Cette thèse s’appuie sur les variables latentes pour expliquer, comprendre et optimiser l’apprentissage. Les variables latentes sont des variables qui ne peuvent pas être mesurées directement, mais qui sont approximées par des modèles qui expliquent les résultats observables. La modélisation psychométrique des variables latentes permet d’analyser le processus d’apprentissage et ses facteurs sous-jacents. Les techniques de l’Intelligence Artificielle les plus courantes donnent la priorité à la prédiction, négligeant généralement l’interpretabilité du processus d’apprentissage. Cette thèse vise à explorer les deux aspects afin de proposer de nouvelles combinaisons dans quatre chapitres qui décrivent et expliquent différents contextes d’apprentissage.

Le chapitre 2 est centrée sur le support pédagogique, qui est l’une des variables latentes étudiées. Ce chapitre explore la manière dont le support pédagogique peut influer sur le temps nécessaire à la réalisation des items dans un environnement d’apprentissage. Plusieurs modèles sont proposés et comparés à leurs facteurs de Bayes. Ce chapitre permet non seulement d’expliquer comment le support affecte le temps de réponse, mais aussi d’explorer des fondations de l’adaptabilité, de sorte que les environnements d’apprentissage pourraient automatiquement modifier le support en fonction des caractéristiques de l’apprenant.

Les chapitres 3, 4 et 5 sont axées sur le développement des soft skills. Les soft skills sont des compétences non techniques, personnelles et sociales telles que la gestion du stress ou le leadership. Ces chapitres expliquent la maîtrise des soft skills des étudiants de troisième cycle en fonction de l’historique des cours suivis par les étudiants et leurs caractéristiques. Plus specifiquement, nous sommes interessés aux cours qu’ils ont suivis et à la manière dont les étudiants se distinguent les uns des autres. Les modèles proposés estiment l’effet du fait d’avoir suivi un cours sur les soft skills des étudiants. Sur cette base, nous pouvons décrire le cours qui incite le plus les étudiants à développer une meilleure maîtrise des soft skills.

Enfin, cette thèse propose des moyens innovants de combiner la modélisation latente psychométrique avec des techniques de l’Intelligence Artificielle. Ces proposi- tions maintiennent l’interprétabilité, ce qui est essentiel pour l’amélioration continue des facteurs d’apprentissage impliqués dans le processus. Elles visent, entre autres, à résoudre des problèmes auxquels il serait difficile de faire face avec l’une ou l’autre technique. Par exemple, dans le quatrième chapitre, les algorithmes génétiques sont combinés avec un modèle psychométrique afin de proposer des recommandations de cours aux étudiants en fonction de leurs soft skills.