Avec l'avènement des MOOC et le succès des plates-formes d'exercices, les environnements en ligne à grande échelle se généralisent, tant dans l'enseignement à distance que dans l'apprentissage mixte. L'apprentissage autorégulé (AAR) est connu pour son potentiel de développement de l'autonomie et de maintien de la motivation des apprenants, tant en ligne que dans l'apprentissage mixte. Le développement de stratégies d'apprentissage autorégulées est également connu pour avoir un impact positif sur les résultats scolaires. Notre objectif principal dans ce projet est d'étudier comment soutenir avec succès l'apprentissage autorégulé à grande échelle, en nous basant sur une approche qui vise à estimer les niveaux de compétences acquises et les niveaux métacognitifs des étudiants pour fournir des interventions appropriées.

Cette approche poursuit l'objectif de favoriser l'autonomie des étudiants par le biais de modèles d'apprenants ouverts (Open Learner Models, OLM). Dans la lignée de Conati et autres (2018), qui démontrent qu'un soutien efficace suppose que les modèles soient interprétables par les utilisateurs, nous défendons que le soutien devrait pouvoir fournir certaines formes d'explication sur le processus d'apprentissage pour stimuler la réflexion sur la métacognition, au-delà de simples recommandations d'activités. Nous nous intéressons aux techniques de modélisation bayésiennes pour acquérir et mettre à jour les modèles des apprenants en tant que OLM (sur leurs compétences cognitives et métacognitives et leur progression), avec une application sur des corpus de données résultant de plates-formes d'apprentissage à grande échelle disponibles, comprenant des MOOC (cours de IMT Atlantique disponibles sur les plates-formes FUN et Edx) et les cours d’une d'une plate-forme web dédiée à l'apprentissage de la programmation avec des exercices pratiques dans l'enseignement secondaire (France-IOI). Nous visons la généralisation et la transférabilité de l’approche tout en nous basant sur des données réelles.

Concrètement, le projet xCALE propose de développer, expérimenter et évaluer une approche générique qui permet de fournir un support personnalisé et interprétable pour (i) l'acquisition de compétences et (ii) un apprentissage autorégulé pour soutenir l'autonomie des apprenants. L'apprentissage personnalisé et l'apprentissage autorégulé seront basés sur des modèles d'apprenants - ayant des caractéristiques pour la personnalisation et l'autorégulation - et des techniques de modélisation bayésiennes. Les résultats escomptés et les indicateurs vérifiables sont les suivants :

• Une méthodologie pour développer et évaluer des modèles d'apprenants ouverts des niveaux de compétences des apprenants dans des disciplines didactiquement bien définies, fournissant des aperçus personnalisés et interprétables aux utilisateurs. Des exemples éprouvés d'interventions personnalisées et interprétables dans des cours de programmation et d'algorithmique, basés sur des données d'apprenants et des connaissances d'experts praticiens seront fournis.
• Un modèle générique sur les processus métacognitifs, basé sur la progression des apprenants et les interactions d'apprentissage basées sur l’apprentissage autorégulé. Ce modèle permettra d’estimer les stratégies métacognitives pour fournir des interventions pertinentes.
• Un moteur de recommandation qui fournira, d'une part, des activités personnalisées pour l'acquisition de compétences en fonction de l'accompagnement de l'AAR, et d'autre part, des interventions pertinentes et personnalisées pour développer l'AAR (y compris des tableaux de bord visuels, des outils dédiés, tels que la planification du temps ou la gestion des objectifs, l'orientation, etc.)
• Une étude d'impact sur la transformation des pratiques d'enseignement, ainsi que sur la diffusion des propositions de soutien aux activités de RSL parmi d'autres cours et disciplines.