Apprentissage machine pour la prédiction de la réaction émotionnelle de l'apprenant
Notice bibliographique
Résumé
Les émotions jouent un rôle important dans les processus cognitifs, particulièrement dans des tâches d'apprentissage (Isen, 2000). Cependant, dans le cadre des Systèmes Tuteurs Intelligents (STI), le facteur émotionnel n'a été considéré que récemment. Or, modéliser les réactions émotionnelles d'un apprenant durant une session d'apprentissage est un élément essentiel pour les STI afin de permettre au tuteur de prévoir quand et comment il faut intervenir pour aider l'apprenant à accomplir sa tâche d'apprentissage dans des meilleures conditions. Dans cet article, nous cherchons à prédire la réaction émotionnelle de l'apprenant à un moment donné de l'apprentissage. Notre approche de prédiction repose sur les causes qui ont pu déclencher cette émotion et sur ses facteurs déterminants comme la personnalité par exemple. Nous proposons alors de résoudre ce problème en utilisant les algorithmes d'apprentissage machine supervisé et plus précisément ceux de classement.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».