Conception d'un modèle de l'apprenant utilisant les réseaux bayésiens pour le système tutoriel intelligent ASTUS
Bibliographic record
Abstract
Le présent mémoire s'inscrit dans le cadre du projet ASTUS (Apprentissage par système tutoriel de l’Université de Sherbrooke), projet dirigé par le Dr Mayers, qui vise le développement d'un système tutoriel intelligent (STI) générique. Le modèle de l’apprenant est un élément essentiel pour ce type de système, car il constitue la représentation même de l’apprenant réel dans l’ensemble du STI. Sans ce type de modèle, un STI n’aurait conscience que des entrées matérielles (un clic à droite de la souris, une chaîne de caractères, tout au plus l’instance d’un objet choisi par l’apprenant) sans savoir quels étaient les motifs réels de ces actions. De plus, le modèle de l’apprenant permet au STI d’inférer les actions d’un apprenant et d’en déduire ses motivations. Cette inférence se fait, entre autres, lors de la résolution d’un problème. Elle sert, par exemple, à déduire l’information à l’égard de la maîtrise des connaissances qu’utilise l’apprenant, ce qui est utile pour l’évaluation de ses performances et compétences. Ce mémoire propose, en premier lieu, une structure logicielle du modèle de l’apprenant destiné à satisfaire les attentes d’ASTUS à l’égard de la représentation de l’apprenant. En deuxième lieu, ce mémoire présente un modèle de l’apprenant tirant profit des réseaux bayésiens. Cette implantation est évidemment faite grâce à la structure précédemment exposée. De cette combinaison, il résulte un modèle innovateur qui satisfait les besoins en représentation de l’apprenant d’un STI et qui établit un fondement solide pour le modèle de l’apprenant dans le cadre d’ASTUS. Finalement, ce mémoire met en lumière les résultats obtenus dans ASTUS par l’utilisation de ce modèle conçu avec les réseaux bayésiens.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".