Apprentissage automatique dans les environnements de formation en ligne : optimisation de l'efficacité et de la classification des textes par la sélection de caractéristiques linguistiques et la tokenisation

L'optimisation des capacités de classification de texte en ML trouve des applications majeures dans les environnements d'apprentissage adaptatifs (ALE) et les systèmes de chatbot. Les ALE exploitent le ML pour s'ajuster aux besoins individuels des apprenants, améliorant ainsi l'apprentissage autorégulé tout en fournissant des données utiles aux éducateurs. Les chatbots, quant à eux, renforcent l'expérience éducative à travers des interactions d'apprentissage personnalisées et une évaluation adaptée. Une enquête sur les capacités des ALE explore leurs limites et défis, tout en mettant l’accent sur le traitement de données robustes. Concernant l'intégration des chatbots, une évaluation dans le cadre du projet FiSK démontre leur impact sur la formation des enseignants, en particulier par l'amélioration des simulations d'apprentissage et le perfectionnement des compétences didactiques. Le modèle WUP (Weighted Unimportant Part-of-Speech) permet une sélection améliorée des caractéristiques textuelles en filtrant les données en fonction de l'importance des parties du discours, augmentant la précision des prédictions ML. De plus, la méthode LinPair affine la tokenisation WordPiece en incorporant des informations linguistiques, surmontant les limitations liées au vocabulaire restreint. Une mesure d'efficacité, QCO (Quality-Focused Optimization), est introduite pour évaluer la qualité des modèles ML en fonction des ressources consommées et du temps de calcul. Enfin, des améliorations dans l'automatisation de l'évaluation des réponses des étudiants sont démontrées via l'utilisation de grands modèles linguistiques, grâce à des techniques avancées de traitement du langage naturel.