Titre de la thèse : « Academic Analytics et Recommandation dans les Tableaux de Bord »

Collaboration : IMT Atlantique // DRANE Rennes – Montpellier – Orléans Tours

Laboratoire : IMT Atlantique : Campus  ☒ Brest       

École doctorale :   ☒ SPIN      

Financement : GTNum (½ financement) + ARED ou région ou fond propre 

Date envisagée de démarrage : entre octobre et décembre 2023

Contacts:      Grégory Smits (gregory.smits@imt-atlantique.fr)

Environnement académique 

Ce projet, porté par IMT Atlantique, s’inscrit dans le cadre d’une collaboration avec des acteurs académiques (Université de Montpellier, Université d’Orléans, Université du Mans) et territoriaux (DRANE de Rennes, Montpellier, Orléans-Tours) de l’éducation. 

IMT Atlantique, grande école d'ingénieurs généralistes, a pour ambition de conjuguer le numérique, l’énergie et l’environnement pour transformer la société et l’industrie par la formation, la recherche et l’innovation. L’établissement qui est présent sur trois campus (Brest, Nantes et Rennes) appartient à l'Institut Mines-Télécom et dépend du ministère de l’Économie, des finances et de la souveraineté industrielle et numérique. Reconnus internationalement pour la qualité de leur recherche, les scientifiques d’IMT Atlantique accompagnent environ 300 doctorants. La thèse proposée s’inscrit dans les activités de recherche de l’équipe MOTEL faisant partie du Lab-STICC. Au sein de ce laboratoire de recherche dédié aux sciences de l’information, l’équipe MOTEL est spécialisée dans l’analyse et l’enrichissement des Environnements Informatiques pour l’Apprentissage Humain (EIAH).

Contexte

L’accès aux technologies numériques en éducation est un atout indéniable pour améliorer les apprentissages. Cependant, plusieurs publications (Denouël, 2017; Plantard, 2016) et rapports (Fenoglio, 2021; Miletto, 2018) mettent en avant des inégalités, accentuées par la crise sanitaire du COVID, d’accès à ces technologies. Les raisons de ces inégalités sont de natures diverses. Soutenue par un Programme d’Investissement d’Avenir (PIA), l’action des Territoire Numérique Éducatif (TNE) vise à comprendre et réduire ces inégalités.

L’objectif du projet est de doter les acteurs régionaux de l’éducation d’outils numériques d’aide à la décision leur permettant d’identifier les situations d’inégalités et de comprendre les leviers à mettre en œuvre pour faire des technologies numériques un réel atout éducatif. Les tableaux de bord sont désormais des outils incontournables de pilotage et de prospection (Kaplan & Norton, 2012 ; Fernandez, 2013), mais également d’évaluation de la performance (Voyer, 2011). Des travaux récents (Dabbebi, 2019; Dumaresq, 2017) ont démontré que ces outils sont transférables en éducation.

Cependant, les attentes des acteurs décisionnaires vis-à-vis des fonctionnalités intégrées dans ces tableaux de bord vont au-delà de la visualisation statique de métriques. Un enjeu majeur est alors d’aboutir à des représentations synthétiques combinant des analyses descriptives, prédictives et des recommandations issues de méthodes automatiques de fouilles de données (Smits, 2016). En complément, des techniques issues de travaux en intelligence artificielle interprétable (Byrne, 2019) seront adaptées à notre contexte pour identifier et expliquer les leviers d’action les plus efficaces en faveur de l’équité éducative.

Objectifs de la thèse

L’objectif de la thèse est de proposer des tableaux de bord décisionnels visant à réduire les inégalités, en collaboration avec les DRANE (Délégations Régionales Académiques du Numérique pour l’Éducation), pilotant le dispositif TNE pour comprendre leurs besoins et leurs données afin de proposer des solutions automatiques pour :

• déterminer le type de données disponibles, leurs formats et les méthodes pour les exploiter.
• déterminer des tendances ou des exceptions dans les données - reporting
• caractériser les besoins en décision et en actions des communautés éducatives,
• générer des recommandations pour l’accompagnement de ces communautés, sur la base d’algorithmes de prédiction,
• et produire des prototypes de tableaux de bord d’aide à la décision.

    Ainsi, une première étape consistera à appliquer une démarche de FAIRisation des données disponibles et collectées, puis à définir des indicateurs calculables à partir de ces données qui témoignent d’inégalités numériques pour l’éducation. La seconde étape sera axée sur l’application de méthodes d’apprentissage automatique de type partitionnement pour identifier les différents profils d’établissements et de politiques éducatives. Afin d’aboutir à des recommandations d’actions intégrables dans des tableaux de bords, des techniques issues de l’IA explicable seront utilisées pour identifier les leviers actionnables permettant de réduire les inégalités d’accès au numérique pour la pédagogie.

Profil du candidat 

Le candidat doit disposer d’un master en informatique ou être ingénieur, avec idéalement une spécialisation en sciences de données. Outre des compétences techniques en apprentissage automatique (clustering, détection d’anomalies, motifs émergents, règles d’associations, etc.), nous attendons également du candidat qu’il soit moteur dans l’animation de ce projet collaboratif et doit donc posséder des compétences de gestion de projet et de communication (écrites et orales, en français et en anglais).

Références: 

Annane, A., Kamel, M., Aussenac-Gilles, N., Trojahn, C., Comparot, C., & Baehr, C. (2021, June). Un modèle sémantique en vue d’améliorer la FAIRisation des données météorologiques. In Journées Francophones d'Ingénierie des Connaissances (IC) Plate-Forme Intelligence Artificielle (PFIA 2021) (pp. 20-29). AFIA: Association Française pour l'Intelligence Artificielle.

Byrne, R. M. (2019, August). Counterfactuals in Explainable Artificial Intelligence (XAI): Evidence from Human Reasoning. In IJCAI (pp. 6276-6282).

COJ. (2021). Promouvoir une orientation non genrée et une égalité réelle de l’insertion professionnelle des filles en particulier dans les milieux populaires (Quartiers de la politique de la ville / Zones rurales). CONSEIL D’ORIENTATION DES POLITIQUES DE JEUNESSE.

Dabbebi, I. (2019). Conception et génération dynamique de tableaux de bord d’apprentissage contextuels. Université du Mans (Thèse).

Denouël, J. (2017). L’école, le numérique et l’autonomie des élèves. Hermès, La Revue, 78(2), 80-86.

Dumaresq, M. (2017). Les tableaux de bord comme outil d’aide au pilotage. Canada: Université du Québec à Trois-Rivières.

Fenoglio, P. (2021). Au cœur des inégalités numériques, les inégalités sociales. Dossier de veille de l'Ifé.

Fernandez, A. (2013). Les nouveaux tableaux de bord des managers: Le projet Business Intelligence clés en main. Eyrolles.

Kaplan, R., & Norton, D. (2012). Le tableau de bord prospectif. Eyrolles.

Miletto, V. (2018). Les inégalités territoriales et l’école: Exposition des enjeux et revue de littérature. Paris: Cnesco.

Noy, N. F., & McGuinness, D. L. (2001). Ontology development 101: A guide to creating your first ontology.

Plantard, P. (2016). Numérique et inégalités éducatives? Du coup de tablette magique à l'e-éducation. Diversité: ville école intégration, 4(186), 27-32.

Sadallah, M., Gilliot, J.-M., & Iksal, S. (2022). Designing LADs that promote sensemaking: a participatory tool. European Conference on Technology Enhanced Learning.

Sanchez, É., & Monod-Ansaldi, R. (2015). Recherche collaborative orientée par la conception. Un paradigme méthodologique pour prendre en compte la complexité des situations d’enseignement-apprentissage. Éducation et didactique, (9-2), 73-94.

Smits, G., Pivert, O., & Yager, R. R. (2016). A soft computing approach to agile business intelligence. In 2016 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) (pp. 1850-1857). IEEE.

Thiault, F., & Bolka-Tabary, L. (2019). L'enjeu de mixité dans l'orientation vers les métiers du numérique. Colloque CIA2 (Connaissances et Informations en Action) «De la perception du risque à l'action en contexte numérique».

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., ... & Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific data, 3(1), 1-9.

Voyer, P. (2011). Tableaux de bord de gestion et indicateurs de performance: 2e édition. Presses de l'Université du Québec.

Candidature
Pour se porter candidat, merci d’envoyer votre dossier constitué d’un CV , une lettre de motivation de deux pages, lettre(s) de recommandations et bulletins de notes à  Grégory Smits (gregory.smits@imt-atlantique.fr). 

La date limite de candidature est fixée au 5 août 2023 pour un démarrage entre octobre et décembre 2023.

Localisation

La thèse s’effectuera dans les locaux d’IMT Atlantique sur le campus de Brest.