Application d’une approche inspirée des colonies de fourmis pour la recommandation des chemins d’apprentissage dans un cours en ligne : modèle et expérience
Notice bibliographique
Résumé
Dans cet article, nous présentons la mise en oeuvre, l’expérimentation et l’évaluation d’une approche pour la recommandation des chemins d’apprentissage dans un cours en ligne. Le processus de recommandation est inspiré de l’intelligence en essaim et plus particulièrement de l’optimisation par colonies de fourmis (OCF) (ant colony optimization [ACO]). Dans ce contexte, nous avons considéré une différenciation des chemins d’apprentissage en fonction de l’activité explorée pour l’apprentissage d’un cours.Dans l’objectif de recommander des chemins d’apprentissage considérés optimaux et d’évaluer ainsi leur impact sur l’apprentissage d’un cours en ligne, l’approche proposée est basée à la fois sur la recommandation de chemins pertinents par l’enseignant et sur les résultats stockés au fur et à mesure par les apprenants sur les chemins empruntés. Notre approche a été validée expérimentalement et les résultats obtenus ont montré l’émergence d’un chemin d’apprentissage favorisant la réussite d’un nombre d’apprenants relativement considérable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».