Recrutement

Proposition de sujet de thèse en informatique, LIUM

 

Titre : Teaching analytics : support à l’évaluation et l’assistance à la conception pédagogique
par l’intelligence artificielle.

 

Laboratoire d’accueil : Laboratoire d’Informatique de l’Université du Mans (LIUM)
Site : Laval

Directeur de thèse : Sébastien Iksal (sebastien.iksal[at]univ-lemans.fr)
Co-encadrant : Rémi Venant (remi.venant[at]univ-lemans.fr)

 

Description du sujet
Maîtriser les processus d’enseignement est devenu aujourd’hui un objectif clé de l’éducation. Dans le supérieur, offrir un apprentissage personnalisé tout au long de la vie, en augmentant simultanément le nombre d’apprenants, implique la mise en œuvre de nouvelles pratiques d’apprentissage tel que l’hybridation de classes (en présence et à distance) ou la mise en place de pédagogies actives comme l’approche par projets ou la classe inversée. De nombreux efforts de recherche se concentrent aujourd’hui sur l’accompagnement des étudiants dans ces pratiques, en ciblant notamment l’amélioration de leur engagement ou leurautorégulation. Toutefois, les enseignants ont également un rôle et un impact importants sur l’apprentissage ; et les différents travaux qui abordent leur soutien sont essentiellement proactifs (ex. : les outils auteurs). Mais l’analyse rétroactive des pratiques enseignantes est tout aussi importante, et particulièrement pour étudier la manière dont ces acteurs conçoivent leurs activités d’apprentissage. L’utilisation croissante de systèmes de gestion de l’apprentissage (Learning Management System, LMS) par les enseignants ouvre la voie aux teaching analytics : la collecte, la fouille et le report de données sur les enseignants et leurs contextes pour la compréhension et l’optimisation de la conception pédagogique et des environnements qui lui sont dédiés. Cette thèse s’inscrit dans l’étude des teaching analytics, avec l’ambition d’analyser à la fois de manière statistique et structurelle la pratique des enseignants en matière de conception pédagogique, et d’accompagner ceux-ci à la création et à l’amélioration de leurs enseignements. Le candidat s’attachera en particulier à apporter des solutions aux questions suivantes :

  • Comment observer la mise en œuvre d’un scénario pédagogique particulier sur un LMS ? Une étude des formalismes existants pour la conception pédagogique ainsi que d’une sélection de pratiques pédagogiques les plus répandues (ex. : classe inversée) doit être menée pour déterminer les traces d’activité sur un LMS qui reflètent l’instanciation d’un scénario particulier.
  • Comment les teaching analytics peuvent faire émerger la mise en place d’un modèle pédagogique particulier ? Pour évaluer la conception pédagogique, une analyse des données d’activité issue de LMS doit être menée à travers l’étude d’algorithmes particuliers d’apprentissage automatisé (Machine Learning). L’exploitation et l’adaptation d’algorithmes de groupement (clustering) est une première approche à envisager pour permettre de découvrir des pratiques communes aux enseignants. En outre, la fouille de processus (process mining) est une seconde approche prometteuse pour l’identification de processus à partir de traces d’activité, et pour leur analyse comparée aux processus théoriques définis précédemment.
  • Quelles mesures pertinentes permettront d’évaluer la conception pédagogique ? L’issue de l’analyse précédente doit mener à la définition d’indicateurs et de modèles prédictifs pour offrir aux enseignants un support informationnel sur leurs pratiques. Une exploration des besoins utilisateurs conjointe à la connaissance théorique établie auparavant doit mener à la définition de mesures adaptées à ces acteurs.
  • Comment fournir un support adapté aux enseignants ? En s’appuyant sur les mesures définies, une réflexion se doit d’être menée sur leur instrumentation au sein d’un LMS. L’objectif de cette dernière partie concerne ainsi la proposition et l’intégration de nouvelles fonctionnalités au sein d’un LMS existant pour la recommandation et l’assistance à la conception pédagogique.

 

Références
[1] Z. Wu, P. Swietojanski, C. Veaux, S. Renals, S. King (2015). A study of speaker adaptation for DNN-based speech synthesis. Proc. INTERSPEECH, pp. 879–883.
[2] W. Ping, K. Peng, A. Gibiansky, S. O. Arik et al. (2018). Deep Voice 3: Scaling Text-to-Speech with Convolutional Sequence Learning, arXiv:1710.07654.
[3] RJ Skerry-Ryan et al. (2018). Towards End-to-End Prosody Transfer for Expressive Speech Synthesis with Tacotron. International Conference on Machine Learning, Stockholm, Sweden, PMLR 80, 2018.
[4] Syed, A. R., Rosenberg, A., Kislal, E., Supervised and unsupervised active learning for automatic speech recognition of low-resource languages. In: Internation Conference on Acoustics, Speech and Signal Processing (ICASSP). Shanghai, China: IEEE, 2016.
[5] Zhang, Z., Deng, J., Marchi, E., Schuller, B., Active Learning by Label Uncertainty for Acoustic Emotion Recognition. Interspeech (2013).
[6] A. Larcher, K. Aik Lee and S. Meignier, An extensible speaker identification SIDEKIT in Python, in International Conference on Audio Speech and Signal Processing (ICASSP), 2016
[7] A. Sini, D. Lolive, G. Vidal, M. Tahon and E. Delais-Roussarie (2018). SynPaFlex-Corpus: An Expressive French Audiobooks Corpus Dedicated to Expressive Speech Synthesis. Proc. of LREC.
[8] S. King, J. Crumlish, A. Martin and L. Wihlborg. The Blizzard Challenge 2018, in Proc. Blizzard Workshop, Hyderabad, India, Sept. 2018.