Analyse de l’apprentissage auto-régulé dans les environnements d’apprentissage numérique à partir des données de traces

Dans le paysage en évolution des environnements d’apprentissage en ligne (OLEs), l’apprentissage auto-régulé (SRL) est devenu un cadre clé pour promouvoir un apprentissage autonome et efficace. Avec les progrès dans les domaines de l’analyse de l’apprentissage (LA) et de l’exploration de données éducatives (EDM), de nombreuses méthodes ont été développées pour évaluer le SRL dans ces environnements. Cependant, malgré la diversité des technologies et des outils disponibles pour mesurer le SRL, il subsiste une lacune dans la littérature concernant la manière dont ces outils peuvent être utilisés non seulement pour évaluer le SRL, mais aussi pour intégrer des interventions dans la conception des systèmes, basées sur les informations issues de la mesure du SRL. Cette thèse propose une approche novatrice pour mesurer et analyser les comportements liés au SRL, en combinant l’analyse des performances à travers la méthode de traçage des connaissances bayésienne (BKT) et l’analyse comportementale via des techniques de fouille de séquences, en particulier l’extraction de motifs discriminants appliquée aux données de traces des apprenants. En intégrant des facteurs externes tels que la difficulté des tâches et les prérequis de connaissances, un modèle BKT étendu est proposé pour fournir une mesure plus précise des performances des apprenants. De plus, l’analyse des schémas comportementaux à travers la fouille de séquences et l’extraction de motifs discriminants révèle des stratégies SRL clés qui influencent le succès des apprenants. Le système développé a été implémenté et expérimenté dans l’environnement d’apprentissage Quick-Pi, conçu pour l’enseignement de la programmation Python. Les résultats mettent en évidence des séquences comportementales discriminantes qui sont corrélées à des résultats d’apprentissage réussis. Ce travail contribue au domaine en proposant un modèle global qui intègre l’évaluation des compétences et l’analyse comportementale pour soutenir le SRL, posant ainsi les bases de futures avancées dans les systèmes de tutorat intelligents.