THESE DE DOCTORAT Présenté par Samia AZOUGH Discipline : Sciences de l ingénieur Spécialité : Informatique, Télécommunications et Multimédia

Transcription

1 UNIVERSITE MOHAMED V RABAT FACULTE DE SCIENCES N d ordre : 2718 THESE DE DOCTORAT Présenté par Samia AZOUGH Discipline : Sciences de l ingénieur Spécialité : Informatique, Télécommunications et Multimédia E-LEARNING ADAPTATIF : GESTION INTELLIGENTE DES RESSOURCES PEDAGOGIQUES ET ADAPTATION DE LA FORMATION AU PROFIL DE L APPRENANT Soutenue publiquement le 5 Juillet 2014 à 12h dans la faculté de Sciences de Rabat à l amphi Albaytar Devant le Jury : Président : BOUYAKHF Elhoussine PES Faculté de Sciences Rabat Examinateurs : BELLAFKIH Mostafa PES Institut National de Poste et Télécommunications Rabat BENKHALIFA Mohamed PES Faculté de Sciences Rabat RAMDANI Mohamed PES Faculté de Sciences et Techniques Mohammedia MEZRIOUI Abdellatif PES Institut National de Poste et Télécommunications Rabat IDRI Ali PES Ecole Nationale Supérieure d Informatique et d Analyse des Systèmes - Rabat FACULTÉ DES SCIENCES, 4 AVENUE IBN BATTOUTA B.P RP, RABAT TEL : (0) /35/38, FAX : (0)

2 A mes très chers parents A ma chère famille A mes chers sœurs et frères i

3 Remerciements Mes travaux de recherche pour l obtention du Doctorat ont été effectués au sein du LIMIARF ( Laboratoire d Informatique, Mathématiques appliquées, Intelligence Artificielle et Reconnaissance de Formes) de la Faculté de Sciences de Rabat, Université Mohammed V, sous la direction du Professeur Mr BOUYAKHF Elhoussine, en collaboration avec l équipe de recherche de Réseaux et Informatique sous la direction du Professeur Mr BELLAFKIH Mostafa de l Institut National de Postes et Télécommunications. Je tiens à remercier en premier lieu, Mr BOUYAKHF El Houssine, Professeur à la Faculté de Sciences-Rabat, Université Mohamed V, Directeur de l UFR Analyse et Conception des SYStèmes (ACSYS), pour m avoir acceptée au sein de son équipe et pour avoir dirigé mes travaux de recherche en thèse. Je le remercie en tant que Président du Jury et pour ses conseils, ses orientations... Je remercie Mr BELLAFKIH Mostafa, Professeur à l Institut National de Postes et Télécommunications à Rabat, qui a accepté de diriger ma thèse et qui a bien voulu me faire profiter de sa rigueur scientifique et de la pertinence de ses remarques. Je le remercie en tant que membre du jury. Je le remercie aussi pour son aide efficace, sa disponibilité, ses avis éclairés, et ses judicieux conseils. Je remercie Mr BENKHALIFA Mohamed, Professeur, à la Faculté de Sciences-Rabat, pour m avoir fait l honneur de rapporter cette thèse et en tant que membre du Jury. ii

4 Je remercie également Mr RAMDANI Mohamed, Professeur à la faculté de Sciences et Techniques de Mohammedia pour m avoir fait l honneur de rapporter cette thèse et en tant que membre du Jury. Je remercie Mr MEZRIOUI Abdellatif, Professeur de l Institut National de Postes et Télécommunications de Rabat, pour m avoir honorée de sa présence en tant qu examinateur et membre du Jury. Je remercie Mr IDRI Ali, Professeur à l Ecole Nationale Supérieure d Informatique et d Analyse des Systèmes de Rabat pour m avoir honorée de sa présence en tant qu examinateur et membre du Jury. Je Remercie également le Personnel de l Institut de Postes et Télécommunications de Rabat pour leur accueil et leur aide. Mes remerciements vont également à : Mes collègues du laboratoire LIMIARF de la faculté de sciences de Rabat. Mes collègues de la salle A203 de l Institut National de Postes et de Télécommunications. Je voudrais exprimer ma gratitude à tous ceux qui ont contribué de près ou de loin à l accomplissement de ce travail. J apporte à tous ceux qui m ont gratifié de leur soutien et de leur confiance ma reconnaissance et mes vifs remerciements. Pour finir, je tiens à remercier mon mari et mon fils pour leur grande patience. Merci à mes très chers sœurs et frères, à ma chère grande mère, et à mes oncles et mes tantes. Un grand merci à mes parents pour m avoir entouré de leur aide et soutien, et pour m avoir offert une éducation qui m a permis d aboutir à cette thèse. iii

5 Abstract In this thesis, we describe our adaptive e-learning system designed for providing learners with a path adapted to their profile and to the pedagogical goal of their formation. Intelligent Training Systems (ITS) use existing paths already defined or constructed to monitor the navigation of learners in pedagogical content. For adaptation, they require a format for creating courses in order to manage information to display. In our system AFGLearn, we proposed to model the description of pedagogical resources in a XML sheet, which facilitates identification of appropriate courses and let the system to be independent of the format of existing courses. We use genetic algorithms to automate the generation of the adapted path to the profile of the current learner and the chosen pedagogical goal. To implement the modules of our application we chose to use Java servlets. They allow access to the application through the web and thus the portability of the platform. Keywords Adaptive E-learning, Genetic Algorithms, Fuzzy Logic, XML, Java Servlets iv

6 TABLE DES MATIÈRES Table des matières Table des matières Liste des abréviations v xiv Introduction 1 I E-learning : Etat de l art 5 I.1 E-learning, blended learning, online learning I.2 Systèmes E-learning et Technologies I.3 Normes et Standards I.3.1 Besoins de la Normalisation du E-learning I.3.2 Quelques Définitions I.3.3 Principaux Acteurs de la Normalisation I Consortiums recensant les besoins et les spécifications I Consortiums de testabilité et de développement des modèles de référence. 18 I Organes officiels de standardisation et de normalisation v

7 TABLE DES MATIÈRES I.3.4 Normes Principales I DublinCore I LOM I SCORM I.4 Plateformes de Formation en ligne I.4.1 La plateforme OWASIS I.4.2 La plateforme SPIRAL I.4.3 La plateforme WebCT I.4.4 La plateforme Moodle II Une approche vers un E-Leaning Adaptatif 33 II.1 Contexte : E-learning II.1.1 E-learning : définitions II.1.2 Avantages et Inconvénients II.1.3 E-learning : enjeux fonctionnels et organisationnels. 36 II.1.4 E-learning évolutions II.2 E-learning adaptatif II.2.1 Adaptation et systèmes e-learning II.2.2 Quelques Approches adaptatives utilisées II Approche par conception de cours II Approche GAITS II Approche par colonie de fourmi II.3 Problématique II.3.1 Notre Approche Proposée II.3.2 Présentation du Problème d optimisation II Reformulation vectorielle II Choix des algorithmes II.4 Présentation des algorithmes évolutionnaires II.4.1 Historique vi

8 TABLE DES MATIÈRES II.4.2 Principe II.4.3 Mise en œuvre des algorithmes évolutionnaires II Choix d un codage II Opérateur de sélection II Opérateur de croisement II Opérateur de mutation II Caractéristiques des algorithmes évolutionnaires II Paramètres et leur rôle II.4.4 Fonctionnement II.5 Adaptation des algorithmes génétiques à notre approche.. 59 II.6 Intégration des règles floues II.6.1 Logique floue : quelques définitions II.6.2 Présentation floue du problème III Conception du Système AFGLearn 65 III.1 Conception de la plateforme AFGLearn III.2 Phase Modélisation III.3 Phase Adaptation III.4 Modélisation du Profil III.5 Modélisation des entrées III.6 Schéma UML de l application III.6.1 Cas d utilisation III.6.2 Diagramme de séquence III.6.3 Diagramme de classes III.7 Choix des outils d implémentation III.8 Implémentation des algorithmes génétiques III.9 Implémentation du système flou vii

9 TABLE DES MATIÈRES IV Validation du système AFGLearn 82 IV.1 Étapes de réalisation IV.1.1 Phase Modélisation IV.1.2 Phase Adaptation IV.1.3 Phase Evaluation IV.2 Scénarios des cas d utilisation IV.2.1 Scénarios des acteurs IV.2.2 Acteurs et Services Proposés IV.3 Application à quelques modules IV.3.1 Création des modules IV.3.2 Fiche descriptive IV.3.3 Indexation des ressources IV.3.4 Génération du Parcours Adapté IV.4 Tests de validation IV.5 Traitement flou Conclusions et Perspectives 108 Bibliographie 111 Publications 119 viii

10 TABLE DES FIGURES Table des figures I.1 Organisation du schéma de méta-données LOM V I.2 Plateformes fonctions I.3 Structuration horizontale du système OWASIS II.1 Composants E-learning II.2 Différents types de processus d adaptation : de l adaptabilité à l adaptativité II.3 Processus d adaptation d un cours II.4 Schéma initial du système II.5 Organigramme d un Algorithme Evolutionnaire II.6 Exemple d un croisement à un point II.7 Exemple d un croisement à deux points II.8 Exemple d un croisement uniforme II.9 Exemple de mutation II.10 Présentation graphique des fonctions trapézoïdales III.1 Architecture du système III.2 Processus d élaboration du module ix

11 TABLE DES FIGURES III.3 Processus d élaboration d un contenu pédagogique III.4 Intégration des ressources pédagogiques III.5 Architecture de l adaptateur III.6 Étapes suivies pour la modélisation du profil III.7 Cas d utilisation de l apprenant III.8 Cas d utilisation de l enseignant III.9 Cas d utilisation de l administrateur III.10Schéma des diagrammes de séquence de l application III.11Schéma UML des objets et acteurs principaux de l application 77 III.12Intégration du module flou IV.1 Schéma descriptif de la phase Modélisation IV.2 Schéma descriptif de la phase Adaptation IV.3 Schéma descriptif de la phase Evaluation IV.4 Formulaire de création du module JAVA IV.5 Présentation des concepts du module JAVA IV.6 Formulaire de création du module ACCESS IV.7 Formulaire de création de nouveaux objectifs IV.8 Formulaire d ajout de nouveaux cours IV.9 Exemple de fiches descriptives IV.10Indexation par concept acquis IV.11Liste des cours par date d enregistrement IV.12Liste des cours par types IV.13Exemple de chromosome généré IV.14 Exemple du parcours généré par l adaptateur IV.15 Graphe représentant l erreur, le profil, l objectif et la solution obtenus pour les 25 premiers étudiants IV.16 Graphe représentant l erreur, le profil, l objectif et la solution obtenus pour les 25 derniers étudiants x

12 TABLE DES FIGURES IV.17Système d inférence floue à deux entrées et une sortie IV.18Définition des règles floues utilisées dans le système IV.19Fonctions d appartenance triangulaires IV.20Fonctions d appartenance trapézoïdales IV.21Fonctions d appartenance gaussiennes IV.22 Visualisation des Règles à fonctions d appartenance triangulaires IV.23 Visualisation des Règles à fonctions d appartenance trapézoïdales IV.24 Visualisation des Règles à fonctions d appartenance gaussiennes xi

13 LISTE DES TABLEAUX Liste des tableaux I.1 Sources des technologies AIWBES et Systèmes exemples... 9 II.1 Avantages et Inconvénients d E-learning II.2 Historique d intelligence artificielle en éducation IV.1 Acteurs actives IV.2 Sheet format xii

14 LISTE DES ABRÉVIATIONS Liste des abréviations ADL Advanced Distributed Learning AE Algorithmes Evolutionnaires AFGLearn Adaptative Fuzzy Genetic e-learning AFNOR Association Française de NORmalisation AG Algorithmes Génétiques AGR AICC Guidelines & Recommendations AICC Aviation Industry Computer-Based Training Committee AIWBES Adaptive and Intelligent Web-Based Educational Systems ALIC Advanced Learning Infrastructure Consortium ANSI American National Standard Institute ARIADNE Alliance of Remote Instructional and Distribution Networks for Europe CBT CBT Computer Based Training Computer Based Training CEN Comité Européen de Normalisation CMI Computer Managed Instruction CMS content management system xiii

15 LISTE DES ABRÉVIATIONS DCMI Dublin Core Metadata Initiative EBW Éducation Basée sur le Web EdNA Education Network Australia FAD Formation à distance FOAD Formation Ouverte et à Distance HTML HyperText Mark-up Language HTTP HyperText Transfer Protocol IA Intelligence Artificielle ICAI Intelligent Computer-Assisted Instruction IEEE Institute of Electrical and Electronics Engineers ISO ISSS ITS International Standard Organisation Information Society Standardization Society Intelligent Tutoring Systems LCMS Learning Content Management System LMS Learning Management System LOM Learning Object Metadata LTSC Learning Technology Standards Committee Moodle Modular Object-Oriented Dynamic Learning Environment OWASIS Outil Web pour l ApprentiSsage à distance RFC SCO Request For Comments Shareable Content Object SCORM Sharable Content Object Reference Model SPIRAL Serveur Pédagogique Interactif de Ressources d Apprentissage de Lyon 1 URL Uniform Resource Locator WBE Web-based educational WBT Web Based Training WWW World Wide Web xiv

16 INTRODUCTION Introduction Les nouvelles Technologies de l Information et de la Communication "TIC" améliorent profondément nos façons de nous informer, de communiquer et de nous former. Cette émergence technologique a fait apparaître un nouveau mode d apprentissage connu sous le nom de e-learning. Celui-ci est basé sur l accès à des formations en ligne, interactives et parfois personnalisées, diffusées par l intermédiaire d un réseau (Internet ou Intranet) ou d un autre média électronique. Cet accès permet de développer les compétences des apprenants, tout en rendant le processus d apprentissage indépendant du temps et du lieu. Le domaine de recherches du "e-learning" est très large. C est également l objet d une activité industrielle prospère et des issues de recherches d elearning pourraient être décrites comme questions au sujet de l adaptation des pratiques en matière d éducation avec la technologie d aujourd hui. La gamme des applications existantes d "e-learning" inclut : les systèmes de gestion de cours, un champ la plupart du temps couvert par les produits industriels. les systèmes tutoriels intelligents, hypermédia adaptatif, un domaine de recherche très orienté. les outils de collaboration utilisés pour l apprentissage, la vidéoconférence, etc. les examens numériques, quizz en ligne, etc. Depuis les commencements de e-learning, des techniques d Intelligence Artificielle IA ont été testées pour augmenter l expérience 1

17 INTRODUCTION d apprentissage. Plusieurs raisons les justifient, certaines sont tout à fait complexes, d autres comptent sur des considérations plutôt pratiques. D abord, la plupart des chercheurs occupent également des positions d enseignement dans les universités. Il est tout à fait normal que les chercheurs d IA, recherchant des domaines d application, commencent à appliquer leurs idées sur la population maniable des étudiants suivant leurs cours. La complexité et la nature stimulante de l apprentissage humain est également l une des raisons pour lesquelles des techniques d IA sont appliquées dans ce contexte. Ce champ constant de recherches est illustré par l acronyme célèbre d IA-ED (intelligence artificielle dans l éducation), utilisé par des conférences importantes et des journaux dans le domaine. Plusieurs recherches sont en cours pour étudier la complexité des parcours suivis ou des profils des apprenants ont nécessité l utilisation des algorithmes d optimisation, les algorithmes évolutionnaires, la logique floue,... Différentes recherches dans le domaine e-learning ont conduit à mettre en valeur le profil de l apprenant caractérisé par les connaissances acquises ou les actions constatées au cours de la formation. L adaptabilité est devenue une caractéristique importante des plateformes d apprentissage. Au-delà des caractéristiques techniques des cours à suivre, le contenu sémantique doit faire l objet d une attention particulière. Les apprenants doivent avoir la liberté de sélectionner les objectifs pédagogiques qu ils souhaitent voir apparaître dans leurs cours. Ces objectifs doivent être formellement identifiés pour s assurer que le parcours généré répond à leurs attentes. Ce mémoire propose l étude et la mise en œuvre d un système intelligent et adaptatif d e-learning capable d adapter la formation aux objectifs de la formation en cours et aux connaissances de l apprenant. Le format des cours utilisés, les stratégies pédagogiques de conception ont beaucoup évolué au cours des dernières années. Pour profiter de l expérience des enseignants dans le domaine pédagogique et permettre la réutilisation des cours déjà conçus par différents professeurs et sous différents formats, nous nous basons sur la description des contenus de ces cours. Les caractéristiques étudiées sont principalement les concepts ou les connaissances à acquérir de ces cours et leurs connaissances préliminaires. 2

18 INTRODUCTION Nos recherches consistent à générer un parcours adapté en se basant sur le profil de l apprenant et l objectif pédagogique de la formation. Pour que le parcours obtenu soit optimal et adapté à l objectif pédagogique et au profil de l apprenant, nous avons choisi d utiliser les algorithmes génétiques qui semblent les plus adaptés aux problèmes d optimisation concernant l apprentissage. Cela nous permettra d automatiser l adaptation. Afin de satisfaire les objectifs sélectionnés tout en tenant compte des connaissances de l apprenant, nous avons besoin de formuler son profil en se basant sur la description de ces connaissances acquises. Par ailleurs, décrire un cours implique que les caractéristiques concernées au cours de l étude doivent être modélisées pour pouvoir les communiquer au système en cours du processus d adaptation. La modélisation des différentes données utilisées dans notre système sous formats compatibles permet de reformuler la recherche du parcours en un problème d optimisation et ainsi utiliser les algorithmes évolutionnaires. L intégration de la logique floue dans notre système permet de prendre en considération les différents niveaux des apprenants dans la recherche du parcours adapté. Enfin, nous souhaitons mettre en place un système ouvert au plus grand nombre possible, c est pourquoi nous allons privilégier l utilisation de logiciels libres. Ce mémoire est divisé en quatre chapitres. Le premier chapitre présente l état de l art des systèmes e-learning, à savoir : les définitions des différents termes en relation avec le terme "elearning", les technologies utilisées dans les systèmes tutoriels intelligents, les normes et les acteurs de normalisation et enfin quelques exemples des plateformes d e-learning existantes. Le second chapitre définit d abord le terme "e-learning", ses enjeux et présente un historique des évolutions des systèmes e-learning. Il expose ensuite le contexte de notre problématique, à savoir l e-learning adaptatif, et quelques approches utilisées pour l adaptation de la formation. Puis, il présente la problématique de nos recherches et notre approche proposée. Et enfin, il définit les algorithmes génétiques et leurs utilités dans la résolution des problèmes d optimisation, et s achève par l application de 3

19 INTRODUCTION ces algorithmes dans nos recherches, ainsi que la fuzzification des données d entrées dans notre système, à savoir : le profil, l objectif. Le troisième chapitre présente l architecture et le fonctionnement du système, les différentes phases de notre application, et aussi les diagrammes de cas d utilisation, de séquences et de classes de l application. Il introduit également les outils utilisés dans l implémentation des algorithmes génétiques et des systèmes flous. Enfin, le dernier chapitre, avant d aborder la phase de conclusion de la présente recherche, expose la réalisation de l application avec la simulation de quelques scénarios. L interprétation des résultats obtenus permettra d envisager des perspectives améliorant et faisant évoluer l application réalisée. 4

20 CHAPITRE I. E-LEARNING : ETAT DE L ART E-learning : Etat de l art I Introduction Avec l émergence des Technologies de l Information et de la Communication (TIC), une nouvelle approche de formation, ou plus exactement un nouveau mode d apprentissage est apparu. Souvent appelé "e-learning", ce mode est basé sur l accès à des formations en ligne, interactives et parfois personnalisées, diffusées par l intermédiaire d un réseau (Internet ou Intranet) ou d un autre média électronique. Cet accès permet de développer les compétences des apprenants, tout en rendant le processus d apprentissage indépendant du temps et du lieu. Pour présenter l état de l art de ce mode d apprentissage, nous allons tout d abord définir les quelques termes qui sont apparu avec le e-learning, nous procédons ensuite les différentes technologies existantes, les normes et standards utilisés et quelques exemples des plateformes. 5

21 CHAPITRE I. E-LEARNING : ETAT DE L ART I.1 E-learning, blended learning, online learning... Le terme E-learning se réfère généralement aux activités d enseignement ou d apprentissage nécessitant l utilisation des ordinateurs et des médias électroniques. Dans l histoire d e-learning, la formation assistée par ordinateur (Computer Based training) est peutêtre l approche la plus ancienne. C est une manière de fournir le contenu d apprentissage par l intermédiaire des médias numériques. Quand la connexion à commencer à s étendre de manière significative dans les années 90, elle a donné naissance au paradigme formation/enseignement basé sur le web (web based learning/training). Récemment, l approche d utiliser des PC pour des buts éducatifs est devenu de plus en plus intéressante et importante pour des compagnies, des entreprises et des établissements d éducation. Elle a émergé de grandes affaires puisque la formation et l éducation professionnelle est nécessaire pour maintenir des employés à jour avec des technologies, des applications et des environnements en cours d évolution. L introduction des Technologies de l Information et de la Communication dans le domaine de l éducation a fait naître un lexique de mots comme ceux introduits ci-dessous. Blended Learning (Apprentissage mixte) 1 : Méthode d apprentissage qui combine les éléments de l apprentissage en ligne et de l apprentissage en classe traditionnel. En plus de bénéficier d un enseignement traditionnel en classe, les apprenants ont accès aux nouvelles technologies (Internet, cédéroms, etc.) en temps réel (vidéoconférence, clavardage, etc.) ou en différé (forum de discussion, échange de courriels, didacticiel, etc.). Computer-Based Learning (enseignement assisté par ordinateur) 2 : Enseignement principalement fondé sur l utilisation d outils informatiques, tels les didacticiels. L enseignement assisté par ordinateur (qu on a parfois appelé enseignement automatisé) a fait l objet de développements importants grâce au multimédia PP-BlendedLearning-lr.pdf

22 CHAPITRE I. E-LEARNING : ETAT DE L ART Distance Learning (Formation à distance FAD ou Enseignement à distance EAD) 3 : La formation à distance couvre l ensemble des dispositifs techniques et des modèles d organisation qui ont pour but de fournir un enseignement ou un apprentissage à des individus qui sont distants du l organisme de formation prestataire du service. FOAD Formation Ouverte et à Distance 3 : C est un dispositif souple de formation organisé en fonction de besoins individuels ou collectifs (individus, entreprises, territoires). Elle comporte des apprentissages individualisés et l accès à des ressources et compétences locales ou à distance. Elle n est pas exécutée nécessairement sous le contrôle permanent d un formateur. E-Learning : Ce mode d apprentissage correspond à un système évolué de formation, reposant sur le CBT (Computer Based Training : CD- Rom) et le Distance Learning (formation à distance par présentation vidéo). Il s agit de cours de formation dispensés par un ordinateur relié à un intranet (accès en interne), ou à un extranet ou encore à Internet. L accès aux ressources est ainsi considérablement élargi ainsi que les possibilités de collaboration et d interactivité. E-formation 4 : La e-formation est à l origine un sous-ensemble de la FOAD, qui s appuie sur les réseaux électroniques. Aujourd hui le concept d e-learning est de plus en plus employé, attestant de l évolution fondamentale de ce domaine de formation. Mobile Learning (apprentissage mobile) Mode d apprentissage basé sur l accès à une ressource de formation à partir d un terminal mobile. Dans l apprentissage mobile, l approche pédagogique doit obligatoirement être adaptée à l équipement utilisé par l étudiant et le professeur. En effet, un terminal mobile ne permet pas de lire efficacement des textes continus pendant très longtemps. Son utilité réside dans la rapidité d accès à une information précise, à la consultation et à l utilisation rapide des ressources rendues disponibles sur des sites Web prévus à cet effet. Online Learning (apprentissage en ligne) : Mode d apprentissage basé sur l utilisation des nouvelles technologies, qui permet l accès à des formations en ligne, interactives et parfois personnalisées, diffusées par l intermédiaire d Internet, afin de développer les compétences,

23 CHAPITRE I. E-LEARNING : ETAT DE L ART tout en rendant le processus d apprentissage indépendant de l heure et de l endroit. L apprentissage en ligne, qui favorise le perfectionnement personnel ou professionnel, permet de progresser à son rythme et d éviter les contraintes de déplacement, d horaire et de disponibilité. Web-Based Learning Formation à distance dans un domaine déterminé, qui est diffusée par l intermédiaire du Web et dont l objectif est d améliorer ses connaissances et ses compétences. I.2 Systèmes E-learning et Technologies Les systèmes adaptatifs sont ces systèmes qui essayent de se comporter différemment avec chaque étudiant, basé sur l information accumulé dans le modèle d étudiant, alors que les systèmes intelligents appliquent des techniques d intelligence artificielle afin d être conformes aux besoins de leurs utilisateurs. La majorité de systèmes d éducation de Web appartiennent aux deux catégories ; cependant, il y a quelques exceptions, les deux systèmes intelligents qui ne sont pas adaptatifs, comme le précepteur allemand [Heift et Nicholson, 2001] ou le SQL- Précepteur [Mitrovic, 2003] et les systèmes d hypermédia adaptatifs qui emploient les techniques très simples d adaptation, qui ne peuvent pas s appeler "intelligent", comme AHA! [De Bra et al, 2003] ou WebCOBALT [Mitsuhara et al, 2002]. Les technologies adaptatives et intelligentes sont différentes manières d ajouter des fonctionnalités adaptatives ou intelligentes aux systèmes d éducation. [Brusilovsky and Peylo, 2003] identifie cinq classes des technologies dans les systèmes éducationnels intelligents et adaptatifs basés sur le Web(Adaptive and Intelligent Web-Based Educational Systems AIWBES)(tab.) : Intelligent Tutoring, Adaptive Hypermedia, Adaptive Information Filtering, Intelligent Collaborative Learning and Intelligent Class Monitoring. 8

24 CHAPITRE I. E-LEARNING : ETAT DE L ART TABLE I.1: Sources des technologies AIWBES et Systèmes exemples. Sources des technologies AIWBES Intelligent Tutoring (Systèmes Tutoriels Intelligent STI) Suite page suivante Technologies & Systèmes Exemples Curriculum Sequencing (Ordonnancement de Programmes) fournir à l étudiant l ordre individuellement prévu le plus approprié de thèmes à apprendre et l ordre de tâches d apprentissage. Exemples : ELM-ART [Weber et Brusilovsky, 2001] et KBS- Hyperbook [Henze et Nejdl,2001]. Intelligent Solution Analysis (Analyse Intelligente de Solution) analyser les solutions de l étudiant à de divers problèmes, identifier la source des fautes et fournir la rétroaction appropriée aux étudiants, et en même temps mettre à jour le modèle d étudiant. Exemples : SQL-Précepteur [Mitrovic, 2003], le précepteur allemand [Heift et Nicholson, 2001] et l ELM- ART [Weber et Brusilovsky, 2001]. Problem Solving Support fournir aux étudiants l aide intelligente pendant le processus de résolution des problèmes (conseils, explications, solutions partielles). Exemples : ActiveMath [Melis et al, 2001], AlgeBrain [Alpert et al, 1999] et ELM-ART [Weber et Brusilovsky, 2001]. 9

25 CHAPITRE I. E-LEARNING : ETAT DE L ART Sources des technologies AIWBES Suite... Adaptive hypermedia systems (Systèmes Hypermédia Adaptatifs) Adaptive Information Filtering (Filtrage Adaptatif de l Information) adapter les résultats de la recherche de Web en utilisant le filtrage. Le filtrage adaptatif de l information se fonde habituellement sur des techniques de machine d apprentissage (machine learning). Suite page suivante Technologies & Systèmes Exemples Adaptive Presentation Technology (Présention Adaptative) adapter le contenu de chaque page aux buts et à la connaissance d étudiant, dynamiquement en produisant ou en assemblant des pages pour chaque étudiant, selon le modèle d étudiant. Exemples : ActiveMath [Melis et al, 2001] et MetaLinks [Murray, 2003]. Adaptive Navigation Support Technology (Support Adaptatif de Navigation) fournir à l étudiant un chemin optimal d apprentissage, mais d une façon plus flexible que l ordonnancement traditionnel de programme (traditional curriculum sequencing). Exemples : InterBook [Brusilovsky et al, 1996], ActiveMath [Melis et al, 2001], MLTutor [Smith et Blandford, 2003], AHA! [De Bra et al, 2003]. Content-Based Filtering (Filtrage Basé sur le Contenu) : MLTutor [Smith et Blandford, 2003] Collaborative Filtering (Filtrage Collaboratif) : WebCOBALT [Mitsuhara et al, 2002]. 10

26 CHAPITRE I. E-LEARNING : ETAT DE L ART Sources des technologies AIWBES Suite... Intelligent Collaborative Learning (Apprentissage Collaboratif Intelligent) situé à l intersection entre l apprentissage collaboratif informatisé (computer supported collaborative learning) et STI. Intelligent Class Monitoring fournir le support de professeur, offrant l information concernant la rétroaction d étudiant ; des techniques d intelligence artificielle sont employées pour analyser et interpréter le comportement d étudiant. Technologies & Systèmes Exemples Adaptive Group Formation and Peer Help utiliser les caractéristiques dans le modèle d étudiant pour constituer les groupes de travail optimaux [Greer et al, 1998] ou pour trouver le pair le plus approprié pour offrir l aide [McCalla et al, 1997]. Adaptive Collaboration Support offrir le conseil aux pairs collaborant (collaborating peers), en utilisant la connaissance au sujet de bons et mauvais modèles de collaboration, conçu par le système ou appris des notations de communication. Exemples : COLER [Constantino Gonzalez et al, 2003] et EPSILON [Soller et Lesgold, 2003]. Virtual Students fournir les pairs virtuels (virtual peers) en tant que compagnons d apprentissage [Chan, 1991, Frasson et al, 1996]. Une direction prometteuse est l intégration des agents animés pour soutenir l apprentissage et la collaboration. Quelques systèmes qui offrent cette fonctionnalité sont : HyperClassroom [Oda et al, 1998], [Merceron et Yacef, 2003], [Romero et al, 2003]. Dans tous les cas, ces systèmes s appuient sur la réelle nécessité de formaliser ou représenter la matière à enseigner, l apprenant et les stratégies pédagogiques. 11

27 CHAPITRE I. E-LEARNING : ETAT DE L ART I.3 Normes et Standards Le principal objectif de la normalisation est de réaliser l interopérabilité entre les composants d une infrastructure ou d un système, afin de généraliser l application d outils dans des contextes différents de ceux prévus dans le développement originel. Par exemple, les protocoles HTTP (HyperText Transfer Protocol), URL (Uniform Resource Locator) et HTML (HyperText Mark-up Language) normalisent le protocole pour la demande, l identification et la structure des documents dans le WWW (World Wide Web). Un autre exemple bien illustratif est la normalisation de la taille de papier en A4 (une norme allemande DIN). Dans le domaine de la formation en ligne, la normalisation répond à cinq objectifs [Arnaud, 2004] : L accessibilité : permet de faciliter la recherche, l identification, l accès aux contenus et composants de la formation. La réutilisabilité : permet de réutiliser les mêmes objets pédagogiques à différentes fins, dans différentes applications, dans différents contextes et via différents modes d accès. L adaptabilité : permet la modularisation des contenus et des composants pour mieux répondre aux besoins des utilisateurs. L interopérabilité : permet les échanges entre composants logiciels grâce à des interfaces communes. La durabilité : permet d éviter le développement à nouveau des formats de contenus et des composants dans le cas de changement de support logiciel ou matériel. I.3.1 Besoins de la Normalisation du E-learning Il serait souhaitable de normaliser les domaines fonctionnels ou les les éléments d un dispositif d e-learning. Ces normalisations concernent les plateformes, l apprenant, les contenus de formations, les systèmes de gestion, les collaborations et la qualité. Architectures : La pérennité des dispositifs tels que les plateformes d e-learning, les procédures d échanges de données entre elles et leur interopérabilité sont à garantir. Informations sur l apprenant : L identification et les données 12

28 CHAPITRE I. E-LEARNING : ETAT DE L ART personnelles de l apprenant ainsi que ses compétences, son profil d apprentissage, son plan de formation, sont à organiser de manière structurée pour tendre à la fois à plus d individualisation dans le suivi pédagogique et plus de protection de la vie privée. Contenus de formation : Les formats des contenus éducatifs mis en ligne doivent permettre de les rendre accessibles par des navigateurs avec recherche automatique par des moteurs sur les réseaux grâce à l utilisation de métadonnées. La question de l automatisation de l indexation par des outils auteur est essentielle dans ce contexte. Systèmes de gestion : Les interactions entre apprenants, tuteurs, administrateurs et contenus en ligne sont à standardiser de manière à permettre un suivi efficace des performances des apprenants dans un contexte pédagogique le plus ouvert possible. La notion de qualité des services d apprentissage en ligne est également à prendre en considération. Collaborations : Les technologies de collaboration doivent pouvoir fonctionner en milieu éducatif de manière satisfaisante et être utilisées par exemple par des communautés d apprentissage. Qualité : Les services de la e-formation sont à évaluer à travers un référentiel de qualité portant d une part sur les contenus mis en ligne et d autre part sur le degré de satisfaction de l apprenant et sur la mesure des améliorations apportées par la formation suivie, dans sa vie professionnelle. I.3.2 Quelques Définitions Pour assurer la mobilité d une technologie, d une technique ou d un produit, ces derniers doivent être utilisables dans différents contextes. Pour cela, certaines caractéristiques techniques doivent être partagées, voire même officiellement reconnues. D où l apparition des termes norme, standard, spécification et métadonnées. Norme : [Educnet 06] " Ensemble de règles fonctionnelles ou de prescriptions techniques relatives à des produits, à des activités ou à leurs résultats, établies par consensus de spécialistes et consignées dans un document produit par un organisme, national ou international, reconnu dans le domaine de la normalisation". Exemple l ISO, International Standard Organisation, dont le représentant français est l AFNOR, Association Française de 13

29 CHAPITRE I. E-LEARNING : ETAT DE L ART NORmalisation. La Norme ISO9001 rentre dans cette catégorie et constitue un référentiel en terme d assurance qualité pour de très nombreuses industries au niveau international. Standard : [Educnet 06] " Ensemble de recommandations développées et préconisées par un groupe représentatif d utilisateurs ou de fournisseurs". C est par exemple le cas des RFC (Request For Comments) de l IETF ou des recommandations du W3C ou de l IEEE. Spécification : [Educnet 06] " Ensemble des règles et des prescriptions techniques établies pour une entreprise et qui servent à fixer les caractéristiques permettant de définir un élément de matériel ou de construction utilisé pour un projet donné". Par exemple, des prescriptions définissant les méthodes d assemblage d un composant mécanique pour un constructeur automobile donné. Les métadonnées : [Educnet 06] " Ce sont des données qui décrivent d autres données". Elles permettent de : Faciliter le partage d information. Contribuer à la minimalisation de pertes de données. Rechercher des ressources dans un entrepôt de ressources d enseignement. Faciliter le stockage des ressources d enseignement. I.3.3 Principaux Acteurs de la Normalisation Dans cette section, nous présentons les principaux acteurs de la normalisation d e-learning. De façon générale, les acteurs de la normalisation sont regroupés au sein de consortiums. Nous allons les présenter par spécialité. I Consortiums recensant les besoins et les spécifications AICC (Aviation Industry Computer-Based Training Committee) L Aviation Industry CBT (Computer-Based Training) Commitee (AICC) est une organisation internationale, fondée en 1988, regroupant tous les intervenants dans le domaine de la formation de l industrie aéronautique (constructeurs d avions, vendeurs de plateformes informatiques d enseignement, fournisseurs de contenu pédagogique, etc.). Cette 14

30 CHAPITRE I. E-LEARNING : ETAT DE L ART association est cependant ouverte aux personnes provenant d autres industries. Les standards proposés sont par nature génériques et ne se focalisent pas uniquement sur le domaine aéronautique. L AICC publie des AICC Guidelines & Recommendations (AGR) dans différents domaines comme par exemple l AGR-007 [AICC 95] qui traite de l échange de contenus entre plateformes ou l AGR-002 [AICC 02] qui traite de la plateforme matérielle d un poste client (vitesse du microprocesseur, espace disque, etc). Il existe à l heure actuelle 9 AGRs différentes. Celle qui nous intéresse le plus est l AGR-006 [AICC 98] qui traite de l interopérabilité entre Computer Managed Instruction (CMI). AICC définit un CMI comme un système gérant à la fois le comportement connecté (on-line) et déconnecté (off-line) des activités d apprentissage. Il peut notamment s appuyer sur des CBTs. L AGR-006 décrit notamment l échange de fichiers représentant la structure d un cours. Elle repose principalement sur le document [AICC 01]. ARIADNE (Alliance of Remote Instructional and Distribution Networks for Europe) ARIADNE est un projet européen réunissant 24 partenaires et 8 sponsors de sept pays européens et qui a commencé officiellement en Il est soutenu par le programme de la communauté européenne pour les applications de la télématique et la Suisse. Il a été développé en deux phases : à l issue de la première phase (1996/1998) les prototypes des outils d ARIADNE ont permis la mise en place des premières expérimentations chez les différentes partenaires. La seconde phase (1998/2000) a permis d expérimenter à grande échelle auprès d une population élargie d enseignants et d apprenants, l échange d un nombre de documents pédagogiques grâce à une indexation pertinente dans la base de données pédagogiques. A la fin de ces deux phases du programme européen, une fondation à but non lucratif s est mise en place depuis juillet 2000 afin d assurer la pérennité du système développé. En effet, la fondation ARIADNE prend en charge, depuis sa création, la maintenance et le développement des outils et de la base des connaissances du projet européen. Elle assure à titre non commercial, l exploitation des résultats du projet en apportant un soutien technique et méthodologique à ses membres. L objectif du système ARIADNE est de faire partager et réutiliser des matériels pédagogiques électroniques, au travers des universités et des 15

31 CHAPITRE I. E-LEARNING : ETAT DE L ART organisations [David 03]. Pour soutenir cet objectif, ARIADNE a créé un vivier de connaissances (Knowledge Pool System) c est-à-dire un répertoire dans lequel on trouve des documents pédagogiques associés avec un système d indexation et de recherche. L un des intérêts de ce vivier de connaissances est de soulever les spécifications des métadonnées. ARIADNE a permis de définir les en-têtes de documents pédagogiques développés par l IEEE. Les deux principaux points que cherche à résoudre ARIADNE sont l indexation et l exploitation des métadonnées pour que les utilisateurs puissent trouver de manière efficace et facile le matériel pédagogique dont ils ont besoin. CEN/ISSS (Comité Européen de Normalisation - Atelier des technologies d apprentissage) En Europe, le Comité Européen de Normalisation Information Society Standardization Society (CEN/ISSS), une association reconnue par la communauté européenne, coordonne les différentes instances de normalisation et de standardisation, et s occupe spécifiquement des exigences de la normalisation. Un de ses groupes se concentre sur les métadonnées pour l information multimédia. Parmi ses principaux membres, on retrouve IEEE-LTSC, IMS et DCMI. DCMI (Dublin Core Metadata Initiative) Contrairement aux trois précédents modèles, DCMI n est pas dédié à l éducation, mais le monde de l éducation l a adapté à ses besoins. DCMI tire son origine de la seconde Internationale World Wide Web Conference de Chicago où une discussion portant sur le Web et le manque de marquage sémantique a donné naissance à une journée d étude sur le sujet Dublin, Ohio en La DCMI est le résultat de cette journée [Dcmi 04]. Elle est devenue une organisation tentant de promouvoir l adoption de standards de métadonnées compatibles entre eux. Son but est de faciliter les recherches de ressources et l interopérabilité de l échange d informations. La direction de Dublin Core, coordonne les groupes de travail, les activités des groupes et dissémine l information à travers le Web et d autres publications. Les groupes de travail fonctionnent en collaboration et participent au raffinement des conventions sur les métadonnées. Parmi les participants au projet, on trouve, des agences gouvernementales, des organisations commerciales, des bibliothèques, des musées. Ils ont créé les 15 Dublin Core Metada Elements, soit le DCM Element Set. 16

32 CHAPITRE I. E-LEARNING : ETAT DE L ART IMS Global Learning Consortium IMS est un consortium récent (1997), qui représente un regroupement de 250 établissements éducatifs dont le MIT (Massachusetts Institute of Technology) et UCM (Université Carnegie Mellon), d entreprises telles que Apple et IBM, d agences gouvernementales telles qu Industrie Canada et des sociétés de développement telles que Canvas Learning et Blackboard. IMS participe au développement de standards pour la formation en ligne en proposant des spécifications relatives à la description, au repérage et à l échange de contenu, à l interactivité et à l interopérabilité. Ainsi, IMS a spécifié des métadonnées qui permettent l étiquetage des ressources d enseignement et d apprentissage et élaboré diverses autres spécifications relatives notamment aux contenus, au classement, au design pédagogique, aux profils des apprenants et aux besoins des entreprises. Les spécifications réalisées par IMS sont les suivantes : IMS Content Packaging : Ce sont des spécifications qui permettent de définir un moyen pour échanger les ressources pédagogiques entre différentes plateformes de la e-learning. Dans ces spécifications IMS propose que les contenus des supports pédagogiques soient regroupés dans un paquetage. IMS Questions and Tests : Ce sont des spécifications qui permettent de définir une structure facilitant la représentation des questions et des évaluations. L échange de données entre différents systèmes de gestion de la formation a évidemment été pris en compte dans ces spécifications. IMS Meta-data : Ce sont des spécifications qui concernent les ressources pédagogiques. Elles représentent un processus permettant de rechercher et utiliser plus efficacement une ressource. IMS Learning Design : Ce sont des spécifications qui permettent de spécifier formellement le déroulement d une unité d apprentissage. IMS Entreprise : Ce sont des spécifications qui concernent les échanges de données administratives (élèves, instructeurs, groupes, etc.). IMS Learner Information Packaging : Ce sont des spécifications modélisant les données apprenant (historique, but, compétence, etc.). IMS Reusable Definition : Cette spécification modélise à un niveau général comment décrire, référencer et échanger des connaissances, des compétences, des tâches ou des qualifications. 17

33 CHAPITRE I. E-LEARNING : ETAT DE L ART I Consortiums de testabilité et de développement des modèles de référence ADL (Advanced Distributed Learning) L initiative ADL (Advanced Distributed Learning : Apprentissage Distribué Avancé) est lancée en 1997 par le Département de la Défense américain prévoit la création de bibliothèques de savoirs, ou viviers de connaissances, où les objets d apprentissage sont accumulés et catalogués pour une distribution et un usage à grande échelle. Ces objets doivent être facilement accessibles sur le Web. Le développement de tels viviers de connaissances peut contribuer à l établissement d une économie des objets d apprentissage qui récompenserait les créateurs de contenus à forte valeur ajoutée. Ces objets d apprentissage seront accessibles, partageables et capables de s adapter à la demande d apprentissage des utilisateurs. Une des clés de l initiative ADL est la possibilité de pouvoir réutiliser les composants des objets d apprentissage dans des applications et environnements multiples, sans avoir à se soucier des outils utilisés pour les créer. Ceci implique, entre autres choses, que le contenu soit séparé des contraintes liées au contexte et aux spécificités du logiciel d exécution de telle sorte qu il puisse être inclus dans d autres applications. De même, pour que son usage répété soit possible sous diverses formes, le contenu doit avoir une interface et des métadonnées communes. Le SCORM (Sharable Content Object Reference Model) est l une des principales actions d ADL pour répondre à la demande d interopérabilité des contenus d apprentissage [Friesen 04]. ALIC (Advanced Learning Infrastructure Consortium) ALIC (Advanced Learning Infrastructure Consortium) est le consortium pour une infrastructure d apprentissage avancée au Japon. Il représente une coalition japonaise comprenant des représentants des secteurs privés et publics, effectuant la promotion de la formation en ligne au Japon. Ses spécifications sont conçues pour l interopérabilité des systèmes à base de TIC et la réutilisation des ressources d apprentissage. Les spécifications et les métadonnées d ALIC prennent en compte les aspects suivants : Architecture, glossaire, interface, protocole (incluant l apprenant, les contenus, la gestion des résultats) 18

34 CHAPITRE I. E-LEARNING : ETAT DE L ART EdNA (Education Network Australia) EdNA (Education Network Australia) est un réseau pour l ensemble des acteurs de la communauté éducative en Australie. Son but est d aider et de promouvoir l utilisation du Web pour l éducation. Son ensemble de métadonnées, représente une extension du Dublin Core, il comporte 25 éléments non groupés. I Organes officiels de standardisation et de normalisation AFNOR En France, l AFNOR représente les intérêts français au sein de l ISO et au sein de l atelier des technologies de l apprentissage du CEN/ISS (Comité européen de normalisation). L AFNOR a ainsi créé très récemment (2001) un groupe de travail AFNOR/CN36 TI- EFA -Technologies de l information pour l éducation, la formation et l apprentissage pour contribuer aux efforts de CEN/ISS et de l ISO. Ce groupe de travail est structuré en quatre commissions qui se penchent sur les problématiques suivantes : Métadonnées/Vocabulaire. Techniques collaboratives. Compétences, qualification et base de cours. Modèles pédagogiques, stratégies d apprentissage et base de données. L organisme ISO qui s occupe des standards de l éducation a établi le groupe de travail "Metadata for Learning Resources" (ISO/IEC JTC1 SC36 WG4). Ce groupe compte avec la participation d experts de plusieurs pays, dont la France, représentée, entre autres, par l AFNOR. Ce projet a été créé parce que le standard LOM de l IEEE n a pas été accepté comme norme ISO. Dans ce projet, il s agit de respecter les implémentations du LOM qui sont nombreuses tout en rendant possible ses évolutions. IEEE-LTSC (Institute of Electrical and Electronics Engineers) L IEEE (Institute of Electrical and Electronics Engineers : Institut des Ingénieurs en électricité et électronique) est une organisation centrale qui possède un rôle essentiel de pôle de réflexion et de proposition en matière de standards. En tant qu organisation accréditée pour développer des normes, l IEEE soumet le plus souvent les projets de standards développés au sein de son organisation, à l Institut national américain de normalisation (ANSI : American National Standard Institute) qui luimême les présente à l ISO. 19

35 CHAPITRE I. E-LEARNING : ETAT DE L ART Depuis 1998, l IEEE pilote le comité de normalisation des technologies éducatives IEEE/LTSC (Learning Technology Standards Committee). Ce comité comprend 20 groupes de travail qui couvrent l ensemble des champs à normaliser dans l apprentissage en ligne : Métadonnées, informations sur l apprenant, gestion des contenus, de l interactivité, etc. Cet organisme international regroupe entre autres le Canada, les Etats- Unis, plusieurs pays d Europe, d Afrique, d Amérique latine, d Asie et des régions du Pacifique. Le LTSC et le groupe de travail LOM s emploient à définir des éléments pour des objets d apprentissage. Le sous-comité LTSC d IEEE est également associé aux travaux d ISO/IEC JTC1 SC36 et d IMS. ISO/IEC JTC1 SC 36 Le Comité ISO/IEC JTC1 SC36 (Joint Technology Committee, Subcommittee on Standards for Learning, Education, and Technology de l ISO) travaille à la normalisation des technologies de l information destinées à l apprentissage, à l enseignement et à la formation. Plus particulièrement, il se concentre sur les systèmes d information destinés aux apprenants, aux institutions et sur les ressources éducatives. Il se compose de plusieurs groupes qui œuvrent, entre autres, sur le vocabulaire, les technologies collaboratives, l architecture, les métadonnées, ainsi que les adaptations culturelles, linguistiques et fonctionnelles. Plus d une vingtaine de pays y participent, dont la France, et plusieurs groupes y collaborent : IEEE/LTSC, AICC, ARIADNE, IMS, ALIC, ADL, DCMI, CEN/ISSS/WSLT. I.3.4 I Normes Principales DublinCore Crée en 1995 par DCMI, DC rassemble entre autres des bibliothécaires, des documentalistes, des informaticiens. Il définit des méta-données génériques et développe des outils pour implémenter des méta-données dans les ressources. La norme du Dublin Core comprend 15 éléments de données descriptives relatifs aux ressources d information, visant à appuyer la découverte de ressources dans les applications accessibles par le Web. Elle représente le résultat d une série d ateliers internationaux entre experts. Au cours de ces ateliers, un large consensus a été atteint, relativement 20

36 CHAPITRE I. E-LEARNING : ETAT DE L ART à la définition des ressources, aux normes d encodage, à la recherche documentaire et à toute une gamme de sujets. Dublin Core constitue la principale solution de rechange pour la description de ressources d applications telles que les passerelles de sujet et les nombreuses collections numérisées. Il représente également la base d un vaste réseau sémantique interopérable s appuyant sur un ensemble d éléments de base pouvant être utilisé à grande échelle. La norme Dublin Core n empêche pas l utilisation d autres éléments nécessaires à des mises en œuvre locales. Plus récemment, des groupes de travail sectoriels ont été mis en place, en particulier le Dublin Core Education pour le domaine de l éducation. Dublin Core a pour objectif de concilier les caractéristiques suivantes : Envergure internationale : la langue de développement de l ensemble d éléments du Dublin Core était l Anglais, en revanche plusieurs versions sont créées en plusieurs autres langues. En novembre 1999, il y avait des versions en plus de vingt langues : le français, l allemand, l espagnol, le norvégien, le portugais, le grec, le thai, le finnois, etc. Afin de lier ces versions dans un registre distribué, le groupe de travail sur le Dublin Core multilingue coordonne ses efforts en utilisant la technologie du Ressource Description Framework (RDF) 5 développée par le Consortium World Wide Web (W3C) 6. Simplicité de création et de gestion : l ensemble des éléments du Dublin Core a été développé de manière à permettre aux créateurs, qui n ont pas forcément de formation spécialisée, de créer des notices descriptives pour les ressources informationnelles, de façon simple et efficace. Sémantique communément comprise : le Dublin Core peut aider les Internautes non-spécialistes à trouver leurs chemins en supportant un ensemble commun d éléments dont la sémantique est universellement comprise et supportée. Extensibilité : le modèle Dublin Core est caractérisé par un mécanisme permettant d étendre les éléments du DC pour d autres besoins de découvertes de ressources. Il permet à différentes communautés d utiliser l ensemble des éléments du DC pour la description 5. http :// 6. http :// 21

37 CHAPITRE I. E-LEARNING : ETAT DE L ART primaire de l information, qui devient alors utilisable à travers Internet, tout en permettant des ajouts spécifiques à un domaine. Par exemple, récemment le DC a été adopté par le Open ebook Publication Structure 1.0 (OEB) 7, norme de l industrie afin de soutenir la production de livres électroniques commerciaux non tributaires. Il sert également de base aux propositions récentes concernant les ensembles de données administratives, de collection et de consignation, en plus d avoir été utilisé lors du projet de matériel didactique du modèle d entreprise gouvernementale (MEG) et dans les méta-données de la Visual Resources Association (VRA) 8. Flexibilité : Bien qu au départ le projet Dublin Core ait été axé sur les ressources électroniques, des efforts ont été mis en œuvre afin d assurer une flexibilité suffisante au projet, en vue de représenter des ressources (et les relations entre les ressources) qui sont numériques et qui existent en format traditionnel. Expérience de mise en œuvre : le projet Dublin Core a été bien reçu dans différents secteurs d activités : des archives, des gouvernements étrangers, des musées, des bibliothèques et des universités, ainsi que dans les collectivités de thèmes, comprenant les arts et les lettres, les bibliographies, les affaires, l éducation, l environnement, les mathématiques, la médecine, la science et la technologie. Ces expériences ont entraîné un accroissement des modèles, des conseils concernant la mise en œuvre et des outils logiciels. I LOM ARIADNE et IMS (I.3.3.1) ont collaboré pour définir un ensemble commun de méta-données. Ils sont impliqués dans le processus de standardisation de l Educational Metadata Learning Technology Standards Committee (EMLTSC) 9 de l IEEE. Actuellement le standard LOM (Learning Object Metadata) spécifie la syntaxe et la sémantique des méta-données pédagogiques et définit les attributs nécessaires pour une description complète des ressources pédagogiques. Il consiste en un ensemble minimal de caractéristiques indispensables pour gérer les objets 7. http :// 8. http :// 9. EMLTSC : http ://grouper.ieee.org/groups/ltsc/index.html 22

38 CHAPITRE I. E-LEARNING : ETAT DE L ART pédagogiques (Learning Object). Il définit, pour l instant, neuf catégories de descripteurs. FIGURE I.1 Organisation du schéma de méta-données LOM V1.0 La version 6 du LOM définit une soixantaine de descripteurs regroupés en neuf catégories (fig. I.1)[LOM02] : a. Description générale, "General" : Dans cette catégorie l objet pédagogique est décrit dans son ensemble. On trouve les caractéristiques telles que l identifiant de l objet, son titre, sa description, la liste des langues utilisées, une liste de mots clés, l étendue de la ressource (collection, linéaire, hiérarchique, etc.), son niveau de granularité (de 1 à 4, 1 désignant un cours entier). b. Cycle de révision, "Lifecycle" : Cette catégorie décrit la liste complète des modifications ou cycle de révision. Les éléments de l ensemble de caractéristiques relatives à l historique et à l état courant de l objet pédagogique (draft, final, etc.), les personnes qui l ont modifié, leur rôle (author, instructional designer, publisher, etc.) ainsi que la date de modification. c. Méta-données sur les méta-données, "metametadata" : Cette catégorie représente un ensemble de méta-données sur les métadonnées décrivant l objet pédagogique. Cet ensemble décrit le 23

39 CHAPITRE I. E-LEARNING : ETAT DE L ART schéma ou la spécification utilisée (metadataschema). Il est possible de satisfaire à plusieurs schémas et de définir des liens dans un système de catalogage connu. d. Les informations techniques, "technical" : Cette catégorie, d ordre technique, définit les exigences techniques en terme de navigateur (type, version), de système d exploitation ou les caractéristiques comme le type ou format des données (permettant d identifier les logiciels nécessaires pour les lire), la taille de l objet numérique (en octets), sa localisation physique (URL - Uniform Resource Locatorou URI -Uniforme Resource Identifier-), des informations pour installer l objet pédagogique et sa durée (en particulier pour les fichiers de type audio, vidéo ou animation). e. Les caractéristiques pédagogiques, "educational" :Cette catégorie permet de définir les conditions d utilisation de la ressource : Comment celle-ci doit être utilisée, savoir quel est son type (exercice, figure, index...), son niveau d interactivité (de très faible à très élevée), à qui s adresse la ressource (apprenant, enseignant, auteur...), le contexte (université, formation professionnelle, école primaire...) ou la tranche d âge à laquelle s adresse la ressource. C est souvent par ces caractéristiques que l on améliore l exploitation du contenu pédagogique. f. La gestion des droits, "rights" : Cette catégorie concerne les caractéristiques exprimant les conditions d utilisation de la ressource, comme copyright (les droits liés à la ressource pédagogique), Cost (ressource payante ou non). g. L aspect relationnel, "relation" : Cette catégorie couvre les caractéristiques exprimant les liens avec d autres objets pédagogiques en précisant le genre de la relation, comme Kind (nature de la relation). h. Annotation : Cette catégorie regroupe les commentaires sur l utilisation pédagogique de la ressource. i. Classification : Cette catégorie regroupe les caractéristiques de l objet pédagogique décrites par des entrées dans des systèmes de classification (niveau de compétences, discipline, idée, restriction, objectif pédagogique, pré-requis, type d accès, niveau d études, etc.) en associant des mots clés et une description. 24

40 CHAPITRE I. E-LEARNING : ETAT DE L ART I SCORM Scorm (Shareable Content Object Reference Model) (SCORM) est une spécification regroupant un ensemble de normes déjà existantes (AICC), (LOM), (IMS-Packaging). Elle est proposée par "Advanced Distributed Learning", sous l initiative de l armée Américaine, et définit l agrégation d objets pédagogiques (Shareable Content Object : SCO), la navigation de l un à l autre, ainsi que la communication entre ceux-ci et la plateforme de formation. Par exemple, un SCO "composite" peut lier deux SCO ensembles, comme un cours et un quiz. Il est alors possible de définir des métadonnées décrivant l ensemble, puis de définir un séquencement simple ou conditionnel entre les différents SCO. L encapsulation Scorm permet ainsi à la plateforme de naviguer de l un à l autre, et au client de modifier des variables de la plateforme associées à ce cours, comme par exemple le score ou l état d avancement du cours. Le standard Scorm a été créé afin de permettre le partage et la réutilisation des objets d apprentissage. Puisque les objets Scorm contiennent un protocole universel de communication avec la plateforme, ils n ont pas besoin d être re-créés lorsque l on choisit de changer de plateforme. De plus, comme Scorm intègre la spécification LOM, il est possible de rechercher un objet pédagogique dans des bibliothèques, par rapport aux métadonnées qui caractérisent son contenu. Des logiciels auteurs permettent très facilement à l enseignant d intégrer ses documents dans des fichiers compatibles Scorm : Dreamweaver et son extension CourseBuilder, Flash suite (Adobe) sont des exemples d éditeurs très utilisés, pour produire des contenus sur une plateforme de formation. La production de petits composants permettant l évaluation des élèves (qcm, questionnaire à trou etc.) en étant adjoint au contenu permet de compléter un package Scorm, l outil Reload (Reload) permet la construction manuelle de tels packages. Des plateformes de formation importent et interfacent alors ce type d objet pédagogique. (Par exemple Ganesha, Claroline, Moodle) En effet, ces normes sont utilisées par les plateformes pour permettre la gestion des composants d un système e-learning. 25

41 CHAPITRE I. E-LEARNING : ETAT DE L ART I.4 Plateformes de Formation en ligne Une plateforme pédagogique est un logiciel qui assiste la conduite des formations ouvertes et à distance. Elle est basée sur des techniques de travail collaboratif et regroupe les outils nécessaires aux trois principaux acteurs de la formation : apprenant, tuteur, administrateur. Elle fournit à chaque acteur un dispositif qui a pour première finalité l accès à distance au contenu pédagogique, l auto-apprentissage, l auto-évaluation et le télétutorat via l utilisation des moyens de travail et de communication à plusieurs : visioconférence, , forums, chats, annotations, tableaux blancs partagés, etc. [ALGORA, 2005]. Le but est donc de combler la perte de cohésion et de stimulation de la salle que peut sentir l apprenant devant sa machine [Michel et al., 2003]. FIGURE I.2 Plateformes fonctions Les plateformes de e-learning, s articulent typiquement autour de deux systèmes : le LMS (Learning Management System) et le LCMS (Learning Content Management System). Le LMS est un système de gestion de sessions de formation, également désigné par ce terme " plateforme d e-learning". Il s agit d un système informatique considéré comme le cœur d un dispositif de-learning. Le terme LMS s applique aussi bien à des systèmes très simples de gestion des formations comme à des environnements complexes répartis. Ses principales fonctionnalités sont : 26

42 CHAPITRE I. E-LEARNING : ETAT DE L ART La gestion et l organisation de la formation sur un réseau Intranet ou Internet, La diffusion des informations sur les offres de formation, La gestion et l inscription des apprenants, La distribution des ressources pédagogiques, L organisation de parcours individualisés, La gestion de l ensemble des activités de formation, La mise à disposition d outils de coopération, le suivi et de communication tuteur/apprenant(s) et apprenant/apprenant(s). Le CMS (content management system) est un système de gestion de contenus qui permet une publication de contenus multimédia sur un réseau local ou distant, dans lequel une base de données sert à stocker les contenus. SPIP (SPIP) (système de publication pour Internet), Joomla (Joomla), Typo 3 (Typo3) sont des systèmes de gestion de contenus assez répandus. Le LCMS est le système de conception et de gestion de contenu d apprentissage. Il permet à des auteurs de créer des bibliothèques d objets pédagogiques réutilisables qui seront ensuite validés avant d être publiés et réutilisés par des tuteurs et d autres auteurs. Des données appelées méta-données sont associées à ces objets pédagogiques. Le LCMS peut, pour un apprenant donné, assurer la diffusion et le suivi de la formation à un niveau très fin : celui de l objet pédagogique. Rappelons qu à l inverse d un CMS, un LCMS est spécifique aux contenus d apprentissage. En conclusion, les LMS et les LCMS sont deux outils différents et complémentaires. La difficulté d appréhender cette différence provient notamment du fait que bien souvent les LCMS intègrent toutes les fonctionnalités de base d un LMS. Les LCMS offrent donc les services fusionnés du LMS et du CMS (ou pour une raison de simplification : LCMS = LMS + CMS. Nous proposons de présenter des plateformes représentatives de leur catégorie (prototype de recherche, logiciel commercial et logiciel libre). Ainsi, nous avons sélectionné la plateforme OWASIS en tant que prototype (il s agit d un produit local, développé à l INSA de LYON), SPIRAL de l université Lyon 1 en tant que produit fini et utilisé, WebCT comme produit commercial le plus vendu dans le monde et enfin MOODLE comme logiciel libre mondialement utilisé. 27

43 CHAPITRE I. E-LEARNING : ETAT DE L ART I.4.1 La plateforme OWASIS (Outil Web pour l ApprentiSsage à distance) Cette plateforme continue de se développer (nouvelles fonctionnalités) et d être expérimentée au sein de plusieurs départements de l INSA de Lyon avant d être mise en œuvre concrètement dans le cadre d une formation à distance. Le découpage horizontal à 3 niveaux (fig. I.3) s applique aussi bien au contenant qu aux contenus et normalise le dialogue entre les deux. Les 3 couches qui le constituent sont : a. Le niveau Support, proche du matériel, concerne les données et les services logiciels élémentaires que l on retrouve sous des formes légèrement différentes dans quasiment tout type d application Web (supports multimédias : fichiers texte, sons, vidéos, serveurs de données, chat, problèmes de sécurité,...) ; b. Le niveau Structure gère l assemblage et la structuration des données et services élémentaires (du niveau a). Il s agit de rassembler les ressources pédagogiques et outils logiciels, de les paramétrer de manière à construire des activités pédagogiques respectant des règles et/ou objectifs pédagogiques précis ; c. Le niveau Sémantique favorise la transparence en rapprochant l espace des connaissances à apprendre de l espace cognitif de l usager. Il fournit une image claire de leur organisation afin de réduire la désorientation de l usager et la difficulté que celui-ci éprouve à explorer de façon cohérente cet espace complexe. Il utilise pour cela différents modèles (de l apprenant, de la tâche d apprentissage,... ) pouvant être construits dynamiquement à partir de données captées directement par le système. L environnement OWASIS fonctionne sous Windows NT avec comme serveur Web Internet Information Server (IIS). IIS propose un accès sécurisé aux ressources, supporte les standards Internet de développement d applications web interactives. En outre, il est compatible avec la technologie Active Server Page (de Microsoft) utilisable pour créer de véritables applications dynamiques par couplage d un site et d une base de données. Le langage Java a également été choisi pour marier paramétrabilité et interactivité : par l utilisation d applets nous conservons la convivialité des interfaces tout en dynamisant (pour paramétrage) les pages du site. 28

44 CHAPITRE I. E-LEARNING : ETAT DE L ART FIGURE I.3 Structuration horizontale du système OWASIS I.4.2 La plateforme SPIRAL Le Serveur Pédagogique Interactif de Ressources d Apprentissage de Lyon 1 (SPIRAL) a été développé en 1995 par le service Practice de l université, chargé des technologies de l information et de la communication pour l enseignement. Cette plateforme pédagogique multimodale invite les enseignants à élaborer des modules d apprentissage intégrant des documents de formats variés accessibles via Internet. Les services et outils mis à leur disposition pour se faire sont les suivants : La réalisation et le stockage de ressources pédagogiques de type texte, image, vidéo, audio, animation flash, simulation, site web, références bibliographiques, glossaire Des fonctionnalités intégrées : magnétophone (audio et vidéo), wiki, cours, questionnaires (QCM, questions ouvertes, questions notées, textes à trous), outils de communication (forum, chat, blog) Des modes d exploitation variés des différentes ressources : par thématique, par niveau ou par compétence en mode global ; en séquences programmées par un agenda ; en parcours individualisé sous forme de séances Le suivi des étudiants et des outils statistiques La mutualisation des contenus La plateforme SPIRAL de l université Lyon 1 10 SPIRAL est une plateforme de type LCMS (Learning Content Management System) qui permet à la fois de produire et de gérer des ressources pédagogiques, mais également de suivre des cours en ligne. 10. http ://spiral.univ-lyon1.fr 29

45 CHAPITRE I. E-LEARNING : ETAT DE L ART I.4.3 La plateforme WebCT WebCT 11 (plus précisément la plateforme dite "WebCT Vista" ) est une plateforme internationalement connue et utilisée par un grand nombre d universités (plus de 2500 universités et grandes écoles clientes). C est un environnement intégrant différentes fonctionnalités de mise à disposition d information, de communication entre les acteurs de la plateforme, de collaboration et de gestion des apprenants. Cet environnement est organisé selon une métaphore spatiale, celle du campus universitaire. WebCT propose une interface différente pour chaque profil d utilisateur (concepteur de cours, apprenant, tuteur). WebCT, par les services proposés dans la plateforme, permet de soutenir l apprenant dans son processus d appropriation : En permettant aux concepteurs des cours d indiquer les différents buts pédagogiques d une ressource. En permettant aux concepteurs de cours de construire un planning d un module et, ensuite, aux apprenants d ajouter leurs événements personnels. En indiquant aux apprenants leurs avancements et leurs résultats aux tests. En permettant aux apprenants d annoter les pages de la formation. En mettant des forums à disposition des acteurs de la plateforme. WebCT permet de concentrer sur un même support l ensemble de l activité de la classe. La plateforme d enseignement à distance contient le contenu des modules, les forums de discussion (communication asynchrone), l espace de discussion synchrone (bureau virtuel), les tests administrés aux étudiants et un calendrier des événements importants. Enfin, WebCT permet d effectuer des statistiques précises de l avancée de l étudiant sur le support pédagogique. La plateforme WebCT est née d un projet de recherche à l Université de Colombie-Britannique de Vancouver et qu elle est ensuite devenue un produit commercial largement diffusé dans le monde, avant de faire l objet d une prise de contrôle par la compagnie Blackboard en http :// 30

46 CHAPITRE I. E-LEARNING : ETAT DE L ART I.4.4 La plateforme Moodle Moodle est un logiciel permettant la mise en place de cours en ligne et de sites web. C est un projet bénéficiant d un développement actif et conçu pour favoriser un cadre de formation socio-constructiviste. Moodle est mis à disposition gratuitement en tant que logiciel libre, suivant la licence GPL (GNU Public License). En gros, cela signifie que Moodle bénéficie d un copyright, mais que vous disposez d un certain nombre de libertés. Vous avez le droit de copier, d utiliser et de modifier Moodle pour autant que vous vous engagiez : à mettre à disposition des autres le code source ; à ne pas modifier ni supprimer la licence originale et les copyrights et à appliquer la même licence à tous les travaux dérivés. Pour plus de détails, consultez le texte complet de la licence. Contactez directement le détenteur du copyright si vous avez des questions. Moodle fonctionne sur tous les ordinateurs qui peuvent faire tourner PHP et qui peuvent mettre en œuvre une base de données (en particulier MySQL). Le terme "Moodle" était à l origine un acronyme pour " Modular Object-Oriented Dynamic Learning Environment ". Cette terminologie est surtout utile aux programmeurs et aux théoriciens de l éducation. Mais " moodle " est aussi un verbe qui décrit la façon de flâner paresseusement à travers quelque chose, faire des choses quand cela vous convient le mieux, une manière agréable d agir qui mène souvent à la réflexion et à la créativité. Ce terme s applique donc à la façon dont Moodle a été développé, tout comme à la manière des étudiants et enseignants d approcher l apprentissage et l enseignement dans un cours en ligne. Toute personne utilisant Moodle est un " moodleur ". Conclusion Le E-learning a connu une évolution croissante au cours de ces dernières années, les travaux de recherches en cours tentent de résoudre les problèmes rencontrés soit par l utilisation des normes et plateformes existantes avec un profil d application ou l introduction d autres approches. Le développement du domaine e-learning pour une formation évoluée et adaptée nécessite l introduction de différents algorithmes et 31

47 CHAPITRE I. E-LEARNING : ETAT DE L ART nouvelles technologies pour la résolution des problématiques rencontrées. L adaptabilité des systèmes de formation devient une caractéristique recherchée. Dans ce qui suit, nous allons présenter le contexte de nos recherches ; l "e-learning adaptatif" ; la problématique, notre approche proposée et aussi les différentes théories utilisées pour résoudre notre problème. 32

48 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II Une approche vers un E-Leaning Adaptatif Introduction L e-learning est une forme d enseignement qui tend à se développer partout dans le monde suite à l évolution des nouvelles technologies de l information. Ce mode d apprentissage repose à travers l accès à distance sur la mise à disposition des ressources pédagogiques et des services d apprentissage. Les derniers systèmes e-learning conçus deviennent de plus en plus adaptatifs à l utilisateur. Un système pédagogique adaptatif met en œuvre des processus qui exploitent la connaissance du domaine, la connaissance sur les apprenants et la connaissance sur l évolution d apprentissage pour offrir des approches et des contenus pédagogiques personnalisés. Les méthodes et les techniques d adaptation varient considérablement d un système à un autre. Ce chapitre définit d abord le terme "e-learning", ses enjeux et présente un historique des évolutions des systèmes e-learning. Il expose ensuite le contexte de notre problématique, à savoir le e-learning adaptatif, et quelques approches utilisées pour l adaptation de la formation. Puis, il présente notre approche proposée. Et enfin, il définit les algorithmes génétiques et leurs utilités dans la résolution des problèmes d optimisation, et s achève par l application de ces algorithmes dans nos recherches, ainsi que la fuzzification des données d entrée dans notre système, à savoir : le profil, l objectif. 33

49 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II.1 II.1.1 Contexte : E-learning E-learning : définitions L évolution de l Internet et le développement des contenus pédagogiques ont attribué l apparition d un nouveau mode d enseignement appelé e-learning (electronic learning). Ce mode est utilisé dans plusieurs domaines notamment le suivi de la formation des employés ou l autoformation. Ceci est dû au fait qu il permet d accommoder l horaire d apprentissage avec les autres activités de l apprenant et l accès à des ressources d apprentissage diversifiées (image, audio, vidéo, simulations,...). Une définition assez complète d " e-learning " a été proposée par le Ministère de l éducation nationale, de l enseignement supérieur et de la recherche en France :[Educnet 06] " tout dispositif de formation qui utilise un réseau local, étendu ou l Internet pour diffuser, interagir ou communiquer, ce qui inclut l enseignement à distance, en environnement distribué, l accès à des sources par téléchargement ou en consultation sur le net. Il peut faire intervenir du synchrone ou de l asynchrone, des systèmes tutorés, des systèmes à base d autoformation, ou une combinaison des éléments évoqués. Le e-learning résulte donc de l association de contenus interactifs et multimédia, de supports de distribution (PC, internet, intranet, extranet), d un ensemble d outils logiciels qui permettent la gestion d une formation en ligne et d outils de création de formations interactives (fig.ii.1). L accès aux ressources est ainsi considérablement élargi de même que les possibilités de collaboration et d interactivité ". Chez [ilasallecampus 2008], ce mode d apprentissage correspond à un système évolué de formation, reposant sur des formations telles que le CBT et le WBT. WBT (Web Based Training) : La WBT ( Formation Assistée par Internet) est donc un dispositif pédagogique d autoformation sur ordinateur à l aide d une ressource accessible via l Internet ou l Intranet de l entreprise et donc stockée sur un serveur distant. [ilasallecampus 2008] Computer Based Training CBT : 34

50 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF FIGURE II.1 Composants E-learning Le CBT désigne les apprentissages réalisés à l aide d un ordinateur. Le support de cours est généralement un CD-Rom. Le CBT a constitué l une des premières étapes de l apprentissage électronique (Enseignement Assisté par Ordinateur). Cette option perd aujourd hui du terrain au profit des formations en ligne.[educnet 06] II.1.2 Avantages et Inconvénients L utilisation des dispositifs e-learning se répand de nos jours et conduit à l apparition de plusieurs refrains d utilisation. Pour citer les différents avantages et inconvénients d E-learning nous devons prendre en compte trois acteurs : l apprenant, l entreprise et le formateur.(table II.1) N oublions pas que pour effectuer et réussir une formation à distance, les apprenants doivent faire preuve de quatre qualités principales, qui sont la motivation, l autonomie, la discipline et l autogestion. 35

51 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF TABLE II.1 Avantages et Inconvénients d E-learning Avantages Inconvénients Facilité de partage, d échange et d utilisation des modalités d apprentissage variées (séquences audio, vidéos, animations, schémas) Flexibilité et adaptabilité selon ses disponibilités (heure, lieu) : * permettre à l apprenant d apprendre à son rythme et de manière individualisée ; * permettre une formation "juste à temps" : l entreprise peut l utiliser à n importe quel moment. Réduction relative des coûts pour les apprenants et les formateurs ( élimination des frais d hébergement et de déplacement) Accroissement de l accessibilité de la formation. Dépendance des contraintes techniques comme : * la taille de la bande passante qui affecte l exécution des éléments multimédia. * les problèmes de connexion. * les problèmes liés aux ressources matérielles et logiciels. Absence du contact Humain : le formateur ne peut pas jouer son rôle d animation, de support et d accompagnement réalisable au cours d une formation présentielle. Manque d interactivité surtout pour les modules en lignes sous forme de livres. Investissement initial important en termes de temps et de ressources. Taux d abandon assez élevé surtout pour les dispositifs qui ne proposent pas d accompagnement ou de périodes de regroupement. II.1.3 E-learning : enjeux fonctionnels et organisationnels Généralement, l e-learning vise à : Rendre plus efficaces, plus solides, plus adaptés les processus d apprentissage et l accès à la connaissance. Profiter des avantages des technologies éducatives notamment l interactivité, la simulation... Profiter des avantages de la formation à distance particulièrement une plus grande autonomie tout en éliminant les inconvénients de matérialiser le processus d éducation. 36

52 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF Les applications d e-learning sont plus nombreuses à condition de réunir les critères pédagogiques et organisationnels de l efficacité. Fonctionnellement, à travers e-learning, les responsables de formation cherchent à : Personnaliser la formation. Gagner du temps. Réduire les coûts. Démultiplier les thèmes de formation. Rendre plus efficace l apprentissage. Organisationnellement, on constate également : La normalisation des supports d auto-formation et une approche qualité. L approvisionnement des offres de formation. L extension des perspectives de diffusion auprès des salariés, des fournisseurs, des clients. Les effets observés à ce niveau sont liés à la mise en place englobant plusieurs offres. Une gamme d offres et de nouveaux modes de commercialisation : La mise en œuvre d un système de e-learning englobe plusieurs offres : L e-learning permet de développer les conditions d accès à la formation en raison de sa souplesse et de son économie. La présence sur les portails de formation publics et privés démultiplie l audience des offres au plan commercial. Une partie des ressources pédagogiques est diffusée au grand public proposant ainsi des formations gratuites. De plus, le suivi de la formation, la validation des connaissances acquises, les services de conseils peuvent être proposés comme valeur ajoutée. II.1.4 E-learning évolutions [Brusilovsky and Peylo, 2003] identifie trois paradigmes majeurs de développement en AI-Ed (Artificial Intelligence in Education).(voir table II.2) 37

53 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF TABLE II.2 Historique d intelligence artificielle en éducation Paradigmes Présentation Technologies utilisées Intelligent représente les années de Curriculum sequencing, Computer-Assisted 1970, utilise les ordinateurs Intelligent Instruction (ICAI) centraux classiques et les Intelligent Tutoring Systems (ITS) mini-ordinateurs comme plateformes. Objectif : transférer les connaissances aux étudiants, et de ce fait le matériel d apprentissage (présentations, exercices et problèmes). représente les années de , ces systèmes utilisent les ordinateurs personnels (personal computers) comme plateforme de support. solution analysis. [Carbonell 1970, Brown et al, 1973, Koffman et Perry, 1976, Brown et Burton, 1978]. Interactive solving support problem Web-based educational systems (WBE) Objectif : passer de la présentation du matériel d apprentissage au support de l étudiant dans la résolution des problèmes formation des connaissances procédurales. représente la fin des années de , ces systèmes utilisent le WWW comme plateforme de support. Objectif : inclure en même temps la distribution du contenu, le support de la résolution des problèmes et le support de travail collaboratif. Curriculum sequencing, Adaptive hypermedia, Adaptive information filtering, Intelligent solution analysis, Intelligent collaborative learning, Class monitoring. 38

54 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II.2 E-learning adaptatif L Éducation Basée sur le Web EBW (Web Based Education) est actuellement un secteur de recherches et de développement très animé. Les avantages de l EBW sont : l indépendance de salle de classe et l indépendance de plateforme. Le support pédagogique de Web installé et soutenu peut être employé par des milliers d étudiants partout dans le monde qui sont équipés de n importe quel genre d ordinateur Internetconnecté. Des milliers de cours basés sur le Web et d autres applications éducatives ont été rendus disponibles sur le Web dans les dernières années. Le problème est que la plupart d entre eux n est rien davantage qu un réseau des pages statiques d hypertexte. Un objectif stimulant de recherches est le développement des applications éducatives avancées basées sur le Web qui peuvent offrir une certaine quantité d adaptativité et d intelligence. Ces dispositifs sont importants pour des applications d EBW puisque les étudiants à distance travaillent habituellement à leurs propres (souvent de la maison). II.2.1 Adaptation et systèmes e-learning Le mot adaptation est apparu avec le développement des plateformes et applications éducationnelle. Cette caractéristique s avère plus importante pour une formation en ligne évoluée. Il n est pas facile d obtenir une aide intelligente et personnalisée qu un professeur ou un étudiant de pair (peer student) peut fournir dans une situation normale de salle de classe. En outre, il est important que le support pédagogique Web-based soit adaptatif puisqu il va être employé par une variété beaucoup plus grande d étudiants que n importe quelle application éducative "autonome". Un support pédagogique de Web qui est conçu avec une classe particulière des utilisateurs peut ne pas convenir à d autres utilisateurs. En fait, un système adaptatif doit être capable de : gérer les parcours d apprentissage adapté à chaque utilisateur, contrôler les activités de l utilisateur, interpréter ces activités en utilisant des modèles spécifiques, en déduire les besoins de l utilisateur et ses préférences, et exploiter l utilisateur et les connaissances du domaine 39

55 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF pour faciliter dynamiquement le processus d apprentissage [Boticario et al, 2005]. FIGURE l adaptativité II.2 Différents types de processus d adaptation : de l adaptabilité à Dans la figure II.2[Villanova02], on distingue quatre types du processus d adaptation : Type A : Contrôle total de l utilisateur. Type B : Propositions d adaptations initiées par le système, mais sélectionnées et mises en œuvre par l utilisateur. Type C : Adaptations initiées (demandées) par l utilisateur puis choisies et réalisées par le système. Type D : Aucun contrôle de l utilisateur (Adaptation automatique réalisée par le système). II.2.2 Quelques Approches adaptatives utilisées Dans ce qui suit, nous étudierons quelques approches adaptatives pour les comparer avec notre solution proposée. Parmi ces approches, nous distinguons l utilisation des formats prédéfinis pour la création des cours, des hypermedias adaptatifs ou l utilisation des algorithmes évolutionnaires. 40

56 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II Approche par conception de cours Quand un auteur dépose un cours dans le serveur, il met en place le graphe de connaissances associé en indiquant pour chaque sommet, la partie du cours qui lui est liée. Le graphe des connaissances est matérialisé par une table UC (Unité Connaissance) où chaque "tuple" représente une unité de connaissance et la table Liens représentant les deux types de liens entre unités de connaissances (lien hiérarchique et lien de précédence) [Balla et al, 2004]. FIGURE II.3 Processus d adaptation d un cours II Approche GAITS GAITS était un des premiers systèmes éducatifs utilisant les algorithmes génétiques. Les techniques d éducation supervisé sont employées, l enseignant assigne un objectif pédagogique pour chaque apprenant avant que la formation commence[quafafou, 1993]. Dans le but d accomplir cet objectif, le tuteur interagit avec l apprenant en utilisant des dialogues prédéfinis. Ces dialogues sont composés d un entête et d un corps. L entête contient les connaissances préliminaires requis pour considérer ce dialogue comme un candidat de la leçon actuelle, un niveau d apprentissage et une stratégie d apprentissage pour présenter la leçon. Le corps représente le matériel pédagogique qui définit les interactions ( exposition, question/réponse, jeux,...)[mock, 1996]. Le modèle de l apprenant contient une population d individus, où un individu est un tableau contenant des connaissances acquises, un niveau 41

57 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF d apprentissage, une stratégie d apprentissage, et le nombre de fois où l étudiant a accepté et a rejeté cette connaissance. Compte tenu d une population de tableaux de ces tuples, Shadow [Mock, 1996] emploie un algorithme génétique sur la population afin de maximiser les individus dont les caractéristiques ont reçu des commentaires positifs. II Approche par colonie de fourmi Plusieurs travaux de recherche ont utilisé les algorithmes de colonies de fourmis (une classe des algorithmes évolutionnaires récemment proposée pour des problèmes difficiles). Le but était d effectuer le suivi de l apprenant pendant la navigation dans les liens des cours et étudier ses traces. Avec une simple décomposition de cours en sections et unités, l algorithme de colonies de fourmis pourrait résoudre le problème de guider les apprenants dans leur apprentissage. Les principaux mécanismes utilisés dans cet algorithme est la propagation de l information (l efficacité de la didactique des unités d apprentissage, la pertinence des arcs et la tendance des apprenants) accumulés par le système grâce à la navigation des apprenants entre les unités d apprentissage du cours. Ce mécanisme de communication de l information décrit le mode de fonctionnement de la colonie de fourmis. L objectif de ce dispositif de commutation est de guider l apprenant à la plus conforme unité.[haddi et al, 2008]. Une autre approche consiste à assimiler l apprenant à une fourmi [Crescenzo et al, 2005]. La modélisation d un cours sous forme d un graphe orienté permet d appliquer cet algorithme au e-learning. chaque nœud du graphe représente une leçon, chaque arc orienté, la possibilité de passer de cette leçon à une autre. L apprenant peut alors être assimilé à une fourmi qui recherche le meilleur chemin pour parvenir au but, réussir les tests liés à la dernière leçon de ce cours. Le meilleur chemin à suivre se construit peu à peu grâce aux phéromones laissées par l apprenant au fil de son apprentissage, de ses échecs et de ses succès. De telles approches sont utilisées pour des groupes d apprenants en enregistrant la trace des apprenants au cours de la navigation dans l ensemble des cours. 42

58 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II.3 Problématique : Vers une meilleure exploitation des ressources pédagogiques pour une formation adaptée à l apprenant. Suite à l évolution des nouvelles technologies de l information, plusieurs cours ont été rendu disponible sur le web par le biais des plateformes d éducation, des sites ou des applications éducationnelles. Ces cours sont conçus selon différents formats, pour des objectifs spécifiques et suivant l expertise de l enseignant. Comment peut-on avoir une formation adaptative sans avoir à restructurer ces cours? Peut-on partir des systèmes e-learning ordinaires qui effectuent la distribution du contenu à un système plus intelligent qui prend en compte le profil de l apprenant pour une formation plus adaptée selon l objectif pédagogique visé? Peut-on réutiliser les ressources et permettre une formation adaptée? Notre objectif de recherche est de contribuer au développement des systèmes tutoriels intelligents et adaptatifs. Dans un système adaptatif d enseignement, les caractéristiques les plus visées sont : La rentabilité : produire des résultats plus significatifs du point de vue qualité et finance ; La réutilisabilité : réutiliser les ressources pédagogiques déjà existantes ; La flexibilité : facile à implémenter sur plusieurs différentes plateformes ; L adaptabilité : s adapter à plusieurs profils d apprenants ; L interactivité : gérer les réactions des apprenants au cours de la formation. Ajouter une partie adaptative pour l utilisation d une plate-forme d elearning nécessite une réflexion approfondie. L apprenant doit être guidé lorsqu il consulte ses cours mais l adaptation des cours doit aussi lui permettre de mieux comprendre ses démarches d apprentissage et ainsi de pouvoir s autoévaluer. L e-learning adaptatif va donc pouvoir aider l apprenant à être plus autonome, à avoir une meilleure compréhension d un cours mais aussi de mieux appréhender et gérer sa façon d apprendre. Notre recherche est orientée vers les systèmes éducationnels Web- 43

59 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF based intelligents et adaptatifs avec comme technologie le Curriculum Sequencing (voir table I.1). Le type d adaptation recherché le type C (Figure II.2) : Adaptations initiées (demandées) par l utilisateur puis choisies et réalisées par le système. II.3.1 Notre Approche Proposée Pour répondre à de tels besoins, nous avons conçu un système d elearning adaptatif basé sur la modélisation de la description des ressources pédagogiques pour pouvoir proposer à l apprenant le parcours le plus adapté à son profil en utilisant des algorithmes d optimisation. Nous avons utilisé les algorithmes génétiques pour fournir à un étudiant ayant un profil donné le chemin optimal pour atteindre un objectif pédagogique prédéfini. Afin de faciliter la recherche et la proposition de ressources adaptées au profil de l apprenant en cours et à l objectif pédagogique visé par la formation, dans notre application, nous proposons de modéliser la description de ressources pédagogiques en une fiche descriptive sous format XML. Actuellement les systèmes adaptatifs exigent une reconstruction des cours selon un format définit par le chercheur. Pour remédier à de telles exigences, nous proposons de modéliser la description des ressources quelque soient leurs formats en se basant sur les connaissances présentes. En fait, pour suivre une formation définie (un cours), l apprenant doit avoir comme connaissances préliminaires certains concepts définis par l auteur de la ressource pédagogique ou un expert, nous les appellerons les pré-requis concepts. Après avoir suivi ce cours, l apprenant doit avoir acquis certains concepts (but pédagogique de ce cours), nous les appellerons les concepts acquis (post-concepts). Ces différents informations seront enregistrées dans une fiche qui sera utilisée lors de la recherche du parcours optimal. Les ressources appartenant à un même module abordent différentes connaissances (concepts) selon l objectif pédagogique de la formation. Le choix d une description basée sur les concepts nous permet de rester indépendants de toute approche pédagogique, et de tout format de ressource. La modélisation de la description des ressources 44

60 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF [Azough et al, 2008] en format XML permettra leur réutilisation. Elle permet aussi la conception automatique de différents parcours pédagogiques et ainsi la sélection du parcours adapté au profil de l apprenant [Azough et Bellafkih, 2007]. L approche utilisée pour décrire un cours est donc basée sur l apprentissage de l état prévu d un apprenant virtuel avant et après avoir suivi ce cours. Le profil de l apprenant est l état initial avant le suivi de la formation. L objectif pédagogique est l état final visé du profil après le suivi de la formation. La recherche du parcours adapté est transformée en un problème d optimisation de recherche du chemin optimal d aller d un point de départ (profil de l apprenant) à un point final (objectif pédagogique) en passant par des points intermédiaires (cours). Le schéma général du système est présenté dans la figure II.4. FIGURE II.4 Schéma initial du système 45

61 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II.3.2 Présentation du Problème d optimisation Nous disposons d une base de ressources qui regroupe tous les cours qui peuvent être suivis par les étudiants inscrits dans cette formation. Chacun de ces étudiants est soumis à un ensemble de contrôles lors de l inscription pour pouvoir connaître ses acquis préliminaires et les présenter parmi les attributs de son profil. L objectif est de fournir à chaque étudiant une liste de cours adapté à son profil et à l objectif pédagogique qui, défini par le formateur, présente les capacités que le formé doit avoir acquis à l issue d une action de formation. Sachant que chacun des cours requerra un ensemble de pré-requis, nous devons fournir à l étudiant en question l ensemble de cours à suivre pour pouvoir apprendre les acquis présentés dans l objectif (but) de la formation. Il s agit de fournir la stratégie optimale pour arriver à un état final (acquis à apprendre ou concepts post-acquis) en partant d un état initial (profil de l apprenant). Nous cherchons donc à optimiser la liste de cours à suivre. Exemple : But G = {1, 2, 4, 5, 7, 8, 10} Objectif de la formation : Concepts à acquérir. Profil initial P = {1, 2, 3} Profil de l apprenant en cours : acquis préliminaires. But final Gf = {1, 2, 3, 4, 5, 7, 8, 10} les concepts restants à apprendre. Considérons les cours suivants : cours1 {0, 1, 3, 4, 5, 6} cours2 {0, 1, 3, 4, 7} cours3 {0, 1, 8} cours2 {0, 1, 3, 4, 5, 10} Il s agit de chercher la fonction µ qui vérifie µ(p i) proche de µ(gf) ou la fonction qui minimise µ(gf) µ(p i). Avec Pi Profil intermédiaire après le suivi d un cours. Programmation Linéaire Considérant : 46

62 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF E l ensemble des cours qui peuvent suivis par un apprenant de profil V s pour atteindre un objectif V g, V cpost ensemble des post-concepts d un cours C, V i profil intermédiaire après le suivi d un cours, I Ensemble des cours dont les pré-concepts sont inclut dans V i, (ensemble des cours qui peuvent être suivis par un apprenant ayant un profil V i ), J Ensemble des cours qui fournissent des concepts déjà acquis, S Solution : Liste de cours à suivre. On cherche les cours dont les post-concepts sont inclus dans l ensemble représentant l objectif final et les pré-concepts sont inclus dans l ensemble représentant le profil, puis on choisit le cours qui maximise la fonction d adaptation et on l ajoute à la solution, on prédit le profil à obtenir après le suivi du dernier cours et on refait la recherche jusqu à l acquisition de tous les concepts du But final. Algorithme E = {C avec V cpost (V g \ V s )} V i = V s, S = Listevide tant que (V g V i V g ) I = {C E avec V cpre V i } Calculer µ(c i ) pour tout C i I Rechercher C m avec µ(c m ) = max µ(c i ); C i I Ajouter Cm à S V i = V i V Cmpost J = {C I avec V cpost V i } E = E \ J fin de tant que Afficher S. V s Etat initial de l apprenant. V g Objectif de la formation. V i Etat intermédiaire de l apprenant. S Solution pour partir de V s à V g. V cpost Ensemble des concepts post-acquis du cours C. V cpre Ensemble des concepts pré-requis du cours C. µ Degré d adaptation d un cours : fonction à maximiser. V Cmpost Ensemble des concepts acquis après le suivi d un cours C m 47

63 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II Reformulation vectorielle Pour adapter une formation à un profil, nous considérons les données suivantes : Chaque concept c k nécessite la connaissance des concepts c i..c j c k. V s = α 1..α n, vecteur représentant l état initial du profil de l étudiant avec n Nombre de concepts de base Note de l étudiant par rapport au concepti α i V g = β 1..β n, vecteur représentant l objectif ou le but de la formation ou état final du profil de l étudiant après le suivi de la formation avec β i Note visée de l étudiant par rapport au concept i. V j = γ 1..γ n prédiction du profil de l étudiant après le suivi du cours C j. avec γ i Note prédite de l étudiant par rapport au concept i. Pour chaque cours C i, on a : Pré-requis Cours Post-acquis c 1... cours i c 3... Le problème se transforme en un problème d optimisation où on peut appliquer les algorithmes d optimisation pour rechercher le chemin le plus adapté pour arriver à notre but. Le paramètre utilisé est la distance entre V j et V g. II Choix des algorithmes Le choix de l algorithme d optimisation influence la solution obtenue. En tenant compte que nous travaillons sur des prédictions, nous ne pouvons pas utiliser les algorithmes de recherches automatiques. Il s avère nécessaire d utiliser des algorithmes évolutionnaires. Les algorithmes de fourmi permettent le suivi de la navigation des étudiants à travers les ressources pédagogiques. Ils sont plus utilisés pour des groupes d apprenants pour lesquelles on enregistre la trace. Dans notre problème, nous travaillons sur des individus apprenants. Chacun d eux nécessite la recherche d un parcours associé optimal pour atteindre son objectif. Les algorithmes génétiques permettent 48

64 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF d automatiser la recherche de la solution optimale tout en travaillant sur des données prédis. Dans la mise en œuvre, nous avons utilisé un codage binaire ; la description des données est également booléenne. Au cours du développement, on constate que les ressources pédagogiques comprennent différents niveaux des problèmes et certains d entre eux sont conçus pour un groupe spécialisé d apprenants comme cours pour avancés ou apprenants débutants. En outre, les applications créées pour évaluer l apprenant fournissent des profils contenant les notes (ou pourcentages) obtenues pour chaque unité d apprentissage. Certains d entre eux utilisent des systèmes flous pour automatiser l évaluation [Hameed et Sorensen, 2010, Mossin et al, 2010]. En raison de cette observation, la solution trouvée à l aide du codage binaire peut ne pas être mieux adaptée à l apprenant actuel. À l aide de la logique floue, nous pouvons faire évoluer vers une description de ressources pédagogiques mise au point avec les variables linguistiques. II.4 Présentation des algorithmes évolutionnaires II.4.1 Historique Les AE font partie du champ de l Intelligence Artificielle (IA). Il s agit d IA dite de "bas niveau", inspirée par " l intelligence " de la Nature. L Intelligence que l on peut définir de la façon suivante : " the capability of a system to adapt its behaviour to meet its goals in a range of environments "[Fogel, 95]. Trois types d AE ont été développés isolément et à peu près simultanément, dans les années 60, par différents scientifiques : les Algorithmes Génétiques, les Stratégies d Evolution, et la Programmation Evolutionnaire [Bäck, 1997]. Dans les années 90, ces trois champs ont commencé à sortir de leur isolement et ont été regroupés sous le terme anglo-saxon d Evolutionnary Computation. Ainsi en avril 1997, un IEEE Transactions on Evolutionary Computation a vu le jour [Fogel, 1997]. 49

65 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF Notons que les AE incluent également la Programmation Génétique qui consiste à faire évoluer le code d un logiciel afin qu il remplisse au mieux certaines taches. Citons enfin le domaine de la Vie Artificielle où l on tente de reproduire les mécanismes de la vie dans la mémoire d un ordinateur afin de mieux comprendre l organisation et l évolution du vivant. Parmi les AE que nous venons de citer, nous avons choisi de traiter des Algorithmes Génétiques (AG). En effet, ils nous paraissaient concilier au mieux puissance, généralité et facilité de programmation. Leur particularité est qu ils sont fondés sur le Néo-Darwinisme, c està-dire l union de la théorie de l évolution et de la génétique moderne. Ainsi, les variables sont généralement codées en binaire (par analogie avec les quatre lettres de l alphabet génétique) sous forme de gènes dans un chromosome. Des opérateurs génétiques (croisement, mutation) sont appliqués à ces chaînes binaires que sont les chromosomes [Bäck, 96, Goldberg, 1994]. II.4.2 Principe Les Algorithmes Evolutionnaires (AE) sont une famille d algorithmes s inspirant de la théorie de l évolution pour résoudre des problèmes divers.. En vue d imiter les processus d évolution observés dans la nature, la première adaptation des premiers AE, à travers les algorithmes génétiques, aux problèmes d optimisation combinatoire, a été réalisée par Holland, dans les années 70 [Holland 92]. Les algorithmes génétiques (AG) ont été ensuite développés par d autres chercheurs comme Goldberg, Davis et Michalewicz [Goldberg, 1989, Davis, 1987, Michalewicz 94]. Les AG constituent certainement l exemple le plus connu (ou populaire) des algorithmes évolutionnaires [Dréo 03]. Depuis, d autres variantes de ces algorithmes ont été aussi développées, telles que les algorithmes à stratégie d évolution [Schwefel, 1997], la programmation génétique et la programmation évolutionnaire [Bounsaythip, 1998]. 50

66 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF FIGURE II.5 Organigramme d un Algorithme Evolutionnaire La Figure II.5 présente l organigramme d un AE. Il s agit de simuler l évolution d une population d individus divers (généralement tirée aléatoirement au départ) à laquelle on applique différents opérateurs (recombinaisons, mutations...) et que l on soumet à une sélection, à chaque génération. Si la sélection s opère à partir de la fonction d adaptation, alors la population tend à s améliorer [Bäck, 96, Bäck, 1997]. Un tel algorithme ne nécessite aucune connaissance du problème : on peut représenter celui-ci par une boîte noire comportant des entrées (les variables) et des sorties (les fonctions objectif). II.4.3 Mise en œuvre des algorithmes évolutionnaires La mise en œuvre d un algorithme évolutionnaire nécessite plusieurs étapes de conception et de choix de certains paramètres. En effet, il est important de choisir le codage des solutions, l opérateur de sélection et le processus de renouvellement de la population, via les opérateurs de croisement et de mutation. 51

67 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II Choix d un codage Premièrement, il faut représenter les différents états possibles de la variable dont on cherche la valeur optimale sous une forme utilisable par un AE, c est-à-dire par le codage approprié des solutions sous forme de chromosomes ou génotypes. Cela permet d établir une connexion entre les valeurs de la variable et les individus de la population, de manière à imiter la connexion qui existe en biologie entre le génotype et le phénotype. Il existe principalement deux types de codage : le codage binaire (représentation sous forme de chaîne binaire) et le codage réel (représentation directe des valeurs réelles de la variable). Le codage peut être direct, quand il y a une correspondance bijective entre l ensemble des chromosomes et celui des solutions qui leur correspond. Il peut être indirect, quand un générateur doit être utilisé pour définir la solution associée à un chromosome. Aussi, il peut être mixte, lorsqu il combine les deux codages [Aloulou, 2002]. II Opérateur de sélection La sélection consiste à choisir les individus de la population courante qui vont survivre et se reproduire. Elle est réalisée en fonction de la valeur de la fonction de coût qui évalue les solutions. L opérateur de sélection joue ainsi un rôle primordial dans la détermination de la performance des nouvelles générations et donc dans l amélioration de la qualité des solutions. Plusieurs techniques de sélection sont utilisées par les chercheurs ; elles peuvent être déterministes ou stochastiques [Bounsaythip, 1998] : La sélection déterministe consiste, par exemple, à garder les meilleurs individus au sens de leurs coûts et à rejeter le reste, ce qui implique leur classement ou "ranking". Une sélection stochastique peut être réalisée par la technique de la roulette pondérée [Goldberg, 1989], où chaque individu occupe une surface de la roue proportionnelle à sa valeur de la fonction de coût. En supposant que f i est la valeur de la fonction de coût associée au i- ème individu, la probabilité de sélection de ce dernier est en fait égale à f i avec f s = f j f s j 52

68 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF L inconvénient de la sélection réside dans le choix exclusif des meilleurs individus de la population, au détriment de la diversité des solutions. L algorithme risque ainsi de converger prématurément. Pour avoir une bonne exploration de l espace de recherche, des opérateurs de croisement et de mutation sont appliqués aux individus sélectionnés, pour en créer des nouveaux. Il existe d autres méthodes de sélection, la plus connue étant celle du tournoi (tournament selection) : on tire deux individus aléatoirement dans la population et on reproduit le meilleur des deux dans la nouvelle population. On applique cette procédure jusqu à ce que la nouvelle population soit complète. Cette méthode donne de bons résultats. Toutefois, aussi importante que soit la phase de sélection, elle ne crée pas de nouveaux individus dans la population. La création des nouveaux individus est le rôle des opérateurs de croisement et de mutation. II Opérateur de croisement Le croisement est une étape de recombinaison essentielle de l algorithme évolutionnaire car il permet l exploration de l espace de recherche. Une fois la population intermédiaire déterminée, les individus sont aléatoirement répartis en couples. Les chromosomes sont alors copiés et recombinés de façon à former, en général, deux descendants possédant des caractéristiques issues des deux parents. On forme ainsi la génération suivante. L opérateur de croisement opère avec une probabilité p c, fixée selon le problème concerné. Plus ce taux est élevé, plus il y a de nouvelles structures qui apparaissent dans la population. Mais, s il est trop élevé, les bonnes solutions risquent d être modifiées trop vite par rapport à l amélioration que peut apporter la sélection. D autre part, si le taux de croisement est très faible, la recherche risque de stagner, à cause du faible taux d exploration. Parmi les méthodes de croisement les plus utilisées on peut souligner trois opérateurs : le croisement à un point, le croisement multi-points et le croisement uniforme : Croisement à un point : il s agit de choisir, au hasard, un point de croisement pour chaque couple de chromosomes et d effectuer un échange des ensembles d allèles se trouvant de part et d autre de ce 53

69 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF point entre les deux parents (Figure II.6). On peut étendre ce principe en découpant le chromosome non pas en 2 sous-chaînes, mais en 3, 4, etc. [Bridges, 1991] FIGURE II.6 Exemple d un croisement à un point Croisement multi-point : dans ce cas, plusieurs points de croisement sont sélectionnés et il y a un échange des différentes parties d allèles cernées par ces points, entre les parents. La figure II.7 illustre un croisement à deux points. FIGURE II.7 Exemple d un croisement à deux points Croisement uniforme : il opère à l aide d un masque qui représente les tirages aléatoires, pour décider de la transmission de la valeur de l allèle à l un ou l autre des descendants. Si, à la même position que l allèle, la valeur du masque est égale à 1, l allèle du parent 1 passe à celui de l enfant 1 et l allèle du parent 2 passe à l enfant 2. Sinon, c est l inverse qui se produit (figure II.8). 54

70 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF FIGURE II.8 Exemple d un croisement uniforme D autres types de croisement, plus spécifiques au problème traité, peuvent bien entendu être utilisés dans le cadre d un algorithme génétique [Durand, 1996]. L efficacité du croisement dépend souvent de son adaptation au problème. II Opérateur de mutation La mutation est définie comme étant la modification aléatoire de la valeur d un allèle dans un chromosome. La figure II.9 illustre un exemple de mutation appliquée à la position 9 d un chromosome binaire. Elle joue le rôle de bruit, empêche l évolution de se figer et garantit que l optimum global peut être atteint. Cet opérateur évite donc une convergence prématurée vers les optimums locaux. Il est appliqué avec une probabilité fixée, p m. Le taux de mutation rend la recherche trop aléatoire s il est trop élevé. Par ailleurs, s il est trop faible, la recherche risque de stagner. FIGURE II.9 Exemple de mutation Il existe d autres façons d effectuer des mutations : 55

71 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF transposition de deux allèles consécutifs, transposition d allèles dans un chromosome, inversion de l ordre des allèles présents entre deux coupes. Il est aussi possible d associer une probabilité de mutation différente à chaque gène, selon le principe de l auto-adaptation, où chaque variable est soumise au processus d évolution. L individu possède ainsi un second chromosome codant ces probabilités. En général, cet opérateur permet l exploitation des individus non explorés par le croisement : si, par exemple, la solution optimale doit avoir la valeur 1 à la position 9 du chromosome, alors que dans la population initiale tous les individus ont 0 dans cette position, l opérateur de croisement n arrive jamais à explorer cette solution. En conclusion, une fois que la performance de chaque individu dans la population actuelle est évaluée, les mécanismes évolutionnaires entrent en jeu pour procéder à l exploration de l espace des valeurs. Les opérateurs de reproduction (ou opérateurs génétiques) cherchent à imiter ces mécanismes. Les générations se succèdent, jusqu à l obtention des solutions satisfaisantes le critère d arrêt de l algorithme. II Caractéristiques des algorithmes évolutionnaires Les AE sont capables de s adapter à n importe quel espace de recherche. Ils demandent une mesure de la qualité de la solution et nécessitent la définition de l espace par un codage et des opérateurs qui lui permettent de le parcourir efficacement. Le principal avantage des AE par rapport aux autres techniques d optimisation (énumératives, hill-climbing, etc.) consiste en une combinaison de : l exploration de l espace de recherche, basée sur des paramètres aléatoires, grâce à une recherche parallèle, l exploitation des meilleures solutions disponibles à un moment donné. Néanmoins, comme pour les méthodes par voisinage, ces algorithmes ont des inconvénients. Le choix des codages et des opérateurs les plus adéquats est lié aux spécificités du problème. En outre, il est nécessaire d effectuer plusieurs expérimentations pour ajuster les paramètres de 56

72 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF l algorithme (taille de la population, probabilités de croisement et de mutation, nombre de générations, etc.). Quelle doit être la taille de la population? Une population trop petite évoluera probablement vers un optimum local peu intéressant. Une population trop grande sera inutile car le temps de convergence sera excessif. La taille de la population doit être choisie de façon à réaliser un bon compromis entre le temps de calcul et la qualité du résultat. Les algorithmes évolutionnaires souffrent, d une manière générale, de la présence de plusieurs paramètres qui déterminent leur efficacité. Ces paramètres influent sur la vitesse de convergence, la capacité d exploration, le temps de recherche...[basseur, 2003]. II Paramètres et leur rôle La taille de la population, n, et la longueur l du codage de chaque individu : si n est trop grand, ou si l est trop longue, le temps de calcul de l algorithme peut s avérer très important ; si n est trop petit, il peut converger très rapidement vers un mauvais chromosome. La probabilité de croisement, P c, dépend en général de la forme de la fonction de performance. Son choix est bien souvent heuristique (tout comme pour P m ). Plus elle est élevée, plus la population subit des changements importants. Les valeurs généralement admises sont comprises entre 0,5 et 0,9. La probabilité de mutation P m. Ce taux est généralement faible, puisqu un taux élevé risque de conduire à une solution sous-optimale en perturbant celle qui est optimale. Plutôt que de réduire P m, une autre façon d éviter que les meilleurs individus soient altérés est d utiliser l élitisme : ainsi, peut-on choisir, par exemple, de recopier à l identique les 5% meilleurs de la population à chaque génération, l opérateur de reproduction ne jouant alors que sur les 95% restants. Il est important de comprendre que le fonctionnement d un tel algorithme ne garantit nullement la réussite. Nous sommes en présence d un système stochastique et la probabilité existe qu une population génétique soit trop éloignée de la solution, ou par exemple, qu une convergence trop rapide bloque le processus d évolution. Ces algorithmes n en sont pas moins extrêmement performants, leur utilisation se développe dans des domaines aussi divers que la prévision boursière, 57

73 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF l ordonnancement des systèmes de production ou la programmation des robots d assemblage dans l industrie automobile. II.4.4 Fonctionnement Un algorithme génétique est défini par un cycle de population et fait intervenir trois facteurs importants : fitness, crossing-over, mutation. Un cycle représente le passage d une population à la génération suivante soit l évolution génétique d une population. Pseudo code : a. Initiation Générer aléatoirement une population de n individus (les solutions du problème) b. Fitness Evaluer la fonction d adaptation f(x) de chaque individu x dans la population. c. Nouvelle population Créer la nouvelle population en répétant les étapes suivantes jusqu à ce que la population soit complète. d. Sélection Sélectionner deux parents à partir de la population selon la valeur d adaptation (La meilleure valeur a plus de chance d être sélectionnée) e. Crossing-over Appliquer l opérateur de croisement sur les parents avec la probabilité de croisement associée pour donner des enfants. S il n y a pas de croisement, les enfants sont la copie identique des parents f. Mutation Appliquer l opérateur de mutation sur les enfants avec la probabilité de mutation associée g. Accepter Placer les enfants dans la nouvelle population h. Remplacer Utiliser la population générée pour exécuter l algorithme i. Test Si la condition d arrêt est satisfaite, stop, et retourner la meilleure solution j. Boucle Aller à l étape b 58

74 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF II.5 Adaptation des algorithmes génétiques à notre approche Pour utiliser les algorithmes évolutionnaires, nous définissons les paramètres suivants : La longueur du codage est la taille du chromosome n qui représente le nombre de concepts du module de la formation en cours. La probabilité de croisement P c utilisée est la probabilité d acquisition des concepts pour l apprenant en cours. La probabilité de mutation P m est la probabilité de déduction de concepts à partir d autres pour l apprenant courant. Dans ce qui suit nous présentons l algorithme génétique utilisé : a. [Initiation] La première étape est la génération aléatoire d une population P 1 de n individus. Ces individus représentent les solutions du problème. La population représente les états du profil possibles à l issue des cours utilisés dans la génération. b. [Fitness] Une évaluation de la fonction d adaptation f(s) de chacun des individus est effectuée. c. [Nouvelle population] Création d une nouvelle génération P (t + 1) en fonction de la population P (t). Cette itération de création se poursuit tant que les nouvelles solutions de P (t + 1) ne satisferont pas la fonction d adaptation. d. [Sélection] La sélection va choisir une première population intermédiaire P s de n solutions à partir de P (t). La première population intermédiaire P s est sélectionnée en effectuant n tirages aléatoires de solutions de P (t) où chaque solution si de P (t) a la probabilité suivante d être sélectionnée : P select (S i ) = f(s i) σ n j f(s j) Le croisement fait l échange d informations entre deux solutions sélectionnées de P s pour former la population P c de n solutions. Pour sélectionner des couples, la population Ps est parcourue et chaque solution a une probabilité pc d être sélectionnée pour le croisement. Après sélection, les couples choisis échangent de l information (bits) selon l opérateur de croisement. e. [Accepte, Remplace, Test] Après acceptation des modifications, les enfants forment la population P (t + 1). Ainsi la nouvelle génération P 2 peut recommencer le cycle, à moins que la condition d arrêt soit satisfaite. Pour notre problème c est minimiser la fonction d adaptation. 59

75 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF L algorithme peut aussi s arrêter lorsque la qualité de la solution trouvée dépasse un seuil donné. P c = Probabilité de croisement. C = C 1, C 2,... C n Ensemble de concepts, acquis et connaissances préliminaires de la formation à adapter, nombre de concepts. P = p 1, p 2,... p n Vecteur profil où p i = 1, si C i est acquis ; p i = 0 sinon. G = g 1, g 2,... g n Vecteur Objectif pédagogique de la formation. Avec g i = 1 si C i doit être acquis, g i = 0 sinon. R = R 1, R 2,... R m Ensembles de ressources pédagogiques disponibles dans la base. L objectif pédagogique définit par le formateur est reformulé à l aide de l arbre des concepts pour représenter les connaissances que le formé doit avoir acquis à l issue de cette formation. Les probabilités de croisement ou de mutation dans les algorithmes génétiques sont fixées selon le problème à résoudre. Pour implémenter notre algorithme, nous avons utilisé la représentation ou le codage binaire, avec une probabilité de croisement égale à 1 et une probabilité de mutation égale à 0. C est à dire que l apprenant arrive à acquérir tous les concepts présents dans un cours et n arrive à déduire aucun des autres concepts. Après implémentation, pour changer la probabilité de croisement ou de mutation nous allons intégrer un module utilisant la logique floue. But ( ) signifie qu à la suite de cette formation, l apprenant doit acquérir les concepts (1, 2, 3, 5 et 6). 2. Profil ( ) signifie que l étudiant a déjà acquis les concepts 1 et Croisement L individu créé hérite tous les concepts des cours suivis tout en gardant les concepts déjà acquis. Mutation La mutation est effectuée au point définissant les concepts qui peuvent être déduits. 60

76 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF Fonction de fitness En général, f itness = historyvariable + Σcorrectpredictions Σincorrectpredictions. L exemple du problème OneMax [Schaffer et Eshelman, 1991] a été largement utilisé avec les algorithmes génétiques. Le problème OneMax est un problème simple qui consiste à maximiser le nombre de bits à 1 dans une solution donnée. La fonction d adaptation f(v i ) est définie comme le nombre de bits de valeur 1 dans une solution donnée. En utilisant cette fonction dans notre problème, on risque de perdre beaucoup de solutions du problème car l étudiant à l issue d un cours pourrai avoir d autres concepts que ceux indiqués dans le but. En calculant le ou exclusif de V i et V g, le nombre d éléments égale à 1 dans le vecteur résultant est minimal, on appellera cardinal : nombre de bits égale à 1. f(v i ) = cardinal(v i ov g ) La solution optimale est celle qui minimise la fonction d adaptation présenté dans l équation précédente. II.6 II.6.1 Intégration des règles floues Logique floue : quelques définitions La logique floue est une extension de la logique booléenne créée par Lotfi Zadeh en 1965 en se basant sur la théorie mathématique des ensembles flous, qui est une généralisation de la théorie des ensembles classiques. En introduisant la notion de degré dans la vérification d une condition, permettant ainsi à une condition d être dans un autre état que vrai ou faux, la logique floue confère une flexibilité très appréciable aux raisonnements qui l utilisent, ce qui rend possible la prise en compte des imprécisions et des incertitudes. La logique floue repose sur la théorie des ensembles flous, qui est une généralisation de la théorie des ensembles classiques [Zadeh, 1965]. Définition : Soit X un ensemble. Un sous ensemble flou A de X est défini par une fonction d appartenance f A sur X à valeurs dans l intervalle [0,1]. Un des intérêts de la logique floue pour formaliser le raisonnement humain est que les règles sont énoncées en langage naturel. 61

77 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF En logique classique, les raisonnements sont de la forme : { Si p alors q p vrai alors q vrai En logique floue, le raisonnement ou, également appelé raisonnement approximatif, se base sur des règles floues qui sont exprimées en langage naturel en utilisant les variables linguistiques. L expression "variable linguistique" introduite par ZADEH, propose que les valeurs de cette variable ne soient pas numériques mais symboliques comme les mots du langage courant. Une variable linguistique est donc une variable prenant ses valeurs dans un ensemble de mots symboliques (sous-ensemble flous) définissant certaines catégories d un ensemble de référence. Une règle floue aura cette forme : Si x A et y B alors z C, avec A, B et C des ensembles flous. II.6.2 Présentation floue du problème On considère dans notre approche qu on a 3 classes d apprenants (fig. II.10). L équation suivante représente la fonction d appartenance trapézoïdale. 0, (x < a)or(x > d) x a µ A (x) =, a x b b a 1, b x c d x, c x d d c Considérant trois classes d apprenants : - Classe A : Apprenants Avancés. - Classe B : Apprenants intermédiaires. - Classe C : Apprenants débutants. Chaque classe présente un profil différent d apprenant selon le niveau de ses connaissances ou compétences dans le module de formation en cours. 62

78 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF FIGURE II.10 Trapezoidal functions En outre, il pourrait exister dans la base de données certains cours pour approfondir l apprentissage de certains concepts. V s = s 1, s 2,... s n Vecteur profil où s i [0, 1]. V g = g 1, g 2,... g n Vecteur Objectif pédagogique de la formation. g i [0, 1]. Les règles floues utilisées sont comme dans l exemple suivant : Considérant un étudiant s qui a suivi un cours c d approfondissement du concept i. For concept i, IF (value c,i is low and type c,i is prerequisite) and (value c,i is high and type c,i is acquired) THEN value s,i is high. Cette règle signifie que si l apprenant au début a un niveau débutant dans le concept i, il atteindra un niveau avancé après le suivi du cours c. Ces règles permet de prévoir le profil de l étudiant après avoir suivi le cours c. Conclusion Le développement du domaine e-learning pour une formation évoluée et adaptée nécessite l introduction de nouvelles approches pour la 63

79 CHAPITRE II. UNE APPROCHE VERS UN E-LEANING ADAPTATIF résolution des problématiques rencontrées. L adaptabilité des systèmes de formation devient une caractéristique recherchée. L utilisation des algorithmes génétiques permet d automatiser la recherche de chemins adaptés à l apprenant actuel. Ainsi, nous ne fixons pas le parcours pédagogique à suivre. L introduction à logique floue permettra de traiter les niveaux d un apprenant débutant, intermédiaire ou avancé dans l acquisition des concepts. Cela rendra possible dans la perspective de l intégration de notre application dans les plates-formes existantes qui contient un module de l évaluateur. Nous espérons également étudier le feedback des utilisateurs et l impact sur le profil de l apprenant. Pour Tester et valider notre approche, nous avons conçu et implémenté La plateforme AFGLearn. Nous allons présenter dans les chapitres suivants l architecture de notre système conçu et l expérimentation. 64

80 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN III Conception du Système AFGLearn Introduction Le e-learning recouvre une palette large de pratiques pédagogiques, depuis la distribution de modules d autoformation accompagnés de quiz jusqu aux groupes projet, travail personnel, travaux de groupes, tutorat, coaching, études de cas, réalisation de projet, etc. Les systèmes e-learning actuels requièrent plus d adaptabilité aux profils des apprenants et aux objectifs de la formation requise. Dans ce chapitre, nous allons présenter l architecture du système e-learning conçu. Nous présenterons aussi l approche utilisée et la méthodologie de conception du système qui répond aux objectifs de notre recherche. Et nous conclurons par la citation des outils d implémentation utilisés. 65

81 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN III.1 Conception de la plateforme AFGLearn : Adapted E-Learning system using Genetic algorithms L objectif principal de nos recherches est de concevoir un système intelligent qui satisfait les caractéristiques suivantes : rentabilité, réutilisabilité, adaptabilité, flexibilité et interactivité. La réutilisabilité est assurée par la modélisation de la description des ressources pédagogiques. La flexibilité impose l utilisation d outils exécutables sur plusieurs plateformes. L adaptabilité est réalisée en implémentant les algorithmes génétiques pour générer le parcours adapté à chaque apprenant. L interactivité et la rentabilité sera géré lors de l interprétation des résultats. Notre système permet de modéliser la description des ressources pédagogiques et ainsi guider l étudiant dans sa formation en fonction de ses acquis et de l objectif pédagogique qui, défini par le formateur, présente les capacités que l étudiant aura acquis à l issue d une action de formation, nous avons divisé notre système en différents modules. Ces modules sont en même temps indépendants et liés en entrée et en sortie pour permettre l évolution de chacun à part et par la suite faire évoluer le système de manière autonome. L adaptateur (module d adaptation) est le module principal dans notre système. Il fait appel aux résultats obtenus par le modélisateur. Ce dernier permet de modéliser les ressources pédagogiques ainsi que l objectif pédagogique en formats compatibles. L espace Apprenants (Fig. III.1) accueille les informations de l apprenant, sélectionne son profil dans la base de données Apprenants et le renvoie à l adaptateur ainsi que le but de cette formation. L adaptateur utilise les algorithmes d optimisation pour rechercher la stratégie optimale, en sélectionnant dans la base des ressources les cours qu fournit à l interface utilisateur. La base de données Apprenants contient les informations de l apprenant et ses connaissances ou acquis. En résultat, le système fournit un parcours optimal (une liste de cours optimale) pour atteindre l objectif courant en appliquant les algorithmes génétiques pour 66

82 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN FIGURE III.1 Architecture générale du système AFGLearn 67

83 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN rechercher les états intermédiaires. La modélisation du profil est réalisée à l aide du module "inscription et évaluation" qui permet d évaluer les connaissances de l apprenant et ainsi l enregistrement et la mise à jour du profil. Dans l Espace Enseignant, l enseignant ou l expert, qui cherche à intégrer de nouvelles ressources dans la base, décrit ces dernières en remplissant un formulaire, les informations inscrites seront enregistrées en format XML dans une fiche par le modélisateur. La fiche étant enregistrée dans la base permet de faciliter la réutilisation de ces ressources. La base de ressources pédagogiques contient les cours à suivre auxquels on associe une fiche descriptive contenant les connaissances préliminaires qu on appelle pré-requis et les acquis qu on appelle post-requis. La base est organisée sous forme de modules, chaque module est composé de plusieurs cours. L enseignant peut associer aux cours des exercices ou tests pour permettre à l apprenant d évaluer ses connaissances pendant son parcours. III.2 Phase Modélisation La problématique liée à l exploration des contenus des ressources pédagogiques est une question centrale pour l enseignement à distance. Les ressources qui alimentent un processus de formation en ligne doivent être "étiquetées ou marquées" d une manière cohérente pour permettre leur indexation, leur stockage, leur recherche et leur extraction par de multiples outils. En formation en ligne, une bonne présentation des informations décrivant les contenus des ressources pédagogiques nous permet de les repérer plus efficacement sur l Internet. Dans notre système, pour chaque cours, nous proposons de présenter son contenu dans une fiche descriptive par ses pré-requis et acquis issus de suivre ce cours. Les pré-requis et les acquis sont en fait les concepts sur lesquels se basent ces cours. L e-learning actuel repose sur un modèle de modules statiques diffusés via le web. Le parcours suivi par les apprenants est fixé une fois pour toutes par l enseignant lors de la phase de création du module, et cela, sans tenir compte des préférences et résultats obtenus. Pour permettre une 68

84 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN adaptation automatique du module, nous suivons le processus ci-dessous (fig. III.2). FIGURE III.2 Processus d élaboration du module Selon la figure (fig.iii.2), l enseignant propose à travers un formulaire le module en question en définissant ses concepts de base et les relations entre eux. L étape de détermination des concepts s effectue avant l étape d intégration de nouvelles ressources dans la base. Lors de l intégration des ressources, l expert sélectionne parmi les concepts du module en cours ceux intervenant dans la ressource à intégrer que ce soit comme pré-requis ou post-acquis concepts. Le système produit alors la fiche en se basant sur les données fournies par l utilisateur et enregistre le résultat dans la base. Le contenu pédagogique contient un sous-ensemble des connaissances du domaine dont il fait partie. Sa structuration revient donc au découpage de ces connaissances en unités élémentaires de granularité très fine afin de faciliter la recherche (l indexation), le filtrage (l adaptation du contenu), et la construction ou l assemblage du contenu (la réutilisation). La scénarisation du contenu donnera un sens à sa structure par la détermination de l ordonnancement des concepts que doit aborder l apprenant dans son processus. Le choix de ces concepts provient de l objectif de rester indépendant de toute approche pédagogique. De plus, ce type de structuration arborescente permet la prise en compte de la majorité des approches 69

85 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN pédagogiques à travers un découpage à base de contenu ou d activité pédagogique, suivant la démarche choisie par l enseignant. FIGURE III.3 Processus d élaboration d un contenu pédagogique L intégration de nouvelles ressources dans la base se fait en remplissant le formulaire présenté par l interface Intégration de nouvelles ressources. Si le module à choisir a été déjà conçu par un collègue expert, une consultation du module est nécessaire pour rester en analogie avec la définition des concepts présents et pouvoir en ajouter d autres si nécessaire. FIGURE III.4 Intégration des ressources pédagogiques Après la saisie des données, elles sont fournies au système pour construire la fiche en XML et l enregistrer dans la base. III.3 Phase Adaptation La phase Adaptation fournira les parcours optimaux en recherchant le chemin généré partant de l état initial du profil jusqu à l objectif pédagogique visé pour la formation en cours. Un état intermédiaire est 70

86 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN l état prévu d évolution des connaissances d un apprenant virtuel suivant un cours intermédiaire. D où le système fait appel aux fiches conçues lors de la modélisation et au profil enregistré dans la base. Les fiches construites des ressources intégrées dans la base sont utilisées pour produire à l apprenant le parcours le plus adapté à son profil. [Azough et Bellafkih, 2007](fig. III.5) FIGURE III.5 Architecture de l adaptateur L adaptateur (Fig. III.5) sélectionne de la base des ressources les cours qui peuvent être des états intermédiaires en comparant leurs fiches. Nous avons transformé la recherche du parcours adapté à l apprenant en un problème d optimisation pour pouvoir utiliser les algorithmes évolutionnaires. Pour les cours, les pré-concepts nous permettent de vérifier les conditions pour atteindre le cours en question. Les post-concepts nous permettent de déterminer l état probable du profil d un apprenant virtuel après le suivi du cours en question. Dans l algorithme génétique, le codage utilisé est binaire. La fonction de fitness est calculée en comparant l état virtuel des connaissances et l objectif en cours. La probabilité de croisement utilisée est égale à 1, et peut être corrigée en observant les actions de l apprenant et l évolution de son profil. Elle signifie dans notre application la probabilité d acquisition des connaissances présentées dans les ressources pédagogiques. Les adaptations conçues dans les travaux existants imposent une 71

87 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN restructuration des cours selon le langage XML ou autre structure imposée par le chercheur, pour permettre la gestion d affichage et de conception des cours adaptés en éliminant ou en ajoutant les connaissances à acquérir selon le profil de l apprenant. Ces recherches n utilisent donc pas les cours déjà conçus par d autres systèmes de conception. Pour profiter de ces ressources et ainsi réduire le coût de formation, l enseignant peut intégrer le cours selon n importe quel format avec une description du contenu. III.4 Modélisation du Profil Pour adapter la formation au profil de l apprenant, nous devons présenter dans la fiche descriptive du profil les informations décrivant ses acquis, ses capacités intellectuelles et ses motivations. Les acquis sont les concepts qu il a acquis suite à une action de formation. Les capacités intellectuelles : Classer les apprenants selon trois classes débutants, intermédiaires et avancés. Les motivations : diriger la formation vers l application ou la théorie. Pour s informer du niveau de l apprenant, nous proposons à l apprenant des tests à passer. Ces tests sont en fait ajoutés par l expert et attachés aux ressources pour permettre le suivi de l apprentissage et la mise à jour du profil. FIGURE III.6 Étapes suivies pour la modélisation du profil L enseignant s engage à proposer des questionnaires permettant 72

88 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN d évaluer les connaissances de l apprenant et ainsi de diriger sa formation. Lors de l inscription, l apprenant choisit un module, répond aux questionnaires associés et passe à l étape de recherche du parcours adapté. III.5 Modélisation des entrées Pour atteindre notre objectif, nous aurons besoin de présenter le profil de l étudiant, le but à atteindre et la fiche des cours selon des formats compatibles. Dans notre système, nous proposons de présenter les connaissances acquises par l apprenant sous forme d un ensemble de concepts. Certains nécessitent un nombre de concepts pré-requis, nous concevons un arbre de concepts dans lequel nous représentons tous les concepts avec les relations entre eux. Également, chaque ressource exige la connaissance de certains de ces concepts comme acquis préliminaires (pré-requis) et d autres seront acquis à la suite de ce cours (post-acquis). III.6 Schéma UML de l application En étudiant les objectifs du système AFGLearn à concevoir, nous distinguons qu il doit assurer comme : Exigences fonctionnelles : a. La préparation de la base de données à utiliser pour rechercher le parcours adapté. Cela suppose que le système doit permettre d ajouter des ressources pédagogiques. Ces ressources peuvent appartenir à différents modules et visent à acquérir différents objectifs. b. L adaptation de la formation au profil de l apprenant. Le système doit pouvoir affecter à chaque apprenant, un profil associé et permettre sa mise à jour à travers l évaluation des connaissances. Exigences non fonctionnelles : a. La simplicité d utilisation de l application : le système par différents utilisateurs. 73

89 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN b. La performance : implémentation en utilisant des algorithmes permettant de converger vers une solution mieux adaptée. c. La portabilité : fonctionne sur plusieurs plateformes. Nous présentons ci dessous les diagrammes UML de la plateforme AFGLearn. III.6.1 Cas d utilisation Notre Plateforme communique avec trois acteurs principaux,la figure (fig.iii.6.1) représente les cas d utilisation. Du point de vue cas d utilisation, trois acteurs principaux peuvent avoir accès au système AFGLearn pour exécuter différentes actions. Un administrateur qui gère l utilisation du système en effectuant la mise à jour des bases de données et en testant la convergence des algorithmes pour garantir l obtention des parcours adaptés. Un apprenant qui suit la formation à travers notre système AFGLearn et recherche ainsi un parcours adapté à son profil et à l objectif choisi de la base de données. Un enseignant qui accède au système peut consulter la base des ressources pédagogiques, créer de nouveaux modules, ajouter des cours, créer de nouveaux objectifs et contribuer à l évaluation des connaissances de l apprenant en ajoutant des tests ou des exercices. III.6.2 Diagramme de séquence Les diagrammes de séquence (fig.iii.10) scénarisent les actions des différents utilisateurs de la plateforme AFGLearn. Du point de vue dynamique, on observe que : L apprenant accède au système, choisit un objectif et reçoit un parcours adapté à son profil. L enseignant se connecte et ajoute des ressources pédagogiques à la base de données. L administrateur gère les bases de données. 74

90 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN FIGURE III.7 Cas d utilisation de l apprenant FIGURE III.8 Cas d utilisation de l enseignant FIGURE III.9 Cas d utilisation de l administrateur Schéma des cas d utilisations des acteurs principaux de l application 75

91 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN FIGURE III.10 Schéma des diagrammes de séquence de l application 76

92 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN III.6.3 Diagramme de classes Dans notre application (fig. III.11), l enseignant définit les modules de formation, ses concepts et y intègrent les cours correspondant en saisissant les concepts pré-requis et post-acquis de chaque cours. Pour l apprenant, il choisit un objectif de ceux définis par l enseignant et reçoit du système le parcours des cours à suivre pour atteindre un tel objectif. FIGURE III.11 Schéma UML des objets et acteurs principaux de l application 77

93 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN III.7 Choix des outils d implémentation Pour implémenter les modules de notre système nous avons choisi d utiliser les servlets [Servlet API]. Ils permettent l accès à l application à travers le web et ainsi la portabilité de la plateforme. Pour la fiche descriptive des cours, le format XML est le plus commode et permet la portabilité de l application, la réutilisabilité des ressources, et la possibilité de faire évoluer la fiche vers une méta-fiche de caractéristiques plus précises. Pour l implémentation des algorithmes génétiques, nous avons utilisé JGAP. C est un package ouvert permettant d intégrer les algorithmes génétiques au sein d une application Java. Le choix de Java est dû en fait à sa portabilité sur différents systèmes d exploitation. L utilisation des JSP (Java servlet Programming) permet de profiter des avantages d utilisation de Java et de l accès aux applications grâce au protocole HTTP. III.8 Implémentation des algorithmes génétiques Pour intégrer les algorithmes génétiques au sein de notre système, nous avons utilisé le package JGAP. JGAP permet d implémenter sous JAVA les algorithmes génétiques et la programmation génétique. Il fournit les mécanismes génétiques de base qui peuvent être facilement employés pour s appliquer des principes évolutionnaires aux solutions de problème. L idée est de transformer le problème du parcours adapté (liste de cours à suivre) ; en un problème d optimisation. Le point de départ est le profil Apprenant, le point d arrivée est le but pédagogique de la formation et les états intermédiaires sont les évolutions du profil après le suivi des cours disponibles. Nous choisissons un module de formation, et un but pédagogique. Pour implémenter l algorithme génétique nous avons suivi cinq étapes : a. Prédire notre chromosome. b. Implémenter une fonction de fitness. 78

94 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN c. Installer un objet de configuration. d. Créer une population des solutions potentielles. e. Faire évoluer la population! Nous avons prévu de faire évoluer des individus (cours) en fonction des opérateurs génétiques pour construire un individu final solution de notre problème. Chromosome Cours : Le chromosome cours est présenté sous forme de gènes booléens, sa taille est le nombre de concepts sur lesquels se basent le module de formation en cours, et la valeur des gènes est prise à partir des pré et post concepts du cours à introduire dans la population. Fonction de fitness : La fonction de fitness est implémentée en fonction du profil de l apprenant et du but pédagogique de la formation. L individu maximise la fonction en question. Opérateur génétique : A partir de deux individus cours, l opérateur produit un individu cours (solution) résultat d union des deux cours en question. Pour suivre la trace de l opérateur, nous avons ajouté un gène à notre chromosome sous forme de chaîne de caractères (nom de l individu généré) formée de la concaténation des noms des cours soumis à l opérateur. Objet de configuration : Créer un objet configuration avec notre fonction de fitness, initialiser le chromosome et choisir la taille de la population à faire évoluer. Population : La population initiale est formée en parcourant la base des cours pour sélectionner ceux qui contiennent les concepts manquants en comparant le profil et le but pédagogiques. Evolution de la population : Pour faire évoluer la population, nous appliquons l opérateur génétique conçu et nous affichons la solution qui maximise la fonction de fitness. III.9 Implémentation du système flou Nous avons proposé de mettre en œuvre le module flou indépendamment de notre module d adaptation, les données d entrées seront transformées en des variables linguistiques et ensuite l adaptateur 79

95 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN fournira des solutions. Ces résultats sont introduits dans le système pour appliquer les règles d inférence et enfin la sortie est deffuzzifiée. La conception de l application est présentée sur la Fig. III.12. FIGURE III.12 Intégration du module flou Chaque module est basé sur plusieurs concepts. Les ressources de ce module exigent un degré d apprentissage de concepts. Comme nous l avons déjà vu dans la partie modélisation. La fiche conçue dans ce module contient un paramètre qui est Boolean. Il présente la pertinence du concept (niveau de du concept : ( Avancé/ débutant / intermédiaire). Ce paramètre dans le présent travail contient un nombre réel compris entre 0 et 1. En fait, une ressource enregistrée dans la base de données requiert des concepts particuliers. Après avoir suivi ce cours, l apprenant acquit autres concepts, ce qui modifie son profil. Par exemple, afin d apprendre en mathématiques à résoudre des équations du second degré, il y a des cours qui se basent sur des équations linéaires ; tandis que d autres utilisent le déterminant pour calculer les solutions. Conclusion L application communique avec trois acteurs : l administrateur, l enseignant et l apprenant. Selon l opération à effectuer, chacun de ces acteurs fait appel à différents modules. La répartition en modules permet de développer chaque entité à part. Le module d Adaptation utilise les algorithmes génétiques pour automatiser la recherche du parcours adapté à chaque apprenant. Le module de Modélisation présente la description du contenu des ressources pédagogiques sous format XML. 80

96 CHAPITRE III. CONCEPTION DU SYSTÈME AFGLEARN Le module flou permet de fuzzifier les entrées du module d adaptation et ainsi de pouvoir traiter les différents niveaux des apprenants. La conception de l application est faite en utilisant les diagrammes UML. L implémentation sous forme de sites web dynamiques JSP à l aide de bibliothèques java open-source rend l application multiplateforme. Dans le prochain chapitre, nous verrons les résultats de l expérimentation de l application ainsi que les discussions et les remarques observées. 81

97 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN IV Validation du système AFGLearn : Résultats et Discussions Introduction Après avoir présenté les différents modules du système AFGLearn, nous arrivons au dernier chapitre qui concerne la réalisation en implémentant les différents modules permettant la modélisation et l adaptation. Nous exécutons par suite l application, nous observons les résultats obtenus et nous discutons ces derniers pour voir émerger plusieurs perspectives servant à valider nos recherches et les faire évoluer. 82

98 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN IV.1 Étapes de réalisation L application à réaliser est composée de plusieurs phases. IV.1.1 Phase Modélisation La figure IV.1 décrit les démarches suivies pour réaliser le module associé à la phase de modélisation de la description des cours utilisés dans la formation. FIGURE IV.1 Schéma descriptif de la phase Modélisation Pour ajouter des ressources pédagogiques à la base de données et modéliser leur description, nous devons d abord implémenter des formulaires permettant la saisie des informations. Ensuite, les informations inscrites doivent être présentées sous un format permettant l enregistrement et l utilisation. IV.1.2 Phase Adaptation La figure IV.2 décrit les démarches suivies pour réaliser le module associé à la phase d adaptation de la formation au profil de l apprenant et à l objectif pédagogique choisi. 83

99 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN Le profil de l apprenant, définit dans la phase évaluation, est sélectionné de la base apprenants. FIGURE IV.2 Schéma descriptif de la phase Adaptation L inscription de nouveaux apprenants exige un formulaire d inscription. L apprenant par la suite, peut choisir un objectif à travers une interface. L implémentation des algorithmes génétiques permet de générer le parcours adapté. IV.1.3 Phase Evaluation La phase inscription est indépendante de l évaluation des connaissances de l apprenant en cours pour compléter les informations nécessaires sur son profil (fig. IV.3). L apprenant à travers l interface du système peut évaluer ses connaissances par des tests ajoutés par l enseignant. 84

100 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.3 Schéma descriptif de la phase Evaluation IV.2 IV.2.1 Scénarios des cas d utilisation Scénarios des acteurs Notre Système communique avec 3 acteurs principaux. Cas de l apprenant En cas de première connexion, l apprenant s inscrit en remplissant le formulaire correspondant dans la page d accueil, sinon se connecte au système en fournissant le login et le mot de passe. Il choisit un module à étudier, passe les QCMs associés pour déterminer le niveau de ses connaissances et compléter les informations de son profil. Ensuite, il choisit un objectif pédagogique, le système fournit cette fois le parcours adapté pour accomplir cet objectif. Lorsque l apprenant valide la liste des cours résultante, elle sera enregistrée dans le cartable virtuel avec les exercices associés. L apprenant peut à chaque connexion consulter son cartable virtuel, suivre sa formation et aussi évaluer ses connaissances à l aide des exercices associés. Réussir un système E-learning exige que l apprenant soit motivé et autonome. Cas de l enseignant L enseignant s inscrit au système, fournit ses informations à travers le 85

101 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN formulaire associé. Après connexion, l enseignant peut consulter la base de données des ressources pédagogiques. S il veut ajouter un cours, il choisit le module associé et consulte la liste des concepts pour rester en analogie avec les définitions données et en ajoute d autres en cas de besoin. Si le module n est pas encore valide dans la base, l enseignant peut le créer grâce au formulaire de création de modules disponible parmi les services de l application. Puis, il ajoute le cours en remplissant le formulaire correspondant et en associe des exercices. Il peut aussi définir de nouveaux objectifs pédagogiques à travers le formulaire correspondant. L enseignant peut inclure des cours de différents formats soient interactifs ou statiques selon son choix et son expérience pédagogique. La description de ces cours est basée en fait sur le contenu sémantique de ces derniers. Cas de l administrateur L administrateur peut consulter les listes des enseignants, apprenants, modules et cours et effectuer la mise à jour de ces données. Il peut informer les enseignants si un objectif pédagogique prédéfini ne converge pas pour fournir les cours pour accomplir ce dernier. IV.2.2 Acteurs et Services Proposés La table IV.1 présente les acteurs actifs dans notre application. 86

102 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN TABLE IV.1 Acteurs actives Acteurs Services proposés Avantages Inconvénients Enseignants Intégration Permettre d insérer Trop de détails de nouvelles différents formats à indiquer en ressources, de ressources, cas d utilisation Consultation des Flexibilité, de tous les ressources, Portabilité, composants de Modification ou Réutilisabilité. LOM. intégration de Suivi pendant nouvelles versions, le parcours Définition de implique la nouveaux objectifs nécessité d utiliser des s ou outils extérieurs d interactions. Apprenants Choix du module à étudier parmi ceux existant dans la base, Choix de l objectif pédagogique, Evaluation des connaissances. Disponibilité de plusieurs ressources, Possibilité de choix du parcours le plus court et adapté, Apprentissage par choix d objectifs. Interaction limité, Pas de gestion de groupes. Administrateur Consultation les listes des enseignants et des étudiants. Mise à jour des bases de données. Consultation des messages. Test de la convergence. Gestion automatique des parcours. Evaluation des apprenants à l inscription à travers des QCM. 87

103 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN IV.3 Application à quelques modules La première étape pour tester notre application est définir un module de formation, ensuite y intégrer les ressources créées par l enseignant. IV.3.1 Création des modules "Programmation en langage Java" Le formulaire de création de ce module (fig.iv.4) permet de définir les concepts de base du module et l arbre de concepts. FIGURE IV.4 Formulaire de création du module JAVA Les concepts définit sont ceux présentés dans la figure IV.5 Module : "Création et Gestion de bases de données avec ACCESS" La figure IV.6 présente le formulaire de création du module "Création et Gestion de bases de données avec ACCESS". 88

104 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.5 Présentation des concepts du module JAVA 89

105 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.6 Formulaire de création du module ACCESS et Présentation des concepts 90

106 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN Les concepts définis sont présentés dans la figure (fig. IV.6). La création d une ontologie pour le module en question peut être envisageable, mais pour le moment nous avons utilisé un simple formulaire pour la création des modules. Ajout des cours et définition des objectifs de formation Après remplissage du formulaire le module est créé et on peut y ajouter des cours et définir des objectifs de formation (fig. IV.7). FIGURE IV.7 Formulaire de création de nouveaux objectifs En se basant sur les données présentées au formulaire, un arbre de concepts est créé et sera utilisé pour compléter la description des ressources et des objectifs pédagogiques. Ajout de cours Nous ajoutons à ce module plusieurs ressources de différents formats (fig. IV.8). L utilisation des formulaires facilite la communication entre utilisateurs et application et l automatisation des actions voulues. 91

107 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.8 Formulaire d ajout de nouveaux cours 92

108 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN IV.3.2 Fiche descriptive En vue d implémenter un tel système et le tester, nous avons choisi un profil d application de la norme LOM. Pour réduire le temps d exécution et la taille des données à charger en mémoire, nous avons choisi de la norme LOM les composantes suivantes : l identifiant (LOM 1.1), le titre, (LOM 1.2) le(s) nom(s) de(s) l auteur(s), les dates de réalisation et de dernière modification, (LOM 8.1 et 8.2) les mots-clés, (LOM 1.5) la description (LOM 1.4) le format (LOM 4.1) la taille de la ressource, (LOM 4.2) la localisation de la ressource (URL). (LOM 4.3) la langue (LOM 1.3) le type de ressource pédagogique (LOM 5.2) les pré-concepts (LOM 9.4) les post-concepts (LOM 9.1) La fiche est conçue selon le format suivant : < sheet > < /sheet > TABLE IV.2 Sheet format < title >name of pedagogic resource < /title > < author >author name< /author > < path >path name< /path > < type >file type< /type > < size >file size< /size >... <concept num=? Name=? Value=? Type= "Is prerequisite" > <concept num=? Name=? Value=? Type= "Is prerequisite" >... <concept num=? Name=? Value=? Type= "Is acquired" > <concept num=? Name=? Value=? Type= "Is acquired" >... 93

109 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.9 Exemple de fiches descriptives La fiche (fig.iv.9) est conçue automatiquement à partir des données fournies par l enseignant. Les paramètres suivants signifient : num : identificateur du concept ; Name : nom du concept ; Value : pertinence du concept (niveau d abordage du concept : débutant / intermédiaire / Avancé) ; Type : pré ou post-concept. L attribut value est utilisé pour indiquer la pertinence du concept dans le cours, il est égal à 1 qui signifie que l apprenant acquerra ce concept après le suivi du cours en question. Certains cours permet d acquérir un concept avec un niveau soit débutant, intermédiaire ou avancé. Pour traiter de tel cas, on peut envisager d utiliser la logique floue. Le bloc qui définit les concepts est celui utilisé par l adaptateur pour la recherche du parcours adapté. Il est transformé sous forme binaire. Les données enregistrées dans la fiche peuvent être utilisées pour indexer les ressources et faciliter la recherche et la construction automatique des relations entre elles. La fiche permet de décrire plusieurs 94

110 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN types de ressource pour pouvoir comparer et évaluer les différents formats et leurs impacts sur le profil étudiant. Se focaliser sur certains paramètres permet de réduire la taille des données en cours de traitement et par la suite le temps d exécution de l application. Dans l article [Azough et Bellafkih, 2007], nous avons considéré que la fiche est disponible pour chaque ressource de la base, le but était de pouvoir proposer à l apprenant le parcours le plus adapté à son profil. La fiche est dorénavant conçue automatiquement lors de l intégration de nouvelles ressources dans la base. La partie modélisation de notre application [Azough et al, 2008] permet de concevoir la fiche et organiser la base sous forme de modules de formation. IV.3.3 Indexation des ressources Au moment de consultation, l enseignant peut choisir d indexer les cours d un module ou par concept acquis, par date de création ou par type. Indexation par concept acquis Dans la figure IV.10, les cours sont indexés ont recherchant dans leurs concepts acquis le concept désigné par l enseignant pendant la consultation de la base de cours. Indexation par date Dans la figure IV.11, les cours sont indexés selon l ordre croissant de la date d enregistrement des cours dans la base. Indexation par type Dans la figure IV.12, les cours sont indexés par type ou format de conception. IV.3.4 Génération du Parcours Adapté Au cœur de l adaptateur, les cours sont vu de la forme fig.iv.13 Ce cours correspond au vecteur binaire ( ). Le StringGene permet de suivre la trace de génération de la solution pendant 95

111 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.10 Indexation par concept acquis, par date d enregistrement, par types 96

112 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.11 Liste des cours par date d enregistrement 97

113 CHAPITRE IV. VALIDATION DU SYSTÈME AFGLEARN FIGURE IV.12 Liste des cours par types FIGURE IV.13 Exemple de chromosome généré 98