Processus cérébraux adaptés aux systèmes tutoriels intelligents
Bibliographic record
Abstract
Le module de l'apprenant est l'une des composantes les plus importantes d’un\nSystème Tutoriel Intelligent (STI). L'extension du modèle de l'apprenant n'a pas cessé de\nprogresser. Malgré la définition d’un profil cognitif et l’intégration d’un profil émotionnel,\nle module de l’apprenant demeure non exhaustif.\nPlusieurs senseurs physiologiques sont utilisés pour raffiner la reconnaissance des\nétats cognitif et émotionnel de l’apprenant mais l’emploi simultané de tous ces senseurs\nl’encombre. De plus, ils ne sont pas toujours adaptés aux apprenants dont les capacités sont\nréduites. Par ailleurs, la plupart des stratégies pédagogiques exécutées par le module du\ntuteur ne sont pas conçues à la base d’une collecte dynamique de données en temps réel,\ncela diminue donc de leur efficacité.\nL’objectif de notre recherche est d’explorer l’activité électrique cérébrale et de\nl’utiliser comme un nouveau canal de communication entre le STI et l’apprenant. Pour ce\nfaire nous proposons de concevoir, d’implémenter et d’évaluer le système multi agents\nNORA.\nGrâce aux agents de NORA, il est possible d’interpréter et d’influencer l’activité\nélectrique cérébrale de l’apprenant pour un meilleur apprentissage. Ainsi, NORA enrichit le\nmodule apprenant d’un profile cérébral et le module tuteur de quelques nouvelles stratégies\nneuropédagogiques efficaces.\nL’intégration de NORA à un STI donne naissance à une nouvelle génération de\nsystèmes tutoriels : les STI Cérébro-sensibles (ou STICS) destinés à aider un plus grand\nnombre d’apprenants à interagir avec l’ordinateur pour apprendre à gérer leurs émotions,\nmaintenir la concentration et maximiser les conditions favorable à l’apprentissage.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".