Thèse. présentée. en vue de l obtention du DOCTORAT DE L UNIVERSITE DE TOULOUSE DELIVRE PAR L INSTITUT NATIONAL POLYTECHNIQUE DE TOULOUSE

Transcription

1 N d ordre : 2529 Thèse présentée en vue de l obtenton du DOCTORAT DE L UNIVERSITE DE TOULOUSE DELIVRE PAR L INSTITUT NATIONAL POLYTECHNIQUE DE TOULOUSE École doctorale Spécalté : Informatque et Télécommuncatons : Informatque Par M : Chrstophe Pombo Ttre de la thèse Modélsaton probablste du style d apprentssage et applcaton à l adaptaton de contenus pédagogques ndexés par une ontologe Soutenue le 30 octobre 2007 devant le jury composé de : M. Jean-Marc Labat Présdent et Rapporteur MM. Alan Ayache Mohamed Quafafou Hadj Batata Therry Nodenot Phlppe Vdal Drecteur de thèse Rapporteur Membre (encadrant) Membre Membre

2

3 3 Epgraphe «Quoque j nvente, quoque je fasse, je sera toujours au dessous de la vérté. Il vendra toujours un moment où les créatons de la scence dépasseront celles de l magnaton» Jules Verne

4

5 5 Remercements J ameras en premer remercer deux hommes sans qu cette thèse n aurat pu vor le jour et se termner. Je remerce le Professeur Alan Ayache, mon Drecteur de thèse et drecteur de l ENSEEIHT, pour avor soutenu mon dosser d nscrpton en thèse et m avor ans perms de réalser mon projet d études. Je remerce le docteur Hadj Batata, mon co-encadrant et maître de conférences à l IPST-Cnam, de m avor pendant ces 6 années, soutenu, adé et poussé à termner cette thèse. Sa capacté à encadrer un étudant, sa compétence dans le domane scentfque et sa rgueur professonnelle m ont servs d exemple dans l apprentssage du méter de chercheur. Je sus sensble à l honneur que me font les professeurs Jean-Marc Labat et Mohamed Quafafou en rapportant sur ma thèse. La qualté de leurs remarques m ont perms d amélorer le contenu de ce manuscrt. Je remerce le professeur Phlppe Vdal ans que Therry Nodenot, maître de conférences, d avor acceptés d examner cette thèse et de partcper au jury de cette dernère. Durant cette thèse j a mené des études emprques qu n auraent pu se fare sans l ade de certanes personnes. C est pourquo j ameras remercer les collègues de l Unversté du Mral, à savor Chrstan Escrbe, Nathale Huet et Claudette Marné qu ont fat passé à leurs élèves le questonnare d évaluaton de style d apprentssage et à Carolne Dupeyrat pour m avor adé à le tradure en Franças. J ajoute à ces remercements Claude Bégué prncpal du collège de Ramonvlle et Mchelle Castang professeur de mathématques pour m avor perms de travaller avec leurs élèves de 5 ème. Je remerce le professeur Mchel Daydé de m avor accuell dans le laboratore LIMART où j a pu réalser mes travaux de recherche ans que Sylve Echen, Josane Gambno et Anne Adelantado les dfférentes secrétares du laboratore qu se sont occupées de mes dfférents dossers admnstratfs et dossers de mssons. Je remerce auss l ensemble des thésards du laboratore pour leur ade à un moment ou un autre tout au long de ces années de thèse et plus partculèrement Zehour Ouksl, Clovs Tauber et Amhed Touham pour leur amté, leur gentllesse et leur proxmté. Enfn, je voudras ajouter à ces remercements mes collègues de traval à l IPST- Cnam qu m ont toujours soutenu et adé dans cette actvté par leur gentllesse et leur dsponblté. Un grand merc tout partculèrement à Karm Achabou, responsable du département nformatque, et aux dfférents ensegnants de ce même département. Je veux nommer Danelle Barbarou, Bertrand Raff et Lous Randramhamson. Que sot auss remercée Valére Crouzl, secrétare du département nformatque, pour sa dsponblté et sa bonne humeur rayonnante. Je voudras ensute termner en remercant toute ma famlle d avor acceptée pendant ces 6 années, mon manque de dsponblté à cause de l mportante masse de traval à fournr dans le contexte de cette thèse. A mon fls Florent et mon épouse Valére

6

7 7 Table des matères EPIGRAPHE... 3 REMERCIEMENTS... 5 TABLE DES MATIERES... 7 LISTE DES FIGURES LISTE DES TABLEAUX INTRODUCTION GENERALE PROBLEMATIQUE CONTRIBUTIONS PLAN DE LA THESE ETAT DE L ART INTRODUCTION MODELISATION DE L ELEVE Type du modèle Données du modèle : connassances et préférences Acquston du modèle : statque, dynamque ou mxte Dscusson MODELISATION DE CONTENUS STRATEGIES D ADAPTATION Adaptaton de la présentaton Adaptaton de la navgaton Modèle d adaptaton à pluseurs couches Incerttude dans le chox de l adaptaton Dscusson STYLE D APPRENTISSAGE Dfférentes approches et modèles Style d apprentssage et performances de l élève Style d apprentssage et documents adaptatfs WEB2.0 : MODELES DE L ELEVE ET DE CONTENUS Les ontologes Ontologes et systèmes d ensegnement Ontologes et «proflng» CONCLUSION ACTIVITE DE PROFILAGE : ETUDE STATISTIQUE DU STYLE D APPRENTISSAGE INTRODUCTION META-MODELE CONCEPTUEL DU PROCESSUS DE PROFILAGE MODELE DE DEPENDANCE DU STYLE D APPRENTISSAGE Indcateurs observables Paramètres non observables Dépendances entre ndcateurs observables et paramètres non observables MESURE DU STYLE D APPRENTISSAGE : QUESTIONNAIRE ILS Echantllon de la populaton pour l étude Mesures de l étude Concepton et mse en œuvre de l étude Résultats de l étude INDICATEURS OBSERVABLES POUR INFERER LE STYLE D APPRENTISSAGE D UN ELEVE Echantllon de la populaton pour l étude Mesures de l étude Concepton de l étude Mse en œuvre de l étude Résultats de l étude VARIABLES DE PROFILAGE DU STYLE D APPRENTISSAGE

8 Varables non observables : Le style d apprentssage de l élève Varables observables CONCLUSION APPRENTISSAGE SUPERVISE DU MODELE DE L ELEVE INTRODUCTION SYSTEME ADAPTATIF PROPOSE MODELE DE L ELEVE MODELE DE CONNAISSANCES Les varables Relatons causales : arcs et paramètres du réseau MODELE DE PREFERENCES Concepton Apprentssage Inférence UN RESEAU BAYESIEN POUR INFERER LES PREFERENCES D UN ELEVE Aperçu théorque Structure du réseau Entraînement du réseau Inférences et renforcement du réseau Valdaton du modèle MACHINE A VECTEURS DE SUPPORT POUR INFERER LES PREFERENCES D UN ELEVE Aperçu théorque SVM mult-classes pour estmer les préférences d un élève Valdaton du modèle CONCLUSION CONTENU ADAPTATIF : MODELE, METHODE ET IMPLEMENTATION INTRODUCTION MODELE DE CONTENUS Modèle conceptuel du domane Modèle conceptuel pédagogque Modèle conceptuel d objets d apprentssage Décomposton Structurelle du modèle de contenus METHODE DE PRODUCTION DES CONTENUS Recuel des besons de formaton du méter Analyse pédagogque Concepton pédagogque Développement du matérel pédagogque STRUCTURATION STANDARD DES CONTENUS Nécessté de structurer les ressources Modèle SCORM d agrégaton de contenus Structuraton proposée Données d adaptaton proposées MISE EN ŒUVRE ET RESULTATS CONCLUSION ADAPTATION INTRODUCTION MESURES DE PERTINENCE EN IR Mesures de smlarté par calcul Mesures de smlarté par comparason ADAPTER UNE SEQUENCE PEDAGOGIQUE AU STYLE D APPRENTISSAGE Archtecture du système adaptatf Modèle d adaptaton Mesure de smlarté sémantque SIMULATIONS ET RESULTATS CONCLUSION...227

9 9 CONCLUSION GENERALE LIMITATIONS PERSPECTIVES BIBLIOGRAPHIE ANNEXES

10

11 11 Lste des fgures Fgure Archtecture de notre système adaptatf Fgure 1-1 : Archtecture générale des AIWBES Fgure 1-2 : Modèle expertse-partelle Fgure 1-3 : Modèle dfférentel Fgure 1-4 : Modèle perturbaton Fgure 1-5 : Réponse ncorrecte dans un problème de soustracton de deux nombres Fgure 1-6 : Modèle socal Fgure 1-7 : Modèle de connassances et modèle d atttudes (préférences) de l élève Fgure 1-8 : Exemple de relatons AND-OR dans le modèle GM Fgure 1-9 : le modèle de connassances de LAOS Fgure 1-10 : Représentaton XML d un Modèle de connassances de l élève Fgure 1-11 : couche domane/couche actvté Fgure 1-12 : exemple de resource basée sur les prncpes de l ntellgence vsuel/spatal. 42 Fgure 1-13 : Représentaton XML d un modèle de contenus Fgure 1-14 : modèle de contenu du système INSPIRE Fgure 1-15 : Modèles d adaptaton (AM) et (PM) du framework LAOS Fgure 1-16 : Les tros couches de AM Fgure 1-17 : Concepts du modèle GM de LAOS Fgure 1-18 : exemple de règles d adaptaton drectes Fgure 1-19 : Structure FOR- DO Fgure 1-20 : Le modèle d adaptaton de LAOS dans MOT Fgure 1-21 : Modèle de contenu du système GIAS Fgure 1-22 : Etape de prédcton Fgure 1-23 : Attrbuts et leurs valeurs Fgure 1-24 : processus de génératon des sujets Fgure 1-25 : dfférents nveaux sémantques dans les ontologes Fgure 1-26 : ple du Web sémantque Fgure 1-27 : classfcaton des ontologes dans le domane de la modélsaton des utlsateurs Fgure 1-28 : archtecture de OntobUM Fgure 2-1 : dagramme de classes du processus de proflage Fgure 2-2 : dépendances entre,, et Fgure 2-3 : relatons entre,, et Fgure 2-4 : dmenson du style Fgure 2-5 : dmenson sensorelle (D 1 ) Fgure 2-6 : dmenson de progresson (D 2 ) Fgure 2-7 : dmenson de réflexon (D 3 ) Fgure 2-8 : dmenson du rasonnement (D 4 ) Fgure 2-9 : dmensons adaptées du modèle Fgure 2-10 : varaton du coeffcent TAL Fgure 2-11 : exemple d objectfs d apprentssage Fgure 2-12 : matérel pédagogque graphque - contrant Fgure 2-13 : matérel pédagogque graphque - lbre Fgure 2-14 : matérel pédagogque textuel - contrant Fgure 2-15 : matérel pédagogque textuel - lbre Fgure 2-16 : pré-test en début de séquence Fgure 2-17 : évaluaton sommatve

12 12 Fgure 2-18 : Relaton entre U et TAL Fgure 2-19 : Varaton de la note du post-test par groupe Fgure 2-20 : Varaton de la note du post-test par groupe après fltrage Fgure 2-21 : Varaton de la note du post-test par groupe et nveaux de Bloom Fgure 2-22 : Varaton du TAL par groupe Fgure 2-23 : Varaton de l effort d un élève par groupe Fgure 3-1 : archtecture du système proposé Fgure 3-2 : varaton du nveau d acquston Fgure 3-3 : Inférence du prochan objectf Fgure 3-4 : modèle de connassance Fgure 3-5 : approche top-dowm Fgure 3-6 : nférence des métadonnées M en foncton de { T, D } Fgure 3-7 : Inférence du style de l élève Fgure 3-8 : dépendances entre M, P et D Fgure 3-9 : dépendances entre M, P et T Fgure 3-10 : schéma réseau bayésen Fgure 3-11 : structure du réseau bayésen Fgure 3-12 : réseau bayésen Fgure 3-13 : processus de valdaton du réseau bayésen (RB) Fgure 3-14 : pourcentage de style correctement estmé par le RB Fgure 3-15 : processus de valdaton du réseau bayésen (RB) Fgure 3-16 : pourcentage de M correctement estmées par le RB Fgure 3-17 : la transformaton non lnéare des données offre une séparaton lnéare des exemples dans un nouvel espace Fgure 3-18 : L hyperplan séparateur optmal est celu qu maxmse la marge dans l espace de redescrpton Fgure 3-19 : changement d espace pour transformer une séparaton non lnéare en lnéare Fgure 3-20 : structure de l estmateur de préférences Fgure 3-21 : pourcentage de style correctement estmé par SVM Fgure 3-22 : pourcentage de correctement estmé par SVM Fgure 4-1 : structure des modèles de contenus Fgure 4-2 : Approche conceptuelle du modèle de contenus Fgure 4-3 : exemple de décomposton du domane Fgure 4-4 : exemple de décomposton pédagogque Fgure 4-5 : exemple d objets d apprentssage Fgure 4-6 : représentaton UML de la décomposton structurelle du modèle de contenus Fgure 4-7 : vson parcellare de la méta-ontologe du modèle de contenu Fgure 4-8 : représentaton UML des dépendances du modèle de contenus Fgure 4-9 : cycle de ve du modèle de contenus Fgure 4-10 : exemples d assets Fgure 4-11 : exemple de SCO Fgure 4-12 : Organsaton des contenus Fgure 4-13 : métadonnées LOM Fgure 4-14 : les 9 catégores de LOM Fgure 4-15 : séquence et navgaton (Seq. & Nav.) pour les actvtés Fgure 4-16 : Deux nveaux d adaptaton Fgure 4-17 : Structure du paquet SCORM

13 13 Fgure 4-18 : le concept de <Tache> Fgure 4-19 : relaton d nfluence entre concepts <Tâche> Fgure 4-20 : exemple de concept <Tâche> Fgure 4-21 : exemple de descrpton LOM d un concept <Tâche> Fgure 4-22 : le concept <ObjectfGlobal> Fgure 4-23 : relaton d nfluence entre concepts <ObjectfGlobal> Fgure 4-24 : exemple de concept <ObjectfGlobal> Fgure 4-25 : exemple de descrpton LOM de concept <ObjectfGlobal> Fgure 4-26 : le concept <ObjectfFnal> Fgure 4-27 : relaton d nfluence entre concepts <ObjectfFnal> Fgure 4-28 : exemple de concept <ObjectfFnal> Fgure 4-29 : exemple de descrpton LOM de concept <ObjectfFnal> Fgure 4-30 : exemple de descrpton SCORM du concept <Sequence> pour un objectf fnal Fgure 4-31 : le concept <Sequence> Fgure 4-32 : exemple de concept <Sequence> Fgure 4-33 : exemple de descrpton LOM de concept <Sequence> Fgure 4-34 : exemple de descrpton SCORM du concept <Sequence> pour un objectf fnal Fgure 4-35 : le concept <Actvte> Fgure 4-36 : exemple de concept <Actvte> Fgure 4-37 : exemple de descrpton LOM de concept <Actvte> Fgure 4-38 : le concept de <Ressource> Fgure 4-39 : exemple de concept <Ressource> Fgure 4-40 : exemple de descrpton LOM de concept <Ressource> Fgure 4-41 : exemple de descrpton SCORM de concept <Ressource> Fgure 5-1 : archtecture d un système adaptatf ( D est le style réel nconnu de l élève)218 Fgure 5-2 : Deux nveaux d adaptaton Fgure 5-3 : Structure de contenus adaptatfs Fgure 5-4 : algorthme du sélecteur de séquence Fgure 5-5 : algorthme du composteur Fgure 5-6 : relatons entre Acteurs, Tâches et Artefacts Fgure 5-7 : décomposton structurelle de la tâche «requrements» Fgure 5-8 : dépendance entre les tâches méters Fgure 5-9 : décomposton structurelle des compétences méter Fgure 5-10 : dépendances des compétences méter Fgure 5-11 : décomposton structurelle des objectfs pédagogques Fgure 5-12 : dépendances des objectfs pédagogques Fgure 5-13 : maquette écran du verbe «Identfy» Fgure 5-14: Results of Learnng Process Fgure 5-15: Results of Content Fgure 5-16: Results of Exercses and Tests Fgure 5-17: Results of Navgaton & Orentaton

14

15 15 Lste des tableaux Tableau 1-1 : Modèle de préférences de l élève Tableau 1-2 : correspondance entre éléments OWL et enttés concept map Tableau 2-1 : Queston ILS par dmenson du style Tableau 2-2 : degré de confance de la mesure du style Tableau 2-3 : Facteurs explqués par la premère verson du questonnare ILS Tableau 2-4 : varables pour l étude Tableau 2-5 : matérel pédagogque utlsé par groupe Tableau 2-6 : Répartton des Styles dans la populaton étudée Tableau 2-7 : Facteurs explqués par le questonnare RILS Tableau 2-8 : Varables observées lors de la séquence pédagogque Tableau 2-9 : Varaton des varables mesurées lors de l expérmentaton Tableau 2-10 : Pourcentage de résultats élmnés par groupe Tableau 3-1 : méthodes d apprentssage Tableau 3-2 : matrce de données après fltrage Tableau 3-3 : Pourcentage de résultats élmnés par groupe Tableau 4-1 : représentaton du concept de <Tache> Tableau 4-2 : représentaton du concept <ObjectfGlobal> Tableau 4-3 : représentaton du concept <ObjectfFnal> Tableau 4-4 : représentaton du concept <Sequence> Tableau 4-5 : représentaton SCORM du concept <Sequence> Tableau 4-6 : représentaton du concept <Actvte> Tableau 4-7 : représentaton du concept <Ressource> Tableau 5-1 : dmensons d adaptaton sémantque d une séquence pédagogque Tableau 5-2 : correspondances adaptaton / structure de contenus Tableau 5-3 : 16 modèles de séquences pédagogques Tableau 5-4 : Précson et Rappel du système Tableau 5-5 : type de ressources en foncton du type d actvtés

16

17 Introducton générale 17

18

19 Introducton générale 19 Automatser l ensegnement a été la soluton rêvée pour résoudre le problème d éducaton né de l exode rural du début du vngtème sècle. Indvdualser l nstructon à l ade de machnes a été la motvaton ntale de beaucoup de travaux. Dvers outls, ncluant le phonographe, tourne-dsques, rado, pus télévson ont été utlsés pour ensegner. Mas la premère ndvdualsaton prendra la forme de l ensegnement programmé. Cette approche, née du courant psychologque béhavorste, prône la décomposton d une matère en fragments élémentares admnstrés à l élève d une manère lnéare par questons et réponses. Commençant sous forme de programmes manuels, cette méthode a vte fat sentr le beson de dsposer de machnes à ensegner. Pour répondre aux besons des mltares et des ndustrels, la machne à ensegner de Crowder a été conçue. Elle utlse le prncpe de programmaton à branchement pour dstller à l élève des connassances de plus en plus complexes en foncton de ses réponses. La dffculté d utlser ce genre de machne a poussé les chercheurs à consdérer d autres modes d nteracton entre la machne et l élève. Dès 1959, Gordon Pask propose le concept de machne qu s adapte au style d apprentssage de l élève. Il est le premer à s ntéresser à l ajustement de l ensegnement en foncton des réponses correctes et erronées de l élève. L ensegnement programmé devent alors une dscplne à part entère réunssant chercheurs, producteurs et formateurs avec des publcatons et des manuels. Intervnt alors la nassance de l ensegnement asssté par ordnateur (EAO). Pluseurs systèmes d ensegnement et logcels auteurs voent le jour dans pluseurs unverstés, notamment amércanes. Des tutoraux et des smulatons avec des nteractons graphques se développent et se répandent. De nombreux laboratores de recherche en EAO sont créés à travers le monde. Le développement de l ntellgence artfcelle a apporté des améloratons aux méthodes et modes d nteracton des logcels d apprentssage. Cela a donné nassance aux systèmes tuteurs ntellgents. Pluseurs de ces systèmes sont créés dans des domanes auss varés que la géographe, les mathématques, le dépannage de crcuts électronques, et la médecne. Sous l nfluence des travaux de Jean Paget, le courant de l apprentssage constructvste s est développé. La nassance des scences cogntves, conjuguée aux efforts dans l ntellgence artfcelle, apporte alors une rupture avec le béhavorsme. Seymour Papert crée le langage LOGO spécalement conçu pour l éducaton. L élève programme la machne pour explorer et construre sa connassance au leu de l nverse. Ce langage entraîne de nombreuses recherches et développements, souvent concluants. Cependant, l usage de LOGO reste dans un cadre d ensegnement classque, à cause de ces lmtatons et des besons de formaton des maîtres. L apparton de la programmaton objet avec Smalltalk est un autre fat marquant l évoluton des technologes éducatves. Il apportera une nouvelle approche de concepton des contenus et envronnements d apprentssage.

20 20 La démocratsaton de la mcro-nformatque dans les années 1980 permt d accélérer le développement d applcatons éducatves par ordnateur. Le multméda est devenu une ndustre dans laquelle le secteur du CD-ROM d ensegnement par ordnateur a prs un essor consdérable. Le ralentssement de ce mouvement dans les années quatre vngt dx a coïncdé avec l arrvée du Web. Ce méda facle d accès et d utlsaton a accéléré le développement de contenus d apprentssage hypertextes. Publer son cours sur Internet est devenu le losr de tout ensegnant moderne! Les entreprses et autres organsmes publcs y ont vu le moyen de délvrer «la connassance qu l faut au moment où l faut» à leurs employés. L ensegnement à dstance par le réseau est devenu un domane d ntérêt pour les unverstés auss. Des systèmes de geston de l apprentssage (learnng management systèmes) se sont répandus. Ils permettent de stocker, délvrer, et admnstrer des cours ou programmes enters par le Web. Afn de valorser économquement le secteur du e-learnng, des normes et standards (e.g. SCORM, LOM, IMS LD) se sont créés. Ils vsent pour leur majorté la normalsaton de la descrpton des contenus pédagogques en vue de faclter leur nteropérablté et réutlsaton. La convergence entre les tuteurs ntellgents et l ensegnement nteractf par le web a engendré une nouvelle forme de systèmes dts, envronnements ntellgents pour l apprentssage human (EIAH). C est la nassance du nouveau paradgme de séparaton du contenu et du contrôle. L évoluton de la technologe a ans perms de reconsdérer la personnalsaton de l nstructon à l élève. Les EIAH gèrent des objets d apprentssages granulares et réutlsables. Ils les explotent en foncton de modèles de connassances et de préférences de l élève afn de lu fournr un ensegnement adapté. Des efforts consdérables de recherche ont été déployés pour créer des méthodes, modèles et outls pour cette approche. L adaptaton d un ensemble de contenus pédagogques a été vue comme la personnalsaton de la navgaton et de la présentaton aux besons de l élève. Les crtères à utlser pour cette actvté et la manère de les recuellr reste de l ordre de la recherche, malgré un début de normalsaton comme IMS LIP. Problématque Dans ce contexte, cette thèse est une contrbuton aux efforts de recherche sur l adaptaton de l ensegnement à l élève. La problématque posée est comment proposer à l élève une expérence pédagogque qu sot approprée non seulement à ses connassances mas auss à sa manère d apprendre. Nous avons reformulé ce problème en fxant les objectfs scentfques suvants : - établr un modèle formel prédctf des caractérstques psychologques de l élève défnssant sa manère d apprendre - concevor un modèle de contenus pédagogques ncluant les besons d adaptaton aux caractérstques de l élève - proposer une stratége d adaptaton permettant de mettre en correspondance le modèle de l élève et le modèle de contenus pour recommander les actvtés pédagogques qu maxmsent les performances.

21 Introducton générale 21 Pour attendre le premer objectf, nous avons opté pour la caractérsaton du style d apprentssage de l élève. L ndex de learnng style de Felder a été chos pour sa portée générale. Nous avons mené une étude emprque pour établr un modèle de dépendance statstque pour prédre l effet du style sur le comportement de l élève. L analyse des résultats nous a perms de valder tros nouvelles mesures du comportement de l élève : l énerge d apprentssage, le degré d attenton, et le nveau d adaptaton de la séquence à son style. Les résultats de cette étude nous ont perms de proposer une approche probablste générque pour modélser le style de l élève. Nous avons mplanté ce modèle à l ade de deux formalsmes mathématques : les réseaux bayésens et les machnes à vecteurs de support. Le traval sur le deuxème objectf a conssté à créer une méta-ontologe décrvant le contenu pédagogque. Elle se compose de tros modèles conceptuels : méter, pédagogque, et de ressources. Nous avons développé une méthode d ngénere pédagogque en cnq phases pour nstancer cette méta-ontologe pour créer un cours. Le lvrable fnal de la méthode est un ensemble d objets d apprentssage ndexés par une ontologe. Nous avons montré comment un tel ensemble peut être structuré et décrt à l ade de SCORM CAM et LOM. Cela a nécessté l adaptaton de SCORM et l améloraton de LOM pour répondre aux besons de l adaptaton. Le derner objectf a été traté en formulant l adaptaton comme un problème de recherche de la séquence optmale parm celles décrtes dans le contenu. L optmalté est mesurée à l ade d une dstance de smlarté sémantque des séquences. Quatre dmensons, consttuées chacune de pluseurs métadonnées sont à la base de notre modèle d adaptaton. L ntégraton de ces travaux s est fate à travers la concepton d un système d ensegnement adaptatf (Fgure 1.1). L archtecture de ce système a été la trame qu a gudé le développement des dfférentes partes. Deux partes de ce système ont été mses en œuvre dans deux projets européens. En effet, la méthode et le modèle de contenus ont été à la base du projet européen UP2UML. La parte modélsaton de l élève a été réutlsée dans le projet KPLAB dans le cadre de l actvté de proflage des utlsateurs d un système de traval coopératf. Modèle de l élève (Ch2,3) Préférences de l élève Moteur de décson (Ch3) Comportement de l élève Module clent Modèle de contenus (Ch4) Module d adaptaton (Ch5) Séquence adaptée Fgure Archtecture de notre système adaptatf

22 22 Contrbutons Les travaux de cette thèse ont about aux contrbutons scentfques suvantes : - une étude emprque montrant la dépendance entre le style d apprentssage, l actvté pédagogque et le comportement de l élève - tros mesures orgnales pour caractérser le comportement de l élève : l énerge d apprentssage, le degré d attenton, et le nveau d adaptaton de la séquence - un réseau bayésen pour estmer par renforcement le style d apprentssage et recommander les métadonnées de la séquence pédagogque adaptée - un deuxème classfcateur probablste fondé sur le formalsme de machne à vecteurs de support pour estmer le style et recommander la séquence adaptée - un modèle de contenus capable de capturer la varaton des méthodes et approches pédagogques, composé de tros partes : les connassances méter, les aspects pédagogques, et les caractérstques structurelles et de forme des ressources - une méthode d ngénere permettant la créaton d un cours selon notre modèle de contenus, produsant une ontologe et des objets d apprentssage granulares structurés selon la norme SCORM - une stratége d adaptaton de l ensegnement au style de l élève qu se fonde sur le nveau de connassance, le type de navgaton, la nature des actvtés, le genre de méda, et le type de ressource - une mesure de smlarté sémantque pour évaluer la dstance entre deux séquences pédagogques, permettant de sélectonner la séquence optmale, au sens de notre stratége d adaptaton, pour un style donné Plan de la thèse En plus de cette ntroducton générale, la thèse est structurée en cnq chaptres. Nous consellons une lecture lnéare des chaptres. Une concluson générale revent sur les lmtatons de nos travaux et les perspectves que nous en dédusons pour nos futures recherches. Un aperçu du contenu de chaque chaptre est donné c-après. Chaptre 1 : Etat de l art Ce chaptre présente une revue de la lttérature des modèles et technques lés à la concepton des systèmes d ensegnement adaptatfs. Nous y couvrrons les modèles de l élève, les modèles de contenus et les stratéges d adaptaton. Nous fnrons en montrant comment les nouveaux systèmes d ensegnement tentent d utlser les ontologes pour la concepton de leurs modèles de connassances. Les méthodes numérques telles que les réseaux bayésen et les machnes à vecteurs de support utlsées pour mplémenter le modèle de l élève, seront présentées dans le chaptre 3.

23 Introducton générale 23 Chaptre 2 : Actvté de proflage, étude statstque du style d apprentssage Dans ce chaptre, nous décrvons un méta-modèle conceptuel générque qu présente le processus de proflage comme étant l actvté d estmer des varables non observables à partr d ndcateurs observables. A la base de ce méta-modèle, nous créons un modèle de dépendance permettant de profler le style d apprentssage d un élève dans le cadre de l ensegnement à dstance. Nous y décrrons l étude emprque que nous avons menée pour caractérser les ndcateurs mesurables du comportement de l élève. Tros mesures orgnales du comportement y sont proposées et valdées : l énerge d apprentssage, le degré d attenton, et le nveau d adaptaton de la séquence. Le chaptre montre statstquement que l adaptaton de la séquence pédagogque au style d apprentssage de l élève nfluence son comportement et ses performances. Chaptre 3 : Apprentssage supervsé du modèle de l élève A la base des résultats obtenus au chaptre précédent, nous présentons un modèle de l élève qu sépare les connassances et les caractérstques psychologques défnssant les préférences d apprentssage. La parte modèle de connassances est utlsée par un séquenceur d objectfs pédagogques pour détermner l actvté pédagogque suvante. La parte préférences est l aspect central de ce chaptre et de cette thèse. Elle est le fondement de notre approche d adaptaton de la séquence pédagogque, de la nature de ses actvtés, du mode de navgaton dans la séquence et du type de matérel présenté pour tenter de maxmser la performance de l élève. Nous l explotons de deux manères complémentares. D un côté, en observant les comportements que l élève exhbe face aux séquences qu l a déjà suves, le système apprend par renforcement son style d apprentssage. De l autre côté, étant donné les performances obtenues et la croyance actuel sur le style, le système estme probablstquement les métadonnées décrvant la séquence préférée à présenter à l élève au prochan objectf. La séquence déale n exstant pas, ce sera au module d adaptaton (Chaptre 5) de sélectonner la séquence optmale. Le composant de notre système qu se charge de ces deux tâches se nomme estmateur de style d apprentssage. Il forme avec le séquenceur mentonné c-dessus le moteur de décson de notre système adaptatf. Nous avons mplémenté deux versons dfférentes de l estmateur de style, toutes les deux probablstes. La premère s appue sur la technque des réseaux bayésens. La seconde se fonde sur le formalsme de machnes à vecteurs de support. Nous montrerons que sous certanes condtons, la seconde aboutt à de melleurs résultats. Chaptre 4 : Contenu adaptatf : modèle, méthode et mplémentaton Ce chaptre trate de la concepton, la créaton et l mplémentaton du modèle de contenus de notre système adaptatf. Nous y proposons l utlsaton d une méta-ontologe composée de tros modèles conceptuels : méter, pédagogque et de ressources. Nous proposons une méthode d ngénere pédagogque pour créer les contenus en nstancant la méta-ontologe. L orgnalté de cette méthode se stue dans le fat que les phases enrchssent successvement l ontologe décrvant le sujet d étude. Le résultat est un ensemble d objets d apprentssage ndexés par une ontologe. L ontologe est la base du modèle de connassances de l élève (chaptre 2). En effet, les connassances de l élève sont représentées par un recouvrement probablste de l ontologe.

24 24 Nous proposons SCORM CAM comme moyen technque pour structurer et décrre l ontologe et les ressources. Nous amélorons les métadonnées LOM pour mplémenter les nformatons nécessares à l adaptaton. Nous montrons fnalement la mse en œuvre de cette approche dans le projet européen UP2UML. Chaptre 5 : Stratége d adaptaton Ce chaptre se focalse sur la stratége d adaptaton. Nous y formulons le problème de l adaptaton comme un problème de recherche de séquence pertnente dans une base. Nous proposons un modèle d adaptaton de la séquence pédagogque en foncton de la navgaton, l actvté, le méda et le type de ressource. Nous établssons l archtecture du module d adaptaton qu mplémente ce modèle. Ce module prend en entrée, sous forme de requête, les caractérstques de la séquence déale qu sort du moteur de décson (Chaptre 3). Il recherche la séquence optmale parm celle dsponbles dans le modèle de contenus. Il en compose le contenu pédagogque. Pour mesurer la dstance entre deux séquences, nous proposons une nouvelle mesure de smlarté sémantque qu explote l ndexaton des contenus par des métadonnées. Enfn, nous présentons la smulaton que nous avons effectuée pour valder l approche. Des mesures quanttatves de performance sont utlsées.

25 25 CHAPITRE 1. Etat de l art Résumé : Les systèmes d ensegnement adaptatfs vsent à mettre en adéquaton les séquences pédagogques et les profls des élèves. Ils utlsent, à cette fn, un ou pluseurs modèles pour représenter la connassance. On rencontre prncpalement des modèles d élèves et de contenus. Dans ce chaptre, nous présentons une revue de la lttérature des modèles et technques d adaptaton. Nous fnrons en montrant comment les nouveaux systèmes d ensegnement tentent d utlser les ontologes pour la concepton de leurs modèles de connassances.

26

27 Introducton Introducton Les dernères années ont connu une exploson des systèmes d ade à l apprentssage human qu explotent les technologes du Web et du multméda. Dans ce contexte, les technques de l ntellgence artfcelle sont utlsées pour la modélsaton des élèves [Bruslovsky, 1999] et l adaptaton des séquences pédagogques. L objectf est de fournr à l élève, à tout moment, l nformaton pertnente présentée d une manère approprée [Fscher, 2001]. Cependant une queston s mpose : Quelle est la bonne nformaton et qu est ce qu une présentaton adaptée? Pour tenter d y répondre, pluseurs modèles et prototypes de systèmes adaptatfs et ntellgents d ensegnement par le Web 1 ont vu le jour. Ils sont le résultat du crosement des recherches sur les systèmes tuteurs ntellgents 2 [Murray, 1999 ; Self, 1992 ; Sleeman, 1982 ; Wenger, 1997] et les systèmes hyperméda adaptatfs 3 [Bruslovsky et al, 2003a]. Ils explotent dans leur archtecture dvers modèles de connassances [Zhang et al, 2003] pour offrr un apprentssage et des technques d ensegnement personnalsés. Dans [Trantafllou et al, 2003], les auteurs montrent que l archtecture générale d un AIWBES se résume à : un modèle de l élève, un modèle de contenus et une stratége d adaptaton [Pombo et al., 2003] (Fgure 1-1). Elève Serveur Web Stratége d adaptaton Modèle de l élève Modèle de contenus du domane Fgure 1-1 : Archtecture générale des AIWBES Dans [Alesso et al, 2004 ; Brooke et al, 2005], les auteurs ajoutent qu à l ère du Web2.0, l nteropérablté des données stockées dans les dfférents modèles de connassances est nécessare. Cela permet à pluseurs systèmes de partager les nformatons recuelles sur un même élève. Chaque système peut alors fare des nférences sur les données partagées pour amorcer un rasonnement qu mène à la personnalsaton des contenus et des servces offerts [Mehta et al, 2005]. L utlsaton du Web sémantque [Alan et al, 2003] apporte une soluton à ce beson, par l utlsaton d ontologes pour décrre le contenu des dfférents modèles de connassances manpulés par les AIWBES. 1 Adaptve and Intellgent Web-Based Educatonal Systems - AIWBES 2 Intellgent Tutorng System - ITS 3 Adaptve Hypermeda Systems - AHS

28 28 Etat de l art Dans ce chaptre, nous présentons les dfférents modèles de connassances explotés dans les AIWBES et leurs évolutons grâce à l utlsaton des technologes du Web2.0, notamment les ontologes Modélsaton de l élève L estmaton des caractérstques d un élève est essentelle pour les applcatons qu exgent une adaptaton, telles que la recherche documentare sur le Web [Bruslovsky et al, 2004b], la vste de musées vrtuels [Sparacno, 2003], l accès aux pages Web pour des utlsateurs attents d handcaps [Alexandrak, 2004; Stephands, 2001], ou le commerce électronque [Perrakos et al, 2003]. Une synthèse de solutons commercales pour la modélsaton des utlsateurs du web peut être trouvée dans [Fnk et al, 2000]. Dans le contexte de l apprentssage human, le prncpe fondamental ms en œuvre consste à estmer les besons de l élève pour adapter les contenus pédagogques [Fsher, 2001]. Afn de faclter leur comparason, nous nous proposons de présenter les modèles de l élève suvant tros crtères : Le type du modèle. On dstngue quatre types : expertse-partelle, dfférentel, perturbaton et socal ; Les données du modèle. Deux catégores de données sont utlsées : le nveau de connassances de l élève ou les préférences de l élève ; L acquston du modèle. Elle peut être statque, dynamque ou mxte Type du modèle Dans la lttérature quatre types de modèles sont utlsés pour représenter les caractérstques d un élève. Tros modèles se fondent sur la comparason de l élève avec un expert du domane étudé (Expertse-partelle, Dfférentel et perturbaton). Le quatrème opte pour une classfcaton des élèves (Socal). Le modèle expertse-partelle 4 Le modèle de type expertse-partelle est le plus connu et le plus utlsé [Kass, 1989]. Il défnt la connassance de l élève comme étant un sous ensemble de la connassance d un expert du domane. On consdère que l élève aura acqus le nveau de connassances souhaté lorsqu l y aura recouvrement (Overlay) parfat des connassances de l expert par les connassances de l élève. Dans ce modèle, l est nécessare de pouvor décomposer le domane de connassances étudé en dfférents éléments qu seront les ponts de mesure à contrôler. Cette modélsaton est relatvement générque, car elle peut représenter un ensemble de règles, de fats, de concepts ou autres éléments à étuder. La Fgure 1-2 montre une représentaton d un modèle de type expertse-partelle pour un domane à étuder décomposé en 5 concepts. Par exemple, s le domane est le «développement objet», l hértage et le polymorphsme sont des concepts objets. L expert 4 Overlay

29 Modélsaton de l élève 29 est représenté avec un nveau de connassances à 1, exprmant une maîtrse totale de chaque concept. L élève modélsé montre quelques défallances sur les concepts 1 et 3. nveau de connassance 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Elève Expert concept1 concept2 concept3 concept4 concept5 Fgure 1-2 : Modèle expertse-partelle Dans [Bruslovsky et al, 2003c], les auteurs montrent que ce type de modèle peut être utlsé dans les AIWBES en permettant la génératon automatque d un cours ndvdualsé qu tent compte des objectfs et du nveau de connassances de l élève. Il sert à adapter dynamquement le cours en foncton des succès ou échecs de l élève dans la séquence pédagogque. Les auteurs développent le modèle dt expertse-partelle numérque dans lequel le nveau de connassances de chaque concept est représenté par un nombre borné entre une valeur mnmale (débutant) et une valeur maxmale (expert). Un seul de réusste est fxé. En dessous de celu-c, le système contnu à proposer des séquences pédagogques portant sur le même concept. La valeur assocée à chaque élément du modèle peut être de dfférents types et avor dfférentes sgnfcatons [Mayo, 2001]. On trouve des systèmes dans lesquels le nveau de connassances de chaque élément est représenté par une varable modale. Ans, une varable bnare représente pour chaque élément deux états : non acqus et acqus [De Bra, 1996]. La majorté des systèmes utlsent un modèle de type expertse-partelle pondérée. Dans ce cas, les varables possèdent plus de deux modaltés. Il est alors possble de dstnguer pluseurs nveaux de connassances en utlsant une valeur qualtatve : Bon, Moyen, Mauvas [Bruslovsky et al, 1998a; Grgoradou et al, 2001]. D autres systèmes consdèrent que chaque élément est représenté par une varable contnue bornée [Bruslovsky, et al, 1998b; De Bra, et al, 2001] offrant une mesure plus fne du nveau de connassances. La valeur numérque assocée à chaque élément correspond alors sot à la fréquence avec laquelle l élément a été utlsé correctement ou ncorrectement par l élève [Kay, 2000b], sot à une probablté comportant la noton d ncerttude dans la mesure [Mllan, 2000]. Ce modèle de type expertse-partelle probablste est alors consttué d un ensemble de varables, chacune représentant un élément du modèle dont la valeur est le reflet probable du nveau de connassances acqus par l élève pour cet élément [Henze et al, 1999; Specht et al, 2001]. La valeur de ces

30 30 Etat de l art varables peut être mse à jour en utlsant le théorème de Bayes pour calculer à partr d observatons, les probabltés à postéror à partr de probabltés à pror. Des systèmes plus récents utlsent pluseurs modèles de type expertse-partelle chacun spécalsé dans un type d nformaton à mantenr (connassances, préférences, navgaton, etc.) [Frasncar et al, 2004]. Par exemple dans [Castllo et al, 2003], les auteurs utlsent un premer modèle qu enregstre les croyances sur le nveau de connassances de l élève et un second modèle qu mantent les nformatons sur les nteractons avec le système. Ce type de modèle est très contragnant car l oblge l élève à attendre un seul mnmal de connassance sur l ensemble des concepts du domane consdéré. De plus, que fare s l élève n arrve pas à dépasser le seul fxé? L échec pourrat être dû au style d actvtés pédagogques proposées à l élève. Au leu de lre des défntons, ne faudrat-l pas lu proposer d étuder des exemples? Dans ce cas, comment prendre cette décson pédagogque? Dans cette thèse, nous proposons une approche qu permet de répondre à ces questons. Le modèle dfférentel Le modèle dfférentel est une varante du modèle expertse-partelle [Holt et al, 1994]. Il peut être consdéré comme un modèle expertse-partelle sur un nveau de connassances demandé qu est lu même un recouvrement du nveau de connassances d un expert du domane. La Fgure 1-3 montre que seuls les concepts 3 et 4 sont en dessous du nveau demandé. La séquence pédagogque qu suvrat devra donc se focalser sur ces deux concepts. nveau de connassance 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Elève Demandé Expert concept1 concept2 concept3 concept4 concept5 Fgure 1-3 : Modèle dfférentel De ce fat, on peut dre que le modèle de type dfférentel est plus flexble que le modèle de type expertse-partelle car l permet de focalser les nférences sur le nveau de connassances de l élève unquement pour les concepts vsés. Ans, la séquence pédagogque qu lu serat proposée ne tendrat compte que des concepts réellement nécessares pour un certan objectf d apprentssage [Burton et al, 1978]. La dffculté est

31 Modélsaton de l élève 31 alors de défnr quels sont les objectfs d apprentssage sgnfcatfs pour l élève dans le domane d apprentssage consdéré. De plus, ce type de modèle n apporte toujours pas de soluton quant à l analyse d une erreur persstante de l élève sur l acquston d un concept partculer. Le modèle perturbaton La consdératon des connassances de l élève comme un sous-ensemble de celles de l expert est la prncpale lmtaton des modèles expertse-partelle et dfférentel. En effet, cec condut à gnorer les mauvases connassances préalables et les erreurs de rasonnement lors de l apprentssage. Le modèle perturbaton tente de résoudre ces problèmes en proposant de représenter la connassance de l élève comme un sousensemble de la connassance de l expert complété avec un modèle des erreurs (de connassances, de processus, etc.) connues a pror ou découvertes en cours de séquence par l analyse de l actvté. Ans, le système sera capable de meux réagr pour combler les lacunes. La Fgure 1-4 donne une vue graphque du prncpe du modèle perturbaton. Connassances ncorrectes Connassance correctes Connassances De l élève Fgure 1-4 : Modèle perturbaton La Fgure 1-5 présente un exemple d erreur de rasonnement qu l est possble de stocker dans un modèle de type perturbaton [Burton, 1982] Fgure 1-5 : Réponse ncorrecte dans un problème de soustracton de deux nombres

32 32 Etat de l art L erreur peut être explquée en observant que la mauvase règle applquée est : 0-n = n. L élève pense que lorsque le chffre du haut de la colonne est 0 alors le résultat est égal au chffre du bas de la colonne. Le prncpal problème avec ce modèle est qu en pratque l est extrêmement dffcle, vor mpossble de décomposer en éléments dsjonts l ensemble des erreurs qu un élève peut commettre dans l étude d un domane partculer, le rendant de ce fat peu explotable [Vrvou et al, 2000]. Dans ce contexte, l sera très dffcle de l utlser pour corrger la cause réelle de l erreur en proposant à l élève une étude complémentare du sujet qu fat défaut. Le modèle socal Le modèle socal consste à classer un élève parm un ensemble de stéréotypes prédéfns. Le prncpe est d utlser ces stéréotypes comme gude pour le chox d une séquence pédagogque. Les stéréotypes sont défns grâce à une analyse des réponses qu un échantllon d élèves donne à un questonnare orenté. Par exemple, on peut défnr une classfcaton basée sur la personnalté des élèves en utlsant un test de personnalté psychologque [Mlne et al, 1996]. Tout nouvel élève répondrat au questonnare ntal avant de débuter la séquence. L analyse de ses réponses permettrat de calculer la probablté qu l appartenne à chaque stéréotype. Il est alors possble de l assocer au stéréotype le plus probable ( Fgure 1-6 ). Base des stéréotypes Elève? A quel stéréotype appartent l élève? Stéréotype 1 Stéréotype 2 Stéréotype 3 Stéréotype 4 Fgure 1-6 : Modèle socal Il exste deux sortes de modèles socaux : Le premer type est dt «fxe». Lorsqu un élève a été assocé à un stéréotype, l est alors mpossble de révser ce chox pour l affecter à un autre stéréotype [Wnter et al, 1999]. Cela est problématque s par exemple l élève a prétendu dans le questonnare avor une certane compétence, et qu l s avère au cours de la séquence qu l n en est ren. Il faudrat alors pouvor lu réaffecter un nouveau stéréotype.

33 Modélsaton de l élève 33 Le second type est dt «par défaut». Il consste à consdérer que le chox du stéréotype ntal est smplement fat pour avor des paramètres ntaux. Ensute par des observatons fates au regard des actvtés menées, on affne ces paramètres afn de les personnalser [Kay, 2000a]. On est alors en mesure d estmer à nouveau le stéréotype qu devent le plus probable. La dffculté lée à ce genre de modèle est la complexté du nombre de cas dfférents à prendre en consdératon dans le cadre d un système d ensegnement ntellgent. Cela rend pratquement mpossble la créaton des stéréotypes assocés qu dovent être tous dsjonts. L ntersecton de deux stéréotypes ne permettrat pas, pour l élève qu s y trouve, d être assocé à l un des stéréotypes plutôt qu à l autre. Ensute, à nouveau dans le cas où l élève a du mal à suvre les actvtés pédagogques qu lu sont proposées, comment dentfer la cause avec ce modèle et quelle soluton apporter? Données du modèle : connassances et préférences Les AIWBES, utlsent le modèle de l élève pour concevor dynamquement la présentaton et l organsaton du contenu pédagogque lors d une séquence d ensegnement. Dans [Crstea et al, 2004c], les auteurs précsent que concevor un modèle de l élève consste à répondre en partculer à la queston suvante : Quels sont les attrbuts qu devraent être «capturés» par le modèle de l élève? Dans [Grandbasten et Labat, 2006], les auteurs ajoutent que la concepton d un modèle de l élève soulève deux problèmes : d une part le chox des caractérstques ndvduelles (cogntves, comportementales) et de leur mode de représentaton nformatque, d autre part la mse en place de mécansmes de mse à jour de ce modèle à partr des évènements logcels (ou observables) recuells durant l nteracton. Pour répondre à ces questons, nous avons étudé quelques systèmes adaptatfs d ensegnement dans lesquels [Trella et al, 2002] l est possble de scnder le modèle de l élève (Fgure 1-7) en modèle de connassances et de préférences (atttude). Doman Knowledge Conceptual Model Student Model Knowledge Model Atttude Model Overlay Verfed (Atr, Val) (Atr, Val) Estmated (Atr, Val) Fgure 1-7 : Modèle de connassances et modèle d atttudes (préférences) de l élève

34 34 Etat de l art Le prncpe de base est de consdérer que le modèle de l élève est de type expertse-partelle sur le modèle conceptuel de contenus. Ce derner organse le domane à étuder, généralement sous la forme d un graphe dont les nœuds représentent les concepts et les arcs les notons de dépendances ou de composton entre les concepts. Le modèle de connassances de l élève content des nformatons sur le nveau de connassances de l élève au regard de chaque concept consdéré dans le modèle conceptuel de contenus. Dans [Trella et al, 2002], les auteurs utlsent un modèle à deux couches (Fgure 1-7) : la couche «verfed» content le nveau de connassances des concepts qu ont été évalués d une manère sommatve, alors que la couche «estmated» content une estmaton du nveau de connassances par la collecte et le tratement d nformatons dverses reflétant le comportement de l élève pendant la sesson d apprentssage (ex : pages vstés, temps d accès aux pages). L approche des auteurs est de consdérer que les concepts, dont les pages n ont pas été vstés, ne peuvent être connus. Ce prncpe a déjà été utlsé par d autres auteurs comme Bruslovsky dans le système ELM-ART-II [Weber et al, 1997] pour défnr un modèle de connassances à plus de deux nveaux (concepts : vsted, evaluated, nferred, etc). Mas dans ce cas, on ne tent pas compte des connassances que l élève peut avor acquses au préalable. La séquence d ensegnement qu lu sera proposée rsque donc de ne pas être adaptée. Le modèle de préférences (Fgure 1-7) content des nformatons qu décrvent des caractérstques autres que le nveau de connassances. On y trouve, des données comme l âge, la capacté lngustque mas auss des nformatons sur le matérel qu l utlse comme le débt de sa connexon nternet. Dans ce cas, les données sont souvent stockées sous la forme de couples Attrbut-valeur. Dans [Schaffno et al, 2000], les auteurs précsent que ces données sont à consdérer comme l ensemble des préférences d un élève. Elles sont obtenues par un agent qu observe le comportement de l élève dans son actvté. Par exemple, lorsqu un élève nterroge une base documentare, l est possble de capturer les attrbuts utlsés pour la recherche ans que des nformatons temporelles (ex : jour, mos, heure). En mémorsant chaque requête fate par l élève sur une pérode donnée, l utlsaton de technques de rasonnement de type CBR 5 offre un moyen de prédre l nformaton à proposer à l élève. On peut ans détecter, par exemple, qu un utlsateur nterroge tous les matns à 8h00 le ste de météo France pour connaître le temps qu l fat dans la régon Md-Pyrénées. Lors des futures connexons de l utlsateur, le système sera capable de lu présenter cette nformaton sans qu l en fasse la demande. Modélsaton des connassances Ce type de modélsaton a connu un essor mportant avec l apparton des ITS. Le modèle des connassances d un élève est consttué d attrbuts assocés à chaque concept du domane étudé. La valeur mantenue par chaque attrbut est mse à jour en foncton des actvtés de l élève dans la séquence. Ces attrbuts sont de dfférents types et apportent dfférentes nformatons sur l élève. De nombreux systèmes d ensegnement adaptatfs utlsent ce type de modèle. AHA! est un système hyperméda adaptatf orenté Web développé à Endhoven Unversty of Technology [De Bra et al, 2003a]. Le système utlse un modèle de l élève de type expertse-partelle, dans lequel le nveau de connassances pour un concept donné est représenté par un seul attrbut appelé «knowledge». La valeur de cet attrbut est mse à jour de dfférentes façons. La premère et la plus smple consste smplement à enregstrer que l élève a parcouru le contenu des pages assocées au concept vsé. AHA! offre une 5 CBR : Case-Based Reasonng