Titre : Prédiction et explication de la performance d’apprenants pour l’apprentissage de l’anatomie
Mots clefs : Learning Analytics, Educational Data mining, Machine Learning
Durée : 3 ans
Rémunération : > 2K€ brut/mois
Lieu : équipes SICAL/TWEAK, LIRIS CNRS UMR 5205, Lyon
Date de démarrage envisagée : septembre/octobre 2024

Contexte des travaux de recherche
Le travail mené dans le cadre de ce doctorat s’effectuera au sein du projet ANR MODELI+.

Le consortium pluridisciplinaire de MODELI+ est constitué de chercheurs en sciences de l’éducation (laboratoire ECP), informatique (laboratoire LIRIS), neurosciences cognitives et didactique de l’anatomie (laboratoire LIBM), et d’une entreprise spécialisée dans le développement de solutions digitales pour l’apprentissage (SPEEDERNET).

Le projet MODELI+ vise la conception d’un outil 3D interactif innovant pour l’apprentissage de l’anatomie, adaptable aux apprenants et ancré dans l’apprentissage instrumenté et les Learning Analytics. Partant d’un constat d’échec important en première année de licence STAPS, MODELI+ vise à améliorer la réussite dans des filières en tension où l’on enseigne l’anatomie. Il s’agit d’utiliser des outils numériques adaptés aux besoins des apprenants pour améliorer leur apprentissage. Une analyse pluridisciplinaire de leurs activités et de leurs caractéristiques à l’aide de traces sera menée pour comprendre les facteurs de réussite ou d’échec et ainsi assister les formateurs à concevoir des parcours adaptés.

Sujet de la thèse
Le travail de thèse vise à proposer des modèles de prédiction et d'explicitation des performances des apprenants à partir de leurs traces d’interactions issues de l’outil 3D. Plus précisément, en concertation avec les autres partenaires du projet, le doctorant sera amené à concevoir un modèle de trace pour représenter l’activité des apprenants sur l’application, en définissant l’ensemble des éléments à observer. Ces derniers seront alignés avec les données issues des autres sources de collecte (comportementales - oculométrie, physiologiques - électrodermale, psychométriques - réponses aux questionnaires) et interprétées par des experts en apprentissage humain et en anatomie pour construire une trace pluridisciplinaire. Cette trace fera ensuite l’objet d’analyses par le biais de calculs d’indicateurs et par des méthodes d’apprentissage supervisé et non supervisé, afin de définir des modèles de prédiction et d’explication des performances des apprenants, ainsi qu’un ensemble de personas représentant des profils types d’apprenants. Une fois définis, les personas ainsi que les  indicateurs de performance seront présentés et discutés avec les experts du domaine de l’apprentissage humain dans le but qu’ils conçoivent des scénarios pédagogiques adaptés, ensuite intégrés à l’outil d’apprentissage 3D.

Dans ce cadre, le doctorant sera amené à réaliser les tâches suivantes et, pour certaines, en lien avec les partenaires du projet :

• Appropriation de l’application 3D d’apprentissage de l’anatomie
• Revue de littérature et étude des indicateurs prédictifs de la performance
• Définition d’un modèle de prédiction/explication de la performance et de personas. Pour cela, le doctorant devra participer activement aux phases de collecte et de pré-traitement de données (quelles observations, événements à collecter ?). Plusieurs itérations peuvent être nécessaires jusqu’à l’obtention de modèles de prédiction/explication répondant à un certain nombre de critères d’évaluation qualitatifs et quantitatifs.
• Mise en place d’un prototype de transformation de traces, de la collecte jusqu’à la prédiction et l'explication des performances, mettant en œuvre les modèles proposés précédemment
• Tests et validation écologiques des contributions

 
Profil attendu
Le candidat doit avoir un diplôme de Master 2 en informatique (ou équivalent, Bac+5). Des connaissances en science des données, apprentissage automatique et/ou EIAH seraient appréciées.

Candidatures
Envoyez CV + lettre de motivation + notes et classements en Licence et Master à :  beatrice.fuchs@liris.cnrs.fr, benoit.encelle@liris.cnrs.fr et karim.sehaba@liris.cnrs.fr

Les candidatures seront examinées au fil de l’eau, merci par conséquent de postuler dès que possible et impérativement avant le 1er Juillet 2024.

Références

• Ahmad, A. et al. 2022. Connecting the dots – A literature review on learning analytics indicators from a learning design perspective. Journal of Computer Assisted Learning. (Jul. 2022), jcal.12716. DOI:https://doi.org/10.1111/jcal.12716.
• Namoun, A., & Alshanqiti, A. (2020). Predicting student performance using data mining and learning analytics techniques: A systematic literature review. Applied Sciences, 11(1), 237.
• Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V. V., Gutica, M., Hynninen, T., ... & Liao, S. N. (2018, July). Predicting academic performance: a systematic literature review. In Proceedings companion of the 23rd annual ACM conference on innovation and technology in computer science education (pp. 175-199).
• Shahiri, A. M., & Husain, W. (2015). A review on predicting student's performance using data mining techniques. Procedia Computer Science, 72, 414-422.
• Sehaba, K. (2020). Learner Performance Prediction Indicators based on Machine Learning. CSEDU(1). 45-78.
• Champin, P.-A., Fuchs B., Guin N. & Mille A. (2020). « Explicabilité : vers des dispositifs numériques interagissant en intelligence avec l’utilisateur ». Atelier Humains et IA, travailler en intelligence à EGC, 28 janvier 2020, Bruxelles (Belgique). 
• Society for learning analytics research : https://www.solaresearch.org/
• International Educational Data Mining Society: https://educationaldatamining.org/