroupement des élèves au sein d’une classe en fonction de certaines caractéristiques communes qu’ils pourraient avoir. Le but de ce regroupement est d’offrir à l’enseignant la possibilité d’augmenter le développement des apprentissages en créant un bassin optimal d’élèves selon les critères identifiés à partir de leur profil individuel. La division des données dans l’analyse de grappes est habituellement effectuée dans des groupes conceptuellement significatifs d’objets qui partagent habituellement certaines caractéristiques communes. Pour BetterStudy, ces caractéristiques communes des élèves d’un groupe, au sein d’une classe, seront les suivantes: – maîtrise d’une discipline enseignée – type de personnalité – état d’esprit / sentiment actuel.

Pour la variable «maîtrise de la discipline», la maîtrise générale et la maîtrise décomposée par sujets de la discipline enseignée seront identifiées grâce à un outil d’évaluation en ligne (cf. En outre, pour générer les meilleurs résultats d’apprentissage, les sujets comprendront des quiz avec la maîtrise attendue des différentes disciplines ou des sujets de discipline enseignés précédemment. Les variables relatives au type de personnalité et à l’état d’esprit seront développées dans la section ad hoc (cf. workpackage 3). Ce processus fournira une abstraction de l’élève au groupe lui-même, qui peut être vu par l’enseignant comme une entité qui a certaines caractéristiques. Ce point de vue serait également utile dans une perspective qualitative. La rétroaction de chaque classe ne peut être recueillie qu’à partir d’un individu représentatif de chaque groupe, et non de tous les élèves participants, évitant ainsi la collecte de données redondantes. Cet aspect est particulièrement utile en ce qui concerne l’outil de reporting mentionné ci-dessus dans la section de workpackage 1. Les algorithmes de clustering traditionnels utilisent la distance entre les points pour regrouper les objets en grappes.

Il existe d’autres situations, comme pour BetterStudy, qui nécessitent la capacité de traiter différents types d’attributs. BetterStudy utilisera des données catégorielles, qui représentent une collection de catégories et chaque valeur représente certaines catégories [2]. Ces données peuvent être classées en données nominales et ordinales. Dans les données nominales, les points sont dans des catégories non ordonnées, telles que les aptitudes, la nationalité, le sexe, etc, tandis que dans les données ordinales, l’ordre est très important, comme les rangs d’examen. Le regroupement des données catégorielles augmente en complexité avec l’augmentation du nombre d’éléments et d’attributs impliqués. Les différents algorithmes de regroupement de données catégorielles existantes [2], [3] peuvent parfois résoudre un problème uniquement à partir d’une perspective spécifique.

Références:[1] P. N. Tan, M. Steinbach, V. Kumar, “Cluster Analysis: Basic Concepts and Algorithms”, in Introduction to Data Mining, Pearson Addison Wesley Boston, ISBN: 0-321-32136-7, 2005. [2] P.M. Bhagat, P. S. Halgaonkar, V. M. Wadhai, “Review of Clustering Algorithm for Categorical Data”, International Journal of Engineering and Advanced Technology (IJEAT), ISSN: 2249 – 8958, Vol. 3, Issue 2, Dec. 2013[3] S. Guha, R. Rastogi, K. Shim, “Rock: A robust clustering algorithm for categorical attributes”, Information System Journal, Vol. 25, Issue 5, pp. 3ß45 – 366, July 2000.

Les groupes d’apprentissages en sciences de l’éducation

Les professionnels de l’éducation s’accordent sur le fait que les travaux de groupes constituent une source de développement des apprentissages et les approches pédagogiques qui vont dans ce sens sont largement pratiquées. Toutefois, il ne suffit pas de réunir des apprenants-es ensemble pour qu’ils apprennent. En effet, différents éléments sont à prendre en compte dont un élément central qui est la composition du groupe. Or, force est de constater que les enseignants-es, faute d’informations sur leurs classes et d’outils adaptés, composent les groupes sans approche scientifique.

A travers le premier workpackage (WP), le but de BetterStudy est d’optimiser le développement des apprentissages des apprenants-es par une composition des groupes en fonction du degré de maîtrise d’un sujet. En effet, les groupes à « hétérogénéité restreintes » sont les plus efficaces en terme éducatif. L’idée est de mélanger des apprenants-es qui maîtrisent bien un sujet avec un ou plusieurs apprenants-es ayant un degré de maîtrise moins élevé, mais sans qu’il y ait trop de différence entre les apprenants-es pour autant. Pour ce faire, il est nécessaire d’une part, d’évaluer le niveau de maîtrise de chaque apprenant d’une même classe.

D’autre part, il s’agira de traiter les données récoltées et de proposer des recommandations de composition de groupes à l’enseignant-e. Or, selon nos recherches, il n’existe aucun outil d’aide à la composition de groupe de travail de ce type. Les interactions en tant que composante des apprentissagesLa théorie socioconstructiviste de Vygotsky (1978) place l’interaction sociale en condition constituante de l’apprentissage et du développement cognitif. Elle postule un processus d’internalisation qui permet la reconstruction interne des fonctions situées initialement au niveau interpsychologique. L’appropriation des outils sémiotiques, dont le langage, se fait ainsi toujours à partir d’une situation sociale.

Dans une activité d’enseignement/apprentissage, la relation de tutelle créée par un adulte ou un pair expert va permettre l’ouverture d’un espace de transformation progressive des compétences cognitives de l’apprenant appelé zone proximale de développement. Le guidage de cette construction interactive se caractérise par des démarches d’étayage (Wood, Bruner & Ross, 1989). Les interactions concernant l’apprenant, inscrites dans un triangle didactique, peuvent prendre trois formes (Allal, 1988) : les interactions entre l’apprenant et l’enseignant, les interactions entre l’apprenant et un matériel/outil et les interactions entre apprenants. Des recherches qui se sont penchées essentiellement sur ces dernières font référence au concept de conflit sociocognitif (Doise & Mugny, 1981), élaboré en psychologie sociale dans le cadre des prolongements des travaux de Piaget. Cette perspective, qui implique un double déséquilibre inter et intrapersonnel, fait appel aux concepts de confrontation et de négociation, notamment dans l’étude des interactions en situation de résolution de problèmes.

La confrontation entre pairs est porteuse d’apprentissage dans la mesure où les apprenants doivent réexaminer leur point de vue, se décentrer, justifier, argumenter et communiquer de façon claire. Alors que l’école tend classiquement à privilégier une conception individualiste de l’apprentissage, le courant de cognition distribuée (Pea, 1993) considère que l’environnement social et physique dans lequel évolue l’individu doit être considéré comme élément de son  » espace cognitif « . Dans cette perspective, l’école devrait tendre à développer les compétences de l’individu-plus (Perkins, 1995), puisque celui-ci est toujours davantage appelé à travailler en équipe dans des environnements sociaux et technologiques complexes.

Les structures d’interactions

Il existe trois structures d’interactions : la collaboration, la coopération et le tutorat. La collaboration est caractérisée par l’égalité du statut des membres du groupe et de leur participation à l’interaction, ainsi que par le fait qu’ils travaillent sur une tâche conjointe. Elle implique un haut degré de concertation à toutes les étapes.

Dans leurs travaux sur les interactions dyadiques, Gilly, Fraisse et Roux (1988) ont défini quatre types de co-élaboration: 1) la co-élaboration acquiessante, où l’un des deux sujets élabore seul une solution et la propose à son camarade, qui ne manifeste pas d’opposition et qui fournit des feedbacks d’accord; 2) la co-construction, où les deux apprenants élaborent au fur et à mesure une solution à deux; 3) les confrontations avec désaccord, où un sujet n’accepte pas les propositions de son camarade; 4) les confrontations contradictoires, où un apprenant réagit par un désaccord argumenté à une proposition. Les situations de coopération, quant à elles, impliquent davantage de structuration de la tâche en parties et rôles individuels complémentaires. Les interactions y sont dominées plus ou moins fortement par un membre du groupe à différentes séquences lors de l’élaboration de la tâche.

Enfin, le tutorat est une structure qui se caractérise par une différence de statut entre les deux membres d’une dyade. L’expert, qui peut être un pair avec un niveau maîtrise plus élevé, possède davantage de compétences ou d’informations que le novice, et exerce davantage de contrôle sur l’interaction en cours.

Facteurs favorisant les apprentissages

Un certain nombre de facteurs conditionnent les effets de l’interaction sociale dans les groupes sur la construction des apprentissages cognitifs comme l’intensité des interactions, les compétences sociales, le type de tâche. Ces facteurs sont à prendre en compte par l’enseignant-e et sont difficilement dépendant d’une technologie. En revanche, ce sur quoi il est possible d’agir est la composition des groupes, ce qui constitue un facteur majeur favorisant les apprentissages. Selon Bourgeois et Nizet (1997), une trop grande différence de niveau de développement ou de connaissances entre les apprenants n’est pas favorable à l’apprentissage. En même temps, une trop grande symétrie produit des effets de complaisance, ce qui n’est guère plus efficace. Les travaux de Webb (p. ex. 1989) et la synthèse de Webb et Palincsar (1996) soulignent que les groupes à hétérogénéité restreinte (faible et moyen ou moyen et fort) sont favorables pour tous les élèves.

https://www.unige.ch/

Reprenant la méta-analyse réalisée par Johnson, Maruyama, Johnson, Nelson et Skon (1981), Pelgrims Ducrey (1996) avance que, comparées à d’autres types de structures d’interdépendance (compétitives ou individualistes), les situations de type coopératif conduisent les élèves à des performances scolaires plus élevées lors d’activités complexes mobilisant des stratégies cognitives de haut niveau (résolution de problèmes, jugement,…), d’où notre volonté de proposer un outil de composition de groupes pour des approches pédagogiques pertinente de ce cas, comme les approche par projet entre autres. Elle présente également les conclusions d’Ames (1984) qui soulignent la supériorité de l’apprentissage coopératif  » quant à ses effets sur l’attribution causale de la réussite et de l’échec, sur l’estime de soi, ainsi que sur la perception de ses propres compétences en comparaison avec celles d’autrui  » (p.114).

D’autres études, relevées par Abrami, Chambers, Poulsen, De Simone, D’Apollonia et Howden (1996), font aussi état d’avantages liés à la coopération dans différents contextes comme, par exemple, le domaine des mathématiques (Davidson, 1985, 1989, 1991), celui des compétences verbales (Winitsky, 1991), ou encore celui de l’enseignement assisté par ordinateur (Rysavy et Sales, 1991). Par ailleurs, relevant de l’approche socio-cognitive de l’apprentissage et du développement cognitif, un autre groupe de travaux  » centré sur la genèse sociale des processus cognitifs et métacognitifs  » (Pelgrims Ducrey, p. 112) s’est penché sur les effets des interactions entre pairs sur le développement de compétences scolaires et le transfert de stratégies cognitives et de processus métacognitifs. Les études de Brown et Campione (1995b), par exemple, laissent apparaître que la coopération favorise plus que d’autres structures d’interdépendance  » l’acquisition de connaissances déclaratives, ainsi que le développement de stratégies de compréhension en lecture et de stratégies de raisonnement (pensée par analogie, inférences, argumentation)  » lors d’activités complexes.

En milieu hétérogène, des élèves moyens travaillant en groupes obtiennent de meilleurs scores d’efficacité (apprentissage, savoir-faire, travail fourni, résultats) que lors d’un travail individuel. Interactions, communications entre pairs, mettent en oeuvre un apprentissage d’une autre nature, tout aussi valable pour l’élève, plus efficient. De nombreux travaux font apparaître des résultats récurrents tels que celui avancé par C. Trarieux, [3]: l’auteur analyse le déroulement des travaux de groupe dans une classe du secondaire (classe de1ère, en France – option sciences politiques – production d’un document multimédia). Il compare trois stratégies de gestion de l’hétérogénéité en fonction de l’organisation du travail du maître : axé sur les forts, axé sur les faibles, organisation du travail « vicariant » (jouer sur les relations d’apprentissages entre pairs). La progression de tous les élèves est plus nette donc en situation de groupe hétérogène. La composition des groupe est donc un facteur important dans le résultat final pour deux raisons : la présence d’autrui est dynamogène, elle permet de contrôler et de modifier des automatismes parfois sources d’erreur ; d’autre part, créer une situation où on peut se comparer à d’autres légèrement plus fort permet de progresser.

[3],L’importance de la coopération dans les apprentissages – l’efficacité du travail en groupe sur ordinateur, 1999, http://perso.wanadoo.fr/siteiufm19/mpoupin/CoopApprentiss

Références bibliographiques : Allal, L. (1985). Processus de régulation interactive dans le cadre d’un jeu de mathématique à l’école primaire. Revue internationale de psychologie appliquée, 34, 83-104.Astolfi, J.-P., Darot, E. Ginsburger-Vogel, Y & Toussaint, J. (1997). Mots-Clés de la didactique des sciences. Chap. 3: Conflit cognitif, conflit socio-cognitif (pp. 35-48). Bruxelles: De Boeck.Bourgeois, E. & Nizet, J. (1997). Apprentissage et formation des adultes. Paris: PUF.Brown, J.S., Collins, A. & Duguid, P. (1989). Situated cognition and the culture of learning. Educational Researcher, 18(1), 32-42.Cohen, E.G. (1994). Le travail de groupe: stratégies d’enseignement pour la classe hétérogène. Montréal: La Chenelière.Damon, W. & Phelps, E. (1989). Critical distinctions among three approaches to peer education. International Journal of Educational Research, 13(1), 9-19.Doise, W. & Mugny, G. (1981). Le développement social de l’intelligence. Paris: InterEditions.Gilly, M., Fraisse, J. & Roux, J.-P. (2001). Résolutions de problèmes en dyades et progrès cognitifs chez des enfants de 11 à 13 ans: dynamiques interactives et mécanismes socio-cognitifs. In A.-N. Perret-Clermont & M. Nicolet (Ed.), Interagir et connaître (pp. 79-101). Paris: L’Harmattan.Howden, J. & Martin, H. (1997). La coopération au fil des jours: des outils pour apprendre à coopérer. Montréal: La Chenelière.Pea, R. (1993). Practices of distributed intelligence and designs for education. In G. Salomon (Ed.), Distributed cognitions (pp. 47-85). New-York: Cambridge University Press.Perkins, D.N. (1995). L’individu-plus. Une vision distribuée de la pensée et de l’apprentissage. Revue Française de Pédagogie, 111, 57-71.Pléty, R. (1998). Comment apprendre et se former en groupe. Paris: Retz.Proulx, J. (1999). Le travail en équipe. Sainte-Foy: Presses de l’Université du Québec.Rouiller, Y. (1998). La coopération pédagogique. Educateur, 10, 7-25Vygotsky, L.S. (1934/1978). Mind in society: The development of higher psychological processes. Cambridge, MA: Harvard University Press.Webb, N.M. (1989). Peer interaction and learning in small groups. International Journal of Educational Research, 13, 21-40.Webb, N. & Palincsar, A.S. (1996). Group processes in the classroom. In D. Berliner and R. Calfee (Eds.), Handbook of Educational Psychology, Third Edition (pp. 841-873). New York: Macmillan.

Quels en seraient les bénéfices pour votre entreprise?

Tout d’abord, par une approche de co-création, nous serons capable de designer un outil éducatif qui répond aux besoins des enseignants-es dans leur pratique par une proposition de valeur unique : BetterStudy sera alors non seulement un outil d’évaluation de compétences avec des programmes d’exercices personnalisés, mais sera le seul outil à faire des recommandation de composition de groupes d’apprentissages basées sur le degré de maîtrise d’un sujet et sur les compétences comportementales afin de développer les apprentissages des étudiants-es. De plus, les testeurs deviendront les clients de BetterStudy, ce qui sera une référence très importante pour la commercialisation des innovations développées dans ce projet.

Eléments du dépôt de projet R&D pour un subside de la CTI

Innovation : Quels sont les éléments clés de l’innovation créée par ce projet?

L’enseignement à distance et hybride (mélange entre cours en présentiel et à distance) est une tendance qui se dessine à long terme notamment avec l’utilisation des MOOCs qui connaissent une forte croissance dans l’enseignement supérieur et le corporate training [1]. De plus en plus de hautes écoles et d’entreprise en Suisse et dans le monde, choisissent le distance learning par exemple avec les MOOCs et d’autres e-learning solutions comme moyen d’enseignement, que cela soit avec leur propre contenu, comme par exemple l’EPFL, Stanford University, MIT, Harvard University, etc., ou avec du contenu provenant d’autres hautes écoles.

Le problème avec cette approche pédagogique, où l’apprenant est passif et isolé de ses pairs, est qu’elle est loin de maximiser le développement des apprentissages. En effet, lorsque que l’apprenant visionnera des cours ou fera des exercices souvent seul chez lui, il n’obtiendra pas soutien lorsqu’il en aura besoin et n’aura pas la possibilité de se créer un réseau d’apprenants comme il le faisait traditionnellement en se rendant en cours.

C’est pourquoi, par moment, il est nécessaire que les étudiants soient mis en relation entre eux sur un modèle collaboratif également appelé « peer to peer learning » pour interagir hors ligne ou en ligne. Ces rencontres, en binômes ou en petits groupes, peuvent aussi se faire dans le cadre de travaux de groupes initiés par un formateur. Le fait de rencontrer d’autres étudiants constituera non seulement une source de motivation, mais plus généralement les approches pédagogiques actives, particulièrement avec des interactions sociales, s’avèrent être les plus efficaces. Par ailleurs, pour ce qui est de l’enseignement uniquement à distance, les prestataires de e-learning platform, dont les MOOCs providers font beaucoup d’efforts pour rendre leurs outils plus collaboratifs, notamment pour accroître la motivation et l’engagement des étudiants, mais aussi réduire le taux élevé d’abandon (seulement 4% des inscrits terminent le cours).

[2] Pour ce faire, les e-learning solution providers organisent notamment des groupes pour des projets entre pairs (project-based learning) et des évaluations (peer assessement)ainsi que du mentoring ou coaching. Lors d’échanges sur les forum, l’on peut aussi créer ou rejoindre des groupes d’apprenantissage.

Or, il ne suffit pas de réunir des étudiants pour qu’ils apprennent efficacement [3]. Un facteur déterminant pour apprendre efficacement en groupe est la composition du groupe avec un certain degré d’hétérogénéité de ses membres [4]. Ainsi, pour assurer aux étudiants-es des apprentissages efficaces, rapides et agréables, nous proposons de créer des groupes d’apprentissages optimaux en fonction de variables, telles que le degré de maîtrise de plusieurs disciplines, le type de personnalité, le genre, la taille du groupe, le style d’apprentissage, etc.

Le bénéfice principal pour l’apprenant sera de trouver des profils d’étudiants qui correspondent au mieux à ses besoins pour apprendre plus efficacement et plus rapidement. Le bénéfice pour l’enseignant et la haute école (ou un formateur et des collaborateurs) sera de mieux former les étudiants avec moins de moyens (infrastructures, accompagnements) et d’améliorer la réputation de leur haute école à moyen et long terme (augmentation du taux de réussite, création d’une communauté d’apprentissage, favoriser un esprit coopératif entre les apprenants, s’appuyer sur les forces de l’écosystème). Le bénéfice pour les prestataires de LMS (dont les MOOCs) qui cherchent à intégrer les dernières technologies pour favoriser les apprentissages de leurs utilisateurs, est qu’ils disposeront d’un outil pour créer en ligne les groupes d’étudiants les plus efficaces possible.

[1] Liyanagunawardena, T., Williams, S. and Adams, A. (2013) The impact and reach of MOOCs:a developing countries¿ perspective. eLearning Papers (33). ISSN 1887-1542.

[2] Lewir, T. After Setbacks, Online Courses Are Rethought, The New York Times, Dic, 2013.

[3] Collazos, Gonzalez, Garcia, Computer supported collaborative Moocs : CSCM,

[4] Huot, A. La composition de groupes coopératifs d’apprentissage et la résolution de problème, Pédagogie collégiale, Vol. 12 n°4, Mai 1999

Quelle est la pertinence du projet de cette innovation pour le partenaire industriel?

Aujourd’hui, la composition des groupes de deux ou plusieurs apprenants, bien que cela soit un élément central dans le développement des apprentissages, est fait la plupart du temps soit par affinité entre les apprenants, soit par hasard. L’objectif ici est d’analyser des données pour définir des profils d’étudiants et de faire des matching d’apprenants pour qu’ils étudient mieux ensemble.

Pour ce faire, nous voulons développer un outil de recommandation de création de groupes d’apprenants automatique, supervisé et dynamique en fonction du temps. L’outil doit être paramétré pour former des groupes d’apprentissages optimaux en fonction de l’efficacité des apprentissages des binômes ou des groupes d’étudiants, mais aussi en fonction de l’expérience d’apprentissage vécue par les membres du groupe. Une technologie en machine learning sera utilisée, couplée à d’autres techniques d’algorithme génétique ou de simulated annealing pour une configuration optimale de l’algorithme.

En proposant un service de matching d’apprenants protégeable par un brevet à des LMS providers, BetterStudy sera le seul prestataire capable de d’exploiter pleinement les savoirs présents dans des communautés d’apprentissage pour maximiser le développement des apprentissages collaboratifs. Cela permettra de répondre à un besoin en vendant un service à haute valeur ajoutée qu’aucune autre organisation n’a réussi à développer sérieusement. De plus, en intégrant cet outil de matching à sa propre plateforme de cours de comptabilité, BetterStudy aura un avantage compétitif supplémentaire face à ses concurrents (écoles privées offrant des cours de comptabilité) et augmentera ses ventes de 15% en lien à la valeur supplémentaire offerte à ses clients.

BetterStudy deviendra ainsi la seule plateforme d’e-learning en comptabilité capable de maximiser le développement des apprentissages en optimisant la mise en relation d’apprenants-es par de recommandations de matching entre pairs. Notre modèle actuel d’aide ciblée délivré par un de nos enseignant sera aussi remplacée par des entraides mutuelles entre apprenants-es, ce qui nous permettra d’accroître notre base de clients tout en maîtrisant notre structure de coût en ressources humaines puisque l’aide aux apprenants-es sera déléguées à des membres de la communauté d’apprentissage.

Quelle est la pertinence stratégique de cette innovation pour le partenaire de recherche?

Les principales questions scientifiques du projet sont particulièrement liées à l’optimisation, recherche heuristique, classification et apprentissage machine. Ce sont des questions classiques dans le domaine de l’intelligence artificielle, néanmoins lorsqu’elles sont appliquées pour résoudre des problèmes concrets et pratiques dans l’industrie de l’informatique, elles donnent lieu à des projets innovants et des nouveaux défis technologiques.

En ce qui concerne la HEG Genève, en tant qu’institut de recherche pluridisciplinaire notamment en économie d’entreprise et en informatique de gestion, nous sommes intéressés d’offrir cette combinaison de compétences pour un projet de recherche appliquée dans les TIC avec une orientation business. De plus, HEG Genève a dans sa mission de mettre les compétences de ses chercheurs-euses au service du tissu économique de la région. Sa filière Economie d’entreprise a déjà été financé par la CTI, notamment pour le projet intitulé Solution intégrée de comptabilité de gestion simplifiée pour PME, démarré en janvier 2014.

De plus, en tant que haute école, la HEG Genève est naturellement disposée à collaborer avec une education technology startup pour l’ensemble du projet, cela d’autant plus que ses professeurs sont déjà bien sensibilisés aux approches pédagogiques actives et socioconstructivistes notamment en raison des formations qu’ils ont suivi et surtout de l’adoption de ses approches dans leur pratique.

Comment évaluez-vous l’impact du projet en terme de durabilité au niveau écologique?

L’enseignement à distance participe à une réduction du nombre de trajets effectués du domicile à la haute école et limite les pics de fréquentation sur les routes ou les gares. De facto, cela réduit l’impact environnemental par une diminution de l’utilisation des moyens de transports (diminution de la pollution) et des infrastructures (pour utilisation plus durable).

Le fait d’offrir un outil qui favorise le développement des apprentissages autour de dispositifs d’enseignement à distance contribuera directement et rapidement à un changement durable des habitudes en matière de mobilité. Notre innovation aura donc finalement un impact positif sur l’environnement. 4.5 Quel est le potentiel global de cette innovation?Avec un outil de matching de profils d’étudiants, BetterStudy augmentera considérablement ses ventes, car sa proposition de valeur unique et protégeable par un titre de propriété intellectuelle s’inscrit dans un nouveau marché à dimension internationale et en forte croissance. En effet, les utilisateurs de LMS auront besoin d’interagir avec leurs pairs soit en présentiel soit à distance. Les hautes écoles, les grandes entreprises et les LMS providers comprennent rapidement le bénéfice de notre solution afin de maximiser les apprentissages de leurs apprenants autour de leurs dispositifs d’enseignement à distance.

Les enseignants des hautes écoles commencent à intégrer davantage les technologies dans leur enseignement (par exemple avec les MOOCs ou d’autres types de LMS) et privilégient des approches pédagogiques socioconstructivites. Dans le cadre de ce projet, nous avons réuni unpool de 30 enseignants principalement à la HES-SO qui ont accepté de tester le service de peer matching de BetterStudy dans leurs classes une fois que l’outil sera intégré à la plateforme d’elearning de la HES-SO (+22’000 étudiants, +6’000 cours). Cyberlearn, l’équipe e-learning de la HES-SO mobilisera ses équipes pour une contre-valeur de CHF 35’000.- pour tester notre technologie une fois intégrée dans sa plateforme Moodle. De plus, une offre a déjà été négociée avec un LMS.

Enfin, la Fondation pour la Haute Horlogerie (FHH) est intéressée par notre offre: une rencontre a été faite avec Yves Kohler (DRH) et notre proposition de valeur a été discutée au sein de leur comité de Direction (cf. email). Nous avons aussi des lettres d’intention de LMS avec d’importants volumes d’utilisateurs comme EasyGenerator, CrossKnowledge Switzerland (Wiley Group) et d’autres institutions comme Innovation Lab Fribourg, d’Akwire, d’un professeur de la Kedge Business School qui gère une classe de 900 étudiant-es et qui gère un cours sur un MOOC, etc.

Globalement, outre l’impact sur le développement des apprentissages, notre innovation contribuera également à une diminution des dépenses dans le domaine de l’enseignement supérieur qui se chiffre pour la Suisse à 5.6% du PIB, soit USD 16’090.- par étudiant et pour les pays de l’OCDE à en moyenne 6.1% du PIB, soit USD 9’487.- en 2014. [1]

[1] OCDE, Regards sur l’éducation 2014

6. Objectifs scientifiques/techniques

6.1 Quel est la base de l’idée scientifique / technique derrière le projet?

Ce projet s’inscrit dans le contexte de l’utilisation de nouveaux moyens technologiques pour optimiser l’apprentissage à distance. Il a pour objectif d’enrichir la plateforme BetterStudy par un algorithme de matchmaking qui proposerait aux apprenants la mise en relation avec un/des partenaire(s) soit dans le cadre de travaux de groupes initiés par l’enseignant, soit pour des entreaides individuelles entre étudiants. Le but étant d’améliorer l’efficacité du processus de l’apprentissage en réduisant le temps et maximisant la performance, tout en assurant un contexte agréable et culturellement enrichissant.

Le matchmaking sera basé sur des informations diverses qui peuvent être extraites depuis le profil non cognitif des apprenants rempli à partir des caractéristiques reliées à la1. personnalité récoltées à travers un questionnaire MBTI, le profil cognitif des apprenants représenté par les performances réalisées dans les2. différents tests d’évaluation liés à l’apprentissage en cours, le contexte d’apprentissage qui décrit a) le contexte social tel que les personnes à proximité3. (les membres de la classe), b) le contexte d’interaction avec la plateforme d’apprentissage tel que l’historique des visites des pages des chapitres du cours durant la phase de l’apprentissage, les pages web consultés, les activités sur les réseaux sociaux, etc. et c) le contexte modal qui définit l’état moral de l’utilisateur, ses intentions, son humeur, ses expériences et ses capacités cognitives au moment de l’apprentissage, l’historique du feedback de l’apprenant vis-à-vis des expériences de travail en groupes4. précédentes. L’algorithme du matchmaking est conçu comme un algorithme de recommandation qui permettra de proposer d’une manière pertinente aux apprenants des partenaires pour les accompagner durant la phase de l’apprentissage. Le calcul de la recommandation se reposera sur les modèles du filtrage collaboratif (CF) étendus pour intégrer des dimensions supplémentaires relatives aux informations contextuelles. Plusieurs approches existent déjà pour assurer cette intégration dont celles basées sur le pré-filtrage ou/et la modélisation du contexte ainsi que celles basées sur les heuristiques des distances entres les contextes.

Quand on se place dans une problématique de création de groupe au sein d’une classe d’étudiant, en plus du critère de la satisfaction individuel, le critère de la satisfaction collectif entrera inévitablement en considération. L’algorithme que nous proposons doit optimiser la satisfaction individuelle avec la contrainte d’assurer un niveau acceptable de satisfaction collective du groupe de façon à minimiser le regret ou la démotivation des membres. Ceci est un problème combinatoire perplexe, rencontré souvent par un enseignement au moment de former les groupes d’étudiants dont une solution pourrait être proposée par un algorithme génétique explorant les meilleures combinaisons à partir d’un ensemble d’heuristiques en entrée.

6.2 Quel est l’état de l’art au niveau scientifique et technique en lien avec le projet?

Les systèmes de recommandation ont pour objectif de prédire la préférence ou la notation accordée par un utilisateur à un produit et de lui proposer en conséquence les produits les plus attractifs. Les approches classiques tentent de prévoir les intérêts des utilisateurs en se basant sur l’historique de leur notation [Ricci2011] et s’appuient généralement sur soit le filtrage collaboratif [Barbieri2014] ou le filtrage basé sur le contenu [Ricci2011]. Les approches de filtrage collaboratif recommandent les produits en fonction du comportement passé de l’utilisateur ainsi que des choix des autres utilisateurs qui ont acheté des articles similaires (par exemple, Amazon et eBay). Les approches de filtrage basées sur le contenu définissent un ensemble de caractéristiques de référence d’un produit en vue de recommander des produits supplémentaires ayant des caractéristiques similaires. De nouvelles alternatives, notamment les approches mobiles ou contextuelles sont récemment devenues populaires en raison de l’utilisation vulgarisée des appareils mobiles. Ces approches offrent des recommandations personnalisées en tenant compte des informations du contexte spatio-temporel, du profil et des préférences des utilisateurs, extraites depuis les mobiles [Bouneffouf2012].

D’autres informations contextuelles sociales comme la compagnie et l’humeur extraites des sondages ou induites de l’interaction avec les réseaux sociaux sont aussi utilisées [Hidasi2012, Panniello2014, Codina2015]. Plusieurs workshops ont été dédiés pour discuter de cette thématique dont le Context Aware Recommender Systems workshop (CARS2010-2011-2012) organisé par Adomavicius et al. [Adomavicius2012] et le Contextawareness in Retrieval and Recommendation (CaRR -2014) organisé par Said et al. [Said2014]. Récemment, avec l’utilisation massive des réseaux sociaux et avec l’énorme quantité de médias sociaux présents sur le web, on a introduit les systèmes de recommandation sociaux qui visent à améliorer la précision de la recommandation en intégrant la « confiance » a priori qui existe à travers les réseaux de connexion sociaux et aussi l’historique social de l’utilisateur.

Dans [Ricci2011], les auteurs montrent que, ayant le choix entre les recommandations d’un ami et d’un système de recommandation en termes de qualité et d’utilité, les recommandations d’un ami sont préférées. Des travaux récents [Delporte2013, Yang2015] montrent que l’utilisation de données des réseaux sociaux en plus de la réaction (feedback) sous forme de notation peut améliorer considérablement la précision de la recommandation. Une des tendances actuelles est de demander des recommandations pour un groupe d’utilisateurs et non seulement pour une personne unique [Jameson2007, Boratto2015, Christensen2014]. Cette problématique est rencontrée lorsqu’il s’agit de former des groupes de plus que 2 partenaires. L’idée de cette recommandation est de proposer des groupes pour satisfaire idéalement mutuellement tous les membres dans le groupe. Dans plusieurs cas, une des approches est qu’il faut proposer des compositions de groupes qui minimisent la non-satisfaction des membres [Bento2012].

L’approche la plus connue pour résoudre ce problème est de procéder à des agrégations au niveau des profils utilisateurs, et/ou du contexte et/ou des historiques des notations. Sachant qu’une personne pourrait éventuellement se comporter différemment au sein d’un groupe (effets d’adaptation ou d’influence ou d’autres effets sociaux), il s’agit de gérer à la fois les profils individuels et collectifs pour trouver un consensus de préférence ou détecter des préférences partagés. Les systèmes de recommandation sensibles au contexte ont largement été utilisés pour supporter les systèmes de Technology Enhanced Learning (TEL) pour assurer un contexte d’apprentissage adaptatif et personnalisé. TANGO [Ogata2004] utilise les actions aux alentours comme la rentrée dans la salle de réunion ou l’utilisation de la climatisation. PALLAS [Patersen2008], CALS [Yau2007] et TenseITS [Cui2005] intègre les dimensions du temps et la localité pour adapter les exemples et les ressources d’apprentissage. APOSDLE [Stern2010] et C-LINK [Schirru2010] identifie l’activité courante de l’apprenant sur le système (navigation web par exemple) et recommande des sujets en conséquence.

Extraction des données contextuelles

Dans son tutorial présenté dans la 21ième Conférence sur « User Modeling, Adaptation and Personalization (UMAP 2013) » (Tutorial at the 21st Conference on User Modeling, Adaptation and Personalization (UMAP 2013). Rome, Italy, June 10-14, 2013), Mobasher a défini quatre types de contexte à savoir :[1] Le contexte physique qui décrit la position, le temps, l’activité physique de l’utilisateur, la1. météo, la température ambiante, l’éclairage, l’ensoleillement, etc., Le contexte social qui décrit la présence et le rôle des personnes qui se trouvent aux2. alentours, Le contexte de l’interaction avec les médias qui décrit le dispositif utilisé pour accéder au3. système de recommandation et le type des médias explorés et utilisés (site web, texte, image, vidéo, musique), Le contexte modal décrit l’état moral de l’utilisateur, ses intentions, son humeur, ses4. expériences et ses capacités cognitives.

  • Modélisation et intégration d’un algorithme de clustering à BetterStudy.

  • Développement de fonctionnalités qui permettront de tester l’offre (transformation du site en une plateforme, intégration d’outil de transfert de contenu)

  • Création de contenu didactique dans plusieurs disciplines (finance, stratégie, ressources humaines, etc.) pour tester l’offre .

  • Création de tests avec des éléments liés à la personnalité et aux compétences comportementales.

  • Test des innovations par les enseignants-es avec leurs classes dans des conditions réelles

 
 
 

 Vers les systèmes d’apprentissage adaptatifs

Depuis la définition qui précède, il s’avère qu’il y a plusieurs types de données contextuelles qui peuvent être récoltées et consolidées pour améliorer la performance des système de recommandation, en particulier dans le domaine du e-learning. Dans ce sens, plusieurs travaux de recherche ont exploré l’intégration et l’adaptation des approches de la recommandation utilisateur/produit dans le e-commerce aux systèmes et plateformes d’apprentissage en ligne.

6.3. What is the position of the institution in this context?

1. Le groupe d’Analyse de Données (historiquement un sous-groupe de l’ISIC (Institut des Systèmes Interactifs et Communicants) est très actif dans des projets de recherche de pointe avec la collaboration des partenaires industriels régionaux. Sa mission ultime est de mettre en pratique les modèles théoriques de l’analyse prédictive et de l’intelligence artificielle dans des cas concrets pour la résolution des problèmes de l’industrie et de la société. Professor H. Ghorbel, responsable du groupe est le co-encadrant d’un doctorant à l’Université de Neuchâtel (UniNe) dont le sujet est l’amélioration les systèmes de recommandation par i) des informations contextuelles à provenance de l’analyse des réseaux de communication dans les réseaux sociaux et ii) le contenu textuel des messages postés sur la plateforme Yelp.com pour les cas des restaurants (analyse des sentiments). Ce projet de thèse fait l’objet d’une requête FNS soumise conjointement avec Prof. Savoy de l’UniNe.

Le Professeur H. Ghorbel a également participé avec la collaboration d’un consortium de chercheurs européens à la soumission d’un projet H2020 dans le domaine du e-learning qui s’intitule : « ATLAS Advanced Teaching and Learning System ». Il a été le responsable d’un WP dont l’objectif était de développer un système de recommandation sensible au contexte pour proposer les méthodologies d’apprentissage les plus adéquates aux apprenants en tenant compte du contexte d’apprentissage et de données extraites depuis plusieurs dispositifs technologiques (eye tracker, EEG, etc.). ATLAS va au-delà de l’état de l’art avec la mise en place de capteurs neurologiques, de caméras pour détection de l’expression faciale et des dispositifs de suivi des yeux pour fournir un suivi implicite de l’activité des étudiants. Toutes ces informations seront intelligemment intégrées pour créer un écosystème unique pour l’apprentissage en ligne. Ce projet entre donc parfaitement dans les compétences de l’ARC ingénierie et représente une excellente opportunité de plus pour valoriser les différentes recherches effectuées dans le domaine des systèmes de recommandation et les nouvelles technologies du Big Data Anlalytics.

2. L’Institut Informatique de gestion, spécialisé dans le développement de systèmes d’information et étroitement lié à l’offre de formation Bachelor et Master, concentre ses activités sur des domaines à forte valeur ajoutée pour l’économie locale. De l’eHealth (cybersanté) aux eServices (digitalisation des services) en passant par l’eGovernment (cyberadministration), l’eEnergy (gestion énergétique) ou les ERP, l’institut utilise son savoir-faire pour concevoir des systèmes d’information utiles aux entreprises quel que soit leur secteur d’activité. Une offre de formation continue en informatique est proposée aux entreprises.

3. La haute École de Gestion de Genève. Afin de comprendre pourquoi et comment les actions des acteurs se produisent, il est nécessaire de se pencher sur les questions émotionnelles lesquelles renseignent directement sur le sens donné à l’action et orientent les personnes et leurs interlocuteurs sur l’intention et la compréhension du besoin d’agir. Depuis plus de 8 ans au sein de la HEG, les méthodes d’auto-questionnement et de feedbacks explicites sur les comportements des personnes ont été testées et validées dans des cursus d’entraînement au management (cf. CAS en management et en Business analyse). Les outils d’entraînement ont d’ailleurs fait l’objet de recherches sur les comportements organisationnels, notamment au travers d’un projet CTI sur l’entraînement aux compétences comportementales. Les questions émotionnelles sont aujourd’hui au cœur des problématiques de l’entreprise et de la formation, ce qui leur permet de mieux comprendre les besoins humains et par là d’augmenter la performance des prises de décision dans un contexte professionnel et/ou éducatif. L’impact de ce projet sera perceptible sur plusieurs niveaux: des apprenants : offrir aux étudiants un cadre d’apprentissage et d’évaluation à distance qui1. soit adaptatif, personnalisé et collaboratif social/scientifique: accélérer l’intégration des nouvelles technologies d’information dans2. l’enseignement et la formation au niveau Suisse et Européen national: augmenter le nombre de partenariats public-privé portant sur les défis technologiques pour moderniser et améliorer l’éducation et la formation européen: contribuer aux objectifs de l’initiative Européenne « Open up Education » dont le but est de stimuler des modes d’apprentissage et de l’enseignement par les TIC et du contenu numérique Pour la dissémination, nous planifions d’effectuer les activités suivantes pour les écoles HES : disséminer le service de recommandation au niveau HES et motiver la communauté professorale pour y participer et l’utiliser (comme intégré dans Moodle) dans leurs enseignements pour les étudiants : disséminer le service de recommandation dans la plateforme Moodle et les inciter à l’utiliser pour améliorer la performance de leur apprentissage pour les professionnels : orienter les campagnes de publicité pour valoriser l’apport en performance de l’apprentissage avec les plateformes BetterStudy et Moodle également envisager l’intégration de celle-ci avec des plateformes LMS existantes pour la communauté scientifique : communiquer les résultats de recherche dans les manifestations et conférences scientifiques, accroître la réputation et attirer de nouveaux partenaires précieux. pour la communauté internationale e-learning professionnel : partager l’information et les résultats afin de développer des nouveaux projets H2020 qui intègrent des partenaires industriels; pour grand public en Suisse/Europe: expliquer comment les programme R&D contribue à l’amélioration de la qualité de vie et la position concurrentielle des entreprises suisses/européennes ; pour la prochaine génération de jeunes étudiants : promouvoir les carrières en science et technologie.

6.4 What is the added value of the project related to the state of the art?

Avant la crise financière et économique qui a commencé en 2007-2008, le débat sur le ralentissement européen de la productivité du travail a mis le doigt sur la Technologie de l’Information de Communications (TIC) comme une raison majeure pour la sous-performance de la productivité du travail de l’UE. Ce résultat reflète principalement l’adoption nettement plus lente des TIC dans l’UE par rapport aux États-Unis, en particulier dans les secteurs des services. Plusieurs années après la «révolution des TIC », l’UE est non seulement toujours à la traîne des États-Unis, mais l’écart de croissance de la productivité a récemment élargi. Les résultats empiriques montrent que dans l’UE, il y avait des investissements insuffisants dans les compétences et les changements organisationnels nécessaires pour récolter les bénéfices des technologies de TIC.

Le programme du travail 2014-2015 du H2020 recommande entre autres : Le développement et l’intégration des technologies numériques robustes et ciblés pour l’apprentissage sont essentiels pour stimuler le marché et l’innovation dans les technologies éducatives. L’élaboration des solutions innovantes pour répondre aux besoins de l’écosystème numérique d’apprentissage à faire une meilleure utilisation des solutions éducatives à base de cloud computing, la technologie mobile, des analyses analytiques, des gros volumes de données et pour faciliter l’utilisation, la réutilisation et la création de matériel d’apprentissage et de nouvelles façons d’enseigner et d’apprendre en ligne Les activités seront axées sur des technologies innovantes pour l’apprentissage, sur les standards d’interopérabilité et sur  »l’intégration des différents composants dans des environnements d’apprentissage intelligents.

Le projet de BetterStudy répond parfaitement à ces recommandations. Il vise sur la mise en place d’un système intelligent qui permet de favoriser le travail collaboratif sur des scénarios pour l’apprentissage en ligne ou en classe supporté par un outil informatique. L’algorithme de recommandation des partenaires pour former des groupes de 2 à 4 apprenants, soit en ligne, soit en classe assurera un apprentissage personnalisé et adaptatif.

6.5 What are the quantified goals?

La proposition de valeur principale consiste à aider les étudiants à entrer en contact avec leurs pairs tout en optimisant la composition de binômes et/ou de petits groupes d’étudiants afin de maximiser le développement, améliorer l’efficacité, réduire le temps de leurs apprentissages, soit dans le cadre de travaux de groupes initiés par l’enseignant, soit pour des entre-aide individuelles entre étudiants; il s’agit aussi de rendre leurs apprentissages plus agréables afin d’agir sur l’expérience d’apprentissage en communauté. Nous chercherons à quantifier la performance, par exemple : «Avec le service de recommandation de BetterStudy, les étudiants du LMS x augmentent leurs résultats de 15% et réduisent leur temps d’étude de 10%».

6.6 What are the scientific/technical challenges in achieving these goals?

Nous proposons de développer un algorithme de recommandation pour la mise en relation des apprenants pendant leurs activités d’apprentissage à distance sur différentes plateformes LMS. Cet algorithme offert sous forme de service web permettra d’enrichir le travail collaboratif dans un premier temps sur la plateforme BetterStudy et Moodle (la plateforme e-learning de la HES-SO (Cyberlearn)). Il sera compatible avec les différents LMS clients qui supportent le format d’échange de données TIN CAN API. L’idée de ce service est la suivante. Chaque LMS désirant de solliciter le service du système recommandation doit d’abord disposer d’un plugin d’exportation des profils et activités et feedback de ses apprenants en format d’échange TIN CAN. Il se connectera ensuite aux web services pour envoyer les LRS (Learning Record Store) de ses apprenants au système de recommandation. Une fois les recommandations calculées, elles sont retournées aux LMS en temps réels et en format TIN CAN aussi. Finalement, les LMS client décident la façon avec laquelle ces résultats de recommandation seront exploités. Le système de recommandation, objectif principal de ce projet, supportent deux cas d’utilisation possibles (Figure 1).

1. Cas cours à distance

Un apprenant ayant choisi BetterStudy, Moodle ou n’importe quel autre LMS, pour suivre d’une façon individuelle un cours à distance. Cette situation n’implique aucun engagement d’être en classe sous la supervision d’un professeur, mais offre une autonomie totale à l’apprenant pour définir son propre rythme d’apprentissage. Dans ce contexte, et dans le but d’inciter l’apprenant à effectuer une partie de son apprentissage dans un cadre collaboratif, l’algorithme proposera à celui-ci les apprenants les plus adéquats et qui sont potentiellement intéressés de l’accompagner pour résoudre certains problèmes ou effectuer un projet à plusieurs. La recommandation pourrait être déclenchée soit explicitement par l’apprenant en précisant un objectif bien ciblé (révisions, exercices ou projets sur un ou plusieurs chapitres par exemple) ou général (accompagnement et partage d’expériences sur le moment). Soit aussi implicitement en proposant les apprenants connectés (ou hors lignes) qui pourraient potentiellement être utiles en ce moment de l’apprentissage. La recommandation pourrait également prendre une forme de recommandation pour groupe. En effet, il est possible que le groupe se compose de plus que deux apprenants. Par conséquence, du moment où un groupe est formé de n membres, la recommandation du nième+1 doit satisfaire tous les membres du groupe. On se limite pour des raisons pédagogiques à n=4. Sur le plan algorithmique, la recommandation pour groupe requiert un post-traitement d’agrégation des recommandations pour obtenir des solutions acceptées par la totalité du groupe

2. Cas cours classique

Dans le cadre d’un cours dispensé par un professeur à une classe d’apprenants, cet algorithme (service) permettra à celui-ci de composer automatiquement des groupes de 2, 3 ou 4 personnes pour réaliser un projet. Dans ce cas d’utilisation, et comme pré-requis, il faut que les membres de la classe soient des apprenants enregistrés et actifs dans BetterStudy, Moodle ou n’importe quel autre LMS utilisant ce service, en d’autres termes, il faut que ce LMS ait été adoptée comme un outil d’accompagnement et de référence depuis le début du cours. Une fois que le service de recommandation ait accès aux profils et activités des apprenants, et sur la demande du professeur, l’algorithme recommandera une répartition optimale de ceux-ci en groupes tout en maximisant les satisfactions individuelles et minimisant les mécontentements et les regrets des membres. Le regroupement pourrait être réalisé en itérant le processus de répartition plusieurs fois jusqu’à la décision du professeur de la configuration finale de la classe.

Dans les deux cas d’utilisation précédents, nous proposer de décomposer le projet selon les activités ci-dessous (WP0 jusqu’à WP6). L’approche de l’algorithme reste la même hormis une phase d’optimisation supplémentaire dans le WP5 avec un algorithme génétique pour le deuxième cas d’utilisation de regroupement au sein d’une classe prédéfinie d’apprenants. La recommandation pour groupe de plus que deux membres pourrait être sollicitée lors des deux cas d’utilisation. WP0. Gestion du projet À fin de garantir une bonne coordination des activités, une séance de tout le groupe sera organisée à la fin de chaque jalon (presque chaque mois). Cette dernière est présidée par le gérant de BetterStudy avec la coordination technique du Professeur ISIC, M. Ghorbel. À la fin de cette séance, un procès verbal est rédigé et envoyé au membre du projet. Durant cette séance, une évaluation de l’avancement et de la qualité du projet sera présentée et un plan opérationnel sera proposé afin de planifier la suite des tâches.

En parallèle, un projet sera créé sur l’outil de gestion de projet à l’ISIC (Redmine) dont le but est de supporter la gestion des tâches (via un diagramme Gantt et un calendrier), le partage des documents et du code, et la communication (forums et des wiki) au sein de l’équipe. D’autres part, des réunions techniques seront organisées au fur et mesure de l’avancement mais en tout cas au début et fin de chaque WP à fin de discuter les tâches à réaliser. Ces réunions seront organisées par le coordinateur technique du projet (M. Ghorbel) et concerneraient les acteurs impliqués dans ces tâches.

Répartition des tâches et des responsabilités

Pour ce projet, BetterStudy est représenté par son gérant, M. Rieder, qui jouera à la fois le rôle du chef du projet, et d’un scientifique avancé vu son expérience d’entrepreneur et ses compétences académique et pédagogique. M. Rieder et son équipe seront chargés de la gestion du projet et la réalisation de l’intégration des algorithmes, en particulier pour : Gérer les échéances et la planification et valider les étapes du projet ; Organiser et coordonner l’analyse et la conception de la plateforme ; Assurer l’avancement du projet ; Assumer la responsabilité de la coordination entre l’équipe BetterStudy et la HES-SO (ARCIngénierie/HEG/IIG) ; Intégrer les algorithmes développés dans les LMS BetterStudy et Moodle ; Adapter les interfaces graphiques de BetterStudy et Moodle aux nouveaux cas d’utilisation ; Motiver des nouveaux utilisateurs à l’utilisation de la plateforme (ARC-Ingénierie/HEG/IIG) a l’intention de fournir une équipe composée des profils suivants : trois professeurs cinq assistants

Les professeur(e)s seront chargé(e)s d’assurer l’innovation et le transfert de connaissance, en particulier pour:

Transmettre l’état de l’art ; Créer des nouvelles idées et des approches originales pour répondre aux besoins du projet ; Transmettre le savoir faire pour la résolution des problèmes de recherche ; Gérer l’équipe HES-SO ; Assurer l’avancement technique du projet ; Valider des échéances et gestion du temps et ressources dans l’équipe HES-SO ; Assumer la responsabilité des aspects scientifiques et recherche du projet ; Inciter leurs étudiants à évaluer la plateforme.

Les assistant(e)s de la HES-SO seront chargé(e)s du développement et l’implémentation informatique de la solution, en particulier pour : Traduire les besoins fonctionnels en des spécifications techniques et applications logicielles ; Contribuer à la conception, implémentation et validation des interfaces utilisateurs ; Implémenter les solutions techniques ; Installer des environnements de programmation nécessaires au développement ; Participer à la mise en place de l’architecture de la plateforme ; Résoudre les problèmes techniques d’architecture et d’implémentation ; Fournir de la documentation et du support technique aux autres membres du projet ; Participer au choix des environnements de développement.

Jalons M1 en semaine 0 indiquera le début du projet et l’organisation de la séance de Kickoff. M8 en semaine 50 indiquera la fin du projet.

Livrables

Un rapport technique intermédiaire à la réalisation du jalon M6 à la semaine 26 qui indiquera l’achèvement de la version Beta de l’algorithme de recommandation

Les rapports scientifiques finaux à la fin du projet, le rapport financier final à la fin du projet.

Risques/Mitigations

Le risque d’une mauvaise gestion du projet est très minime vu l’expérience des requérants dans le développement des projets CTI. Le risque du retard dans la réalisation des WP est par contre moyen, pour le mitiger, nous mettons en place une équipe d’assistants/ingénieurs complémentaires à disposition du projet pour gérer les différents rythmes d’avancement.

WP1. Modélisation du profil cognitif et du contexte de l’apprentissage dans BetterStudy

Description générale

Le profil cognitif d’un apprenant sera caractérisé par l’ensemble des performances réalisées durant la phase de l’apprentissage sur la plateforme BetterStudy, Moodle ou n’importe quel autre LMS. Dans ce WP1, nous nous concentrons sur la plateforme du cours de BetterStudy pour générer le profil cognitif en adoptant l’API TIN CAN. Puisque les cours BetterStudy sont structurés sous forme de chapitres, il est adéquat d’associer ces performances aux résultats des évaluations des chapitres. En effet, BetterStudy offre deux types d’évaluations, soit des exercices qui portent sur la matière d’un chapitre, dans ce cas l’apprenant aura droit à un résumé et une explication supplémentaire. Soit des tests toujours sur la matière d’un chapitre mais sans aucune documentation ni explication. Dans les deux cas, l’apprenant finira par connaître les bonnes réponses en cas d’échec.

Les performances seront quantifiées sous forme de notes obtenues, de nombre et fréquence d’exercices et de tests réalisés (ou en cours), du temps passés sur ceux-ci, d’autonomie (résumé et explicatif consultés pour répondre), etc. En outre, un critère supplémentaire qui permettra de caractériser le profil cognitif de l’apprenant est celui de la notion de questions favorites. En effet, l’apprenant a la possibilité de marquer une question comme favoris lorsqu’il s’agit d’un niveau de difficulté pour lequel il est nécessaire d’avoir une assistante particulière du professeur. Ces questions favorites peuvent donner des indications sur les difficultés cognitives de l’apprenant et évoque en conséquence un élément potentiellement pertinent de regroupement.

Le profil cognitif est généralement dynamique dans le temps, puisque à chaque période d’apprentissage, il s’adapte en fonction des performances réalisées. Plusieurs éléments de ce profil seront précisés grâce aux données contextuelles décrites dans la suite. Nous définissons le contexte d’apprentissage comme les données physiques, sociales ou émotionnelles qui décrivent une situation particulière durant laquelle l’apprenant suit son cours sur la plateforme. Ces données désignent principalement l’entourage social, l’humeur du moment et l’environnement interactif de la plateforme extrait en temps réel. Plus précisément, nous définissons ces contextes comme.

Contexte social 

Ce contexte qui décrit la présence des personnes à proximité au moment de l’apprentissage ou simplement les membres des groupes d’apprenants dans le cas d’un apprentissage en classe organisé par un enseignant. La prise en compte du contexte social permet d’informer le système de recommandation s’il s’agira d’une recommandation individuelle ou plutôt dans un contexte d’un cours organisé en classe avec un professeur.

Le contexte de l’interaction. Ce contexte décrit l’historique de l’itération et de l’activité de l’apprenant avec les différents chapitres du cours. Il enrichit le profil cognitif par des informations statistiques sur le comportement de l’apprenant sur la plateforme telles que i) le temps passées sur chaque partie et modalité du cours, ii) la fréquence et l’ordonnancement des visites de celle-ci, ii) éventuellement les activités sur les réseaux sociaux (LinkedIn).

Activités

Le contexte de l’apprentissage est extrait à partir de l’ensemble des actions que l’apprenant réalise au moment de l’apprentissage sur la plateforme BetterStudy. Cette tâche d’extraction est réalisée par l’intégration des plug-ins capables de suivre les actions et click souris sur la plateforme Web. En résumé, les tâches suivantes seront réalisées dans ce WP.

Intégration des plug-ins de suivi des actions souris et activités dans BetterStudy

1. Modélisation et extraction du contexte d’interaction
2. Extraction de performances relatives aux chapitres en question
3. Association entre les données contextuelles et le profil cognitif
4. Spécification des LRS (Learning Record Store) et de l’API d’échange TIN CAN
5. Structurer les profils en sous forme de LRS
6. Exporter les profils en utilisant l’API TIN CAN

Objectifs mesurables

Récolter le profil cognitif et le contexte d’apprentissage en temps réel de l’apprenant sur BetterStudy pour orienter les recommandations. Pour mesurer ces objectifs, nous proposons de réaliser des scénarios et des tests pour évaluer l’efficacité des outils de suivis des actions souris de l’apprenant et l’accès aux résultats des performances de l’apprenant (différents test et exercices thématiques). Notre objectif est d’attendre une extraction complète et en temps réel du contexte d’apprentissage et des performances de l’apprenant.

Livrables

Un module d’extraction du contexte d’apprentissage complètement intégré dans la plateforme BetterStudy et exporté sous format TIN CAN.

Répartition des tâches

L’extraction des données cognitives sera réalisée par l’Arc avec la collaboration étroite des développeurs de betterStudy pour l’échange d’information autour du système de bases de données de la plateforme. L’extraction du contexte social et interactif sera réalisée par l’Arc. Puisque ce WP est développé en parallèle avec le WP3 qui concerne le développement d’un plugin pour l’exportation des activités des apprenants sur Moodle, une discussion étroite aura lieu entre les équipes ARC et IIG pour la spécification des formats d’échange TIN CAN et la structure des LRS à développer. Jalons M2 en semaine 11 marquera l’achèvement de l’exportation des activités (profils et contextes d’apprentissage) en TIN CAN depuis betterstudy et Moodle (voir WP 3)

Risques/Mitigations

L’API TIN CAN n’est qu’un standard et devrait être développé pour la communication entre un LMS et le service de recommandation. Ce format pourrait prendre des spécifications différentes entre les différents LMS. [haut risque]. Afin de mitiger ce risque, la spécification des LRS sera effectuée conjointement par l’ARC et l’IIG pour unifier les LRS utilisées dans la modélisation des activités des apprenants de Moodle et BettterStudy. Ce format sera la référence pour les autres LMS désirant utiliser le service de recommandation de BetterStudy.

WP2. Évaluation du feedback de l’apprenant

Description générale

Afin d’assurer un système d’apprentissage adaptatif, il est nécessaire d’évaluer la satisfaction de l’apprenant en tout moment pour que le système réagisse en conséquence et adapte ses actions. Dans ce sens, nous évaluons deux sortes de feedback.

1) Un feedback explicite : l’apprenant répondrait directement à des questions très succinctes comme « c’est bon ou pas » « j’avance ou pas » « j’aime ou j’aime pas » « envie de changer/quitter le groupe ».
2) Un feedback implicite évalué selon les performances réalisées dans les exercices et tests sur la plateforme. Ce feedback sera quantifié pour générer une notation qui reflète la satisfaction de l’apprenant vis-à-vis d’une recommandation de partenaire.

Cette notation sera par la suite intégrée au service de calcul des recommandations. Ce WP consiste à développer un module à intégrer dans le LMS BetterStudy pour récolter le feedback implicite et explicite, de le stoker en format LRS et de l’exporter avec le format d’échange TIN CAN au service de recommandation.

Activités

Après avoir vécu une expérience de travail en groupe, les apprenants seront explicitement invités à donner leur appréciation (feedback). Ils pourront donner un jugement global, soit une échelle de Lickert de 1 à 10 est proposée ou des émoticônes (ou des étoiles aussi) de 1 à 5 de satisfaction apportent une information en « live » de chacun pour tous.

Exemple, un travail de groupe est organisé durant les échanges ou lors des décisions de groupe, l’un des membres ne se sent pas à l’aise. Il peut à tout moment brandir un émoticône (rouge = très insatisfait ; orange = moyennement satisfait ; vert = très satisfait) pour réagir et faire réagir le groupe. Ensuite, à l’issue du travail de groupe, tous les membres de l’équipe s’autoévaluent sans se censurer sur les 7 critères susmentionnés.

Une cohésion trop élevée

1. Isolement de l’un des membres du groupe par rapport aux autres membres du groupe

2. Pas de définition de méthode de fonctionnement/structure du groupe
3. Leadership d’un ou de plusieurs membres du groupe trop directif
4. Situation de performance ou pression de la part de membres de l’équipe anxiogène et stressante
5. Illusion d’être les meilleurs ou censure collective lors d’une prise de risque ou d’une décision jugée hors du cadre ou trop valeureuse

6. Paresse sociale et aménagement des efforts par l’un ou plusieurs membres de l’équipe

En plus de ce feedback explicite, un autre moyen d’estimer la pertinence d’un regroupement serait d’observer les performances réalisées des membres du groupe, que se soit sous forme de notes d’exercices, de tests, ou de projets. Nous appelons ce feedback comme le feedback implicite. Le recours au feedback implicite est motivé par le risque de ne pas collecter de feedback à cause du manque de collaboration de l’apprenant avec le système ou bien lors de détection d’incohérence. Le feedback implicite alarmant pourrait également conduire à ajuster voire annuler un travail en groupe. Notons que le feedback peut varier d’une personne à l’autre même durant une même expérience de regroupement. Ces feedback représentent le retour des apprenants et reflètent leurs préférences par rapport au regroupement avec les autres apprenants dans la matrice de préférence apprenant/apprenant.

Avant les premières expériences de regroupement, cette matrice serait vide (problème du connu par le cold-start). Le calcul des recommandations se baserait principalement sur l’appariement des profils cognitifs et non cognitifs en utilisant des hypothèses pédagogiques. Ensuite, avec l’accumulation des expériences, le système va connaître de mieux en mieux les attentes des apprenants et leur suggérer des regroupements qui correspondent de mieux en mieux à leurs souhaits.

Afin de réaliser la détection du feedback de l’apprenant, il sera nécessaire de : Concevoir la forme la plus adéquate de feedback à mettre en place dans BetterStudy, Intégrer d’une façon fluide et intuitive les interfaces Web pour recueillir les feedbacks des apprenants, Structurer et quantifier les feedbacks et les associer par la suite aux contextes des recommandations, Détecter et suivre les feedback alarmants, Spécification des LRS (Learning Record Store) et de l’API d’échange TIN CAN, Structurer les profils en sous forme de LRS, Exporter les profils en utilisant l’API TIN CAN.

Objectifs mesurables

Le but ultime de ce WP est la récole et la quantification des feedback des apprenants suite aux expériences de regroupement. Afin de mesurer le succès de cette activité i) pour les feedback explicite, des tests de programmation unitaires suffiront pour valider la récolte du retour de l’apprenant ; ii) pour le feedback implicite, l’évaluation est plus laborieuse car il faut engager des apprenants dans des vrais travaux de groupe pour observer leurs performances, ceci sera l’objectif du WP6. Ces mesures seront donc prises lors de l’évaluation concrète dans le WP6. Elles seront conçues comme les sommes normalisées des variations entre les intentions de préférence des apprenants et les préférences calculées par le module en cours. Nous planifions d’assurer une performance d’au moins de 80 % dans ce module.

Livrables

Un module de récole et quantification des préférences des apprenants à la suite des expériences de regroupement à partir de feedback des intervenants. Ce module exporter les résultats en utilisant l’API TIN CAN.

Répartition des tâches

La conception de la forme des feedback sera réalisée par la HEG Genève (Madame Junod et son équipe). La quantification des feedback et la construction de la matrice de préférences sera réalisée par l’Arc. La tâche de la réalisation des interfaces graphiques pour la récolte des feedback sera confiée aux développeurs du BetterStudy avec l’appui de l’Arc. Puisque ce WP est développé en parallèle avec le WP3 qui concerne le développement d’un plugin pour l’exportation des feedback des apprenants sur Moodle, une discussion étroite aura lieu entre les équipes ARC et IIG pour la spécification des formats d’échange TIN CAN et la structure des LRS à développer. Jalons M3 en semaine 15 marquera l’achèvement de l’exportation du feedback en TIN CAN depuis betterstudy et Moodle (voir WP3).

Risques/Mitigations

Donner son feedback n’est pas forcément une activité très appréciée par les utilisateurs. Pour mitiger ce risque, il sera très important que les interfaces de feedback soit très fluides et intuitives et offrent une expérience utilisateur de qualité.

WP3. Plugin et Intégration Moodle

Description générale

Pour atteindre le maximum d’institutions, BetterStudy souhaite intégrer l’algorithme [peer matching] dans des LMS tiers. En effet, la majorité des écoles et universités disposent déjà d’un LMS.

Ainsi, l’adoption d’un nouvel outil tel que BetterStudy serait une contrainte supplémentaire pour ces établissements. Il faudrait envisager son installation, sa configuration, sa maintenance. Toutes ces tâches nécessitent du personnel, une infrastructure et une courbe d’apprentissage non négligeable. Afin de faciliter l’adoption de BetterStudy, ce WP vise à proposer le [peer matching] sous la forme d’un module d’extension (plugin) standard du LMS Moodle. Sous cette forme, les écoles et/ou universités bénéficieraient du [peer matching] sans installation ni configuration ni maintenance d’une nouvelle infrastructure. Seule l’installation et l’activation d’un module d’extension sur une plateforme connue sera nécessaire. Ceci sans aucun apprentissage ni tâches de maintenance supplémentaires. Ce développement adoptera la norme TIN CAN telle que présentée dans le WP1 et WP2.

Activités

Les tâches principales de ce WP sont : Développement des activités compatibles avec l’évaluation implicite Mise à niveau des activités pour la prise en charge de TIN CAN Développement spécifique du plugin [peer matching] (création de groupe par le professeur) Ludification avec le support des badges Déploiement sur le système d’intégration et tests Objectifs Intégrer les fonctionnalités du [peer matching] répondant au [usecase 2] création de groupes pour les enseignants dans leurs classes] sous la forme d’un module d’extension (plugin) Moodle. Le module d’extension répond aux spécifications de Moodle et intègre les fonctionnalités de sauvegarde et restauration, d’installation, de configuration, d’activation/désactivation, duplications du cours et du plugin, d’importation, … Pour en attester la validité, le module d’extension sera déployé sur le système d’intégration du centre e-learning de l’HES-SO (Cyberlearn).

Livrable

Module d’extension offrant les fonctionnalités du [peer matching].

Répartition des tâches

L’IIG, en la collaboration avec le centre e-learning de l’HES-SO (Cyberlearn), développera le module d’extension. Cyberlearn, dont les heures sont autofinancées, soutient les développements et met à disposition l’infrastructure. L’IIG participe à l’analyse de l’algorithme afin d’assurer sa modularité et son degré d’intégration. Jalons M2 en semaine 11 marquera l’achèvement de l’exportation des activités (profils et contextes d’apprentissages) en TIN CAN depuis betterstudy et Moodle M3 en semaine 15 marquera l’achèvement de l’exportation du feedback en TIN CAN depuis betterstudy et Moodle (voir WP3).

Risques/Mitigations

L’architecture décidée dans les WP précédents rend difficile l’intégration [risque haut]/ c’est pourquoi l’IIG intervient dans les WP en question. Selon le degré d’intégration, les utilisateurs devront être synchronisés entre les deux plateformes (BetterStudy+Moodle) et l’algorithme / le cas échéant passer par les comptes switch AAI ou similaire. La maturité du support TIN CAN dans Moodle représente un risque / Cyberlearn et son expertise devrait diminuer ce risque. Le stockage dans le LRS des évaluations notées ainsi que les évaluations textuelles / S’il y a des contraintes sur la nature des informations stockées dans le LRS, s’y conformer et modifier les inputs de l’algorithme en conséquence. Certaines activités sélectionnées pour l’évaluation implicite ne supportent pas (ou que partiellement) TIN CAN. / Choisir une autre activité, compléter l’activité ou une implémenter une évaluation « explicite » pour compenser l’information manquante.

WP4. Algorithme de recommandation

Description générale

Le service calcul des recommandations sera basé sur les méthodes de recommandation sensibles au contexte (Context-Aware Recommendation Systems – CARS).

Dans ces méthodes les apprenants seront mis en correspondance en alignant leurs profils (construit dans le WP1 et WP2 de BetterStudy et WP3 de Moodle) et leurs historiques de satisfaction toute à tenant compte du contexte de l’apprentissage. Comme technique de recommandation, nous nous baserons sur le modèle de Zheng et al. [Zheng2013] fondé sur l’approche du filtrage collaboratif (CF) et adapté aux informations contextuelles. Celles-ci seront modélisées pour être associés aux préférences des utilisateurs concernant les regroupements. Le principe du modèle de Zheng et al. est de partitionner les préférences des utilisateurs en fonction du contexte, comme par exemple dire que la personne A a aimé le travail en groupe avec B dans le contexte C suivant : A avait des difficultés avec le chapitre X mais maîtrisait bien le chapitre Y. A avait par ailleurs passé peu de temps sur le chapitre Z et souhaitait concrétiser les connaissances acquise dans le chapitre T. Depuis une préférence (A, B, +), on génère plusieurs préférences (A, B, Ci,+) où les Ci désignent des sous contextes de C.

Par la suite, pour une nouvelle recommandation, en suivant une approche différentielle, le système déterminera le contexte le plus similaire. La préférence associée à ce contexte ainsi que ses plus proches voisines (celles qui lui sont similaires) seront recommandées. Le calcul de similitude se fera ainsi sur deux niveaux, i) niveau contexte et ii) niveau profil apprenant. Les contextes extraits pourraient également être pondérés en fonction de leur occurrence ou autres critères de profils des apprenants. Dans ces cas, la similarité des contextes pourrait être estimée avec la similarité pondérée de Jaccard.

Activités

Afin de développer le système de recommandation pour un apprenant nous planifions de Analyse des LRS en format TIN CAN

1. Construire la matrice des préférences apprenant/apprenant et l’intégrer à l’algorithme de recommandation.
2. Modélisation et abstraction du contexte. Après avoir extrait les données contextuelles qui décrivent les données cognitives et le contexte d’apprentissage dans le WP2, il s’agit dans cette tâche de représenter et abstraire celles-ci sous forme de variables explicatives (Ci dans le tableau 1 ci-dessus) dans les matrices des préférences des apprenants. Chaque variable (par exemple moyenne des notes obtenues dans les tests sur le chapitre 1) sera quantifiée par une valeur selon les données contextuelles.
3. Modélisation et abstraction des profils des apprenants. Par analogie à l’activité précédente, il s’agit dans cette activité de représenter sous forme vectorielle les variables qui expliquent au mieux le profil non cognitif comme extrait du WP
4. Détection des contextes similaires en appliquant une mesure de similitude adéquate (cosinus, Jaccard, etc.) et choisissant une pondération appropriée des contextes. En effet, l’hypothèse est que les contextes similaires ont la tendance d’avoir des notations similaires.
5. Post-filtrage des recommandations en appliquant la similitude des profils des apprenants.

6. Optimisation génétique pour le cas des apprenants en classe. En effet, lors de la recommandation pour une classe d’apprenants, il est nécessaire d’obtenir une satisfaction individuelle avec la contrainte d’assurer une satisfaction globale au sein du groupe. Ceci est important afin d’éviter le mécontentement ou le regret de certains membres. Pour atteindre cet objectif, nous proposons appliquer un algorithme génétique comme post-recommandation afin de trouver les meilleures combinaisons de recommandations pour les membres d’une classe sous la supervision d’un professeur.

Évaluation des performances avec la méthode de racines carrées moyennes.

Objectifs mesurables

L’objectif de ce WP est de conception et développer un algorithme de recommandation des apprenants en appliquant les techniques de recommandations sensibles au contexte basé sur l’approche du CF, puis de l’intégrer dans la plateforme BetterStudy. Pour évaluer le succès de cette activité, nous proposer d’utiliser les mesures de performance des systèmes de recommandation utilisées dans l’état de l’art du domaine, à savoir la racine carrée moyenne (Root Mean Squared Error). Nous planifions de récolter 100 notations (5 par chacun des 100 apprenants de cours en classe, voir WP6) ensuite utiliser 400 pour entraînement et cacher 100 pour prédiction par le système. Les métriques de l’évaluation seront le calcul du rappel et de la précision entre les notations cachées et celle produites par le système.

Puisque les notations seront quantifiées, la différence entre les notations estimées et les notations réelles sera calculée par la métrique de la racine carrée moyenne (Root Mean Squared Error) afin de minimiser les petites différences et de pénaliser les grandes. Notre objectif est d’atteindre une performance de 75% (les performances dans les publications scientifiques varient entre 60 et 90%)

Livrables

Module de recommandation pour proposer une mise en groupe optimale des apprenants dans les LMS (BetterStudy et Moodle).

Répartition des tâches

Ce WP sera développé par l’ARC avec la contribution de BetterStudy pour enrichir les discussions techniques. Jalons M6 marquera l’évènement de l’achèvement et l’évaluation (Métrique : Racines Carrés Moyennes) d’une version beta de l’algorithme de recommandation (semaine 26). M7 marquera l’évènement de l’achèvement et l’évaluation (Métrique : Racines Carrés Moyennes) de la version finale de l’algorithme de recommandation (semaine 31).

Risques/Mitigations

Afin d’éviter le risque d’amorcement difficile en raison de l’inexistence des données de préférence dans l’historique (cold start problem), nous générerons des préférences implicites à partir des profils cognitifs définis dans le WP1 et WP2 de BetterStudy et WP3 de Moodle. Dans les premières recommandations, l’algorithme semble comme une mise en correspondance statique entre différents profils des personnes avec une approche différentielle. Ensuite, à fur et mesure que les apprenants renvois leurs feedbacks et évaluations sur la plateforme, le processus d’apprentissage prend part dans la décision de la recommandation qui devient totalement dynamique et s’adapte au contexte du moment.

Nous risquons de rencontrer des problèmes « scalability » dans les calculs de recommandations, vu le nombre d’apprenants potentiels élevé [risque très élévé]. D’après le Business Case, BetterStudy vise un million d’utilisateurs. Nous sommes déjà dans l’aire des Big Data. Pour mitiger ce problème, nous utilisons dès le début les techniques de distribution des calculs sur l’écosystème Hadoop. Nous travaillerons avec Spark (librairie MLIB de machine learning) pour implémenter le système de recommandation. Le service de recommandation sera déployé sur Amazon Elastic Map and Reduce EMR. Le framework de Spark/Yarn est récent, encore non stable et nécessite une grande expérience technique [risque élevé].

WP5. Intégration du service recommandation aux LMS

Description générale

Dans ce WP, il s’agit de développer les web services autour du module de la recommandation et les intégrer dans BetterStudy et Moodle. L’appel au service de recommandation consistera en deux cas d’utilisation.

Cas d’un cours à distance d’apprentissage où l’apprenant suit d’une façon individuelle un cours sur la plateforme BetterStudy.

Dans ce cas, la recommandation pourrait être déclenchée soit explicitement par l’apprenant en précisant un objectif bien ciblé (révisions, exercices ou projets sur un ou plusieurs chapitres par exemple) ou général (accompagnement et partage d’expériences sur le moment). Soit aussi implicitement en proposant les apprenants connectés (ou hors lignes) qui pourraient potentiellement être utiles en ce moment de l’apprentissage.

Cas d’apprentissage dispensé par un enseignant avec l’assistance de la plateforme BetterStudy.

Dans ce cas, et comme pré-condition, il faut que la plateforme ait été adoptée comme un outil d’accompagnement et de référence depuis le début du cours. Dans les deux cas, le service de recommandation communiquera avec les LMS avec les web services dédiés pour échanger du REST/SOAD en format TIN CAN avec le protocole HTTP.

Activités

Le développement des cas d’utilisation de l’algorithme de recommandation dans BetterStudy requiert Développement des Web services d’échange de données LRS en format TIN CAN pour

1. récolter les données envoyées par les LMS et exporter les services de la recommandation L’élaboration des scénarios d’utilisation,
2. Le développement des nouvelles fonctionnalités dans le LMS BetterStudy,
3. L’intégration des composants graphiques à la plateforme BetterStudy.

4. Destinée à un public très large, il sera très important que l’application soit très fluide et intuitive et offre une expérience utilisateur de qualité.

Objectifs

Développement des Web services de la recommandation : Intégration des cas d’utilisation à la plateforme BetterStudy.

Des tests utilisateurs seront organisés tout au long du cycle de développement de cette intégration. Nous appliquerons un développement centré sur l’utilisateur et nous feront appel aux différentes techniques d’évaluation de l’utilisabilité (usability metrics) . Nous fixons comme objectif à atteindre des performances maximales (90%) aux niveaux de la complétion de la tâche de recommandation, le taux d’erreur et le temps de réalisation. La satisfaction subjective sera évaluée dans le WP6.

Livrables

Web services pour appeler les recommandations depuis les LMS compatibles TIN CAN Algorithme de recommandation totalement intégré dans la plateforme Web BetterStudy.

Répartition des tâches

Les web services seront développés par l’ARC. Le développement de scénarios et des interfaces graphiques sera réalisé par les développeurs de la plateforme de BetterSudy avec l’appui de la HEG Genève pour l’aspect user-frinedly. L’Arc fournira les interfaces logicielles d’intégration et contribuera aux mesures des performances. Ce WP sera en parallèle au niveau du timing avec le WP3 afin de coordonner l’intégration du service de recommandation dans Moodle. JalonsM4 en semaine 20 marquera l’achèvement du développement des web services pour la communication entre l’algorithme de recommandation et les LMS (en l’occurence Betterstudy et Moodle) M5 en semaine 30 marquera l’achèvement du développement de la version 1 du service de recommandation intégré dans BetterStudy et Moodle M7 en semaine 45 marquera l’achèvement du développement de la version 2 du service de recommandation intégré dans BetterStudy et Moodle.

Risques/Mitigations

Les deux cas d’utilisation sont séparés mais partagent en gros les mêmes algorithmes de recommandation. Le risque est la possibilité de confusion pour les apprenants pour décider lesquels utiliser [risque bas]. Pour mitiger ce risque, la recommandation au sein d’une classe sera totalement contrôlée par le professeur. Celui-ci aura le droit de demander une recommandation pour la totalité de la classe et de la valider. Par conséquence, la plateforme BetterStudy distinguera, d’une façon claire en utilisant deux contextes graphiques séparés, le deux cas d’utilisation pour chaque apprenant.

WP6. Evaluation de la recommandation

Description générale

L’objectif de ce WP est d’évaluer empiriquement l’impact du service de recommandation sur la plateforme Moodle sur les performances des étudiants de l’Haute Ecole ARC Ingénierie dans le cadre du cours de l’Intelligence Artificielle dispensé par M. Ghorbel et d’autres cours de base de la branche scientifique (Mathématiques).

Nous proposons d’évaluer cet impact au semestre de l’hiver 2016. Au début de ce semestre d’hiver les professeurs HES concernés préparent leurs cours sur Moodle après avoir suivi une formation sur cette plateforme dispensée gratuitement par la HES-SO. Leurs élèves sont invités à s’inscrire sur Moodle pour suivre ces cours. Ceci nous assurera que les variables de contrôle seront bien récoltées pour toute la population. Dans un deuxième temps, Il sera déterminé aléatoirement quels étudiants feront partie du groupe de contrôle et du groupe de traitement . Seul le groupe de traitement bénéficiera des recommandations pour la mise en relation dans les exercices et mini-projets.

A la fin du semestre, d’autres informations devront être récoltées sur la compliance des participants au traitement . Il sera alors nécessaire de savoir si les participants ont effectivement étudiés avec les pairs recommandés par l’algorithme et pour combien de temps. En outre, une collecte de données sur l’apprentissage en groupe des participants assignés au groupe de contrôle sera très vraisemblablement menée afin de déterminer si oui ou non ils ont étudié en groupe, combien de temps et le nom des 3 personnes avec lesquelles ils ont le plus souvent étudié. Cette enquête aura pour but de récolter de l’information sur les possibilités de « contamination » entre groupe de traitement et groupe de contrôle.

Activités

Les tâches principales de ce WP sont :

1. Coordination de la de la formation des groupes des professeurs et étudiants

2. Récolte de l’ensemble des informations

3. Constitution de la base de données finale

4. Analyse des données et transmission des résultats

Livrable

Lorsque l’analyse d’impact sera effectuée, le résultat indiquera que la participation complète à Moodle, i.e. en bénéficiant des recommandations d’apprentissage par groupes, augmente en moyenne la performance à l’examen de X% (ou de X déviation standard, la métrique généralement utilisée dans la littérature) pour l’intelligence artificielle et Y% pour les mathématiques.

Cet impact pourra être considéré comme un effet causal de l’algorithme de la recommandation.

Objectifs mesurables

Les étudiants augmentent leurs résultats de 15%.

Répartition des tâches

M. Ghorbel (ARC) coordonne le groupe des professeurs et étudiants ARC. M. Rieder chef du projet effectuera les analyses statistiques pour le calcul de l’impact. Jalons M4 en semaine 36 marquera le début de la campagne d’évaluation sur Moodle après avoir construit les groupes d’acteurs ARC depuis la semaine 31. M8 en semaine 50 marquera l’achèvement du calcul de l’impact Moodle (après l’intégration de la recommandation) sur les résultats de l’apprentissage et le temps d’étude des apprenants durant le semestre d’hivers 2016-2017. Ce jalon marquera ainsi la fin du projet.

Risques/Mitigations

Le risque de ce design est la compliance imparfaite de la part des étudiants. En effet, si des étudiants assignés au groupe de contrôle rejoignent des groupes constitués par l’algorithme cela peut compromettre les résultats. Nous proposons de traiter ce risque en récoltant des données additionnelles sur l’apprentissage en groupe des étudiants faisant partie du groupe de contrôle. L’idée est de savoir s’ils ont étudié par groupe, à quelle intensité et avec qui. De cette manière, il nous sera possible d’identifier si les étudiants du groupe de contrôle ont finalement rejoint le groupe de traitement et d’ajuster l’analyse en conséquence. Cette méthodologie permettra d’évaluer seulement le deuxième cas d’utilisation, à savoir le cas d’une classe d’apprenants supervisée par un professeur. L’apprentissage et l’évaluation se dérouleront sur deux semestres différents, voire deux années universitaires différentes. C’est la planification du début du projet qui en est la cause. Pour mitiger les risques d’avoir deux échantillons d’étudiants différents (ceci fait perdre la notion de l’apprentissage), nous suivrons les mêmes étudiants dans des matières successives d’un semestre à l’autre. Les cas d’échec ou de réussites seront gérés en conséquence.