La modlisation de lapprenant

1
La modélisation de lapprenant
INF7470 Systèmes Tutoriels Intelligents

• Daniel Dubois
• Roger Nkambou
• Laboratoire GDAC

2
Introduction

• Les approches
• Les services
• Les techniques
• Le modèle de lapprenant et la standardisation
  Le e-Portfolio

3
Modèle de l'apprenant (MA)Définition

• Évidence le modèle de l'apprenant sert à décrire
  l'apprenant
• QUESTION POUR VOUS qu'est-ce qu'on peut
  vouloir décrire de l'apprenant?

• Sans une modélisation de l'apprenant, un EIAO ne
  peut qu'être un EAO non adapté, qui doit traiter
  uniformément tous les étudiants.
• Avec le MA, le module Tuteur peut se guider dans
  ses interventions tutorielles
• QUESTION POUR VOUS
• À la toute première séance avec un apprenant,
  qu'y a-t-il dans le MA pour guider le Tuteur?

4
Modèle de l'apprenant (MA)Contenu

• Diverses informations peuvent servir aux
  décisions pédagogiques (à l'orientation de
  l'enseignement et des interventions)
• les renseignements généraux au sujet de
  l'apprenant
• les connaissances que l'apprenant possède sur le
  domaine de formation, et les connaissances
  erronées qui s'y ajoutent.
• par rapport aux connaissances d'un expert,
  considérées comme correctes et complètes.
• le profil psychologique de l'apprenant
  (tendances, préférences) état stable à long
  terme
• l'état motivationnel général se modifie à
  moyen terme, au cours de la séance
• l'émotion actuelle réaction aux récentes
  interactions.

5
Modèle de l'apprenantMultiples sous-modèles,
multiples connaissances

• Le MA peut donc en fait contenir plusieurs
  sous-modèles
• modèle statique (données générales sur la
  personne)
• modèle des connaissances (modèle cognitif )
• modèle du profil psychologique
• modèle de l'état affectif
• Il peut aussi s'intéresser à diverses
  connaissances
• connaissances factuelles (faits)
• connaissances conceptuelles (concepts)
• connaissances procédurales (étapes d'une
  procédure)
• habiletés (réalisation d'une procédure)

6
Modèle de l'apprenantDes questions auxquelles il
doit répondre (1/4)

• Groupe 1. Requêtes sur les données immuables
• 1. What is the name of a learner?
• 2. What is the ID of a learner
• 3. Is a learner a male or female?
• 4. How old is a learner?
• 5. What is the social status of a learner? (for
  language learning)
• 6. What is the education status of a learner? (no
  degree, bachelor, and master or doctor degree)
• 7. How motivated is a learner?
• 8. What experience does a learner have in a
  certain topic?
• 9. What's the learning style of a learner?
  (principle-oriented, example-oriented,
  general-to-specific or specific-to-general)
• 10. What kind of media does a learner prefer?
• 11. What type of exercise does a learner prefer?

Source http//www.ei.sanken.osaka-u.ac.jp/pub/mi
z/LMontology.pdf
7
Modèle de l'apprenantDes questions auxquelles il
doit répondre (2/4)

• Groupe 2. Requêtes sur les données issues
  d'interactions
• 1. What answer did a learner give to a certain
  question?
• 2. What question did a leaner ask?
• 3. What examples were given to a learner?
• 4. What problems were given to a learner?
• 5. What learning objects were given to a learner?
  
• 6. What score did a learner get in the test?
• 7. What is the average score of a learner?
• 8. How many examples were given to a learner?
• 9. How many problems were given to a learner?
• 10. How many times did a learner try before
  answering a question/solving a problem correctly?
  
• 11. What is the rate of success and failure?
• 12. How much time did a learner spend on a
  question?
• 13. What media does a learner use for
  interaction?
• 14. How many times did a learner use a specific
  knowledge unit?

Source http//www.ei.sanken.osaka-u.ac.jp/pub/mi
z/LMontology.pdf
8
Modèle de l'apprenantDes questions auxquelles il
doit répondre (3/4)

• Groupe 3. Requêtes sur les informations inférées
  
• 1. What knowledge has a learner mastered? / Has a
  learner mastered a certain topic?
• 2. What knowledge has a learner not mastered? /
  What knowledge has a learner missed?
• 3. Of what knowledge does a learner have
  incorrect understanding?
• 4. At which part of knowledge is a learner
  weak/strong?
• 5. What is the cause of a learner's error? / What
  is the bug?
• 6. What kind of bug does a learner have?
• Where is the bug?
• 8. What is the plan of a learner for problem
  solving?
• 9. What answer will a learner give to a certain
  problem / what will a learner do in his/her next
  action?
• 10. Which phase in a learning process is a
  learner in, initial acquisition, assimilation or
  mastery (through its use) of long-range process,
  or problem identification/formulation, hypothesis
  formation, or verification of short-range
  process?
• 11. How interested is a learner in a certain
  topic?
• 12. What is the learners concentration like?
• 13. How is the overall performance of a learner?
• 14. How well does a learner master a certain
  topic?

Source http//www.ei.sanken.osaka-u.ac.jp/pub/mi
z/LMontology.pdf
9
Modèle de l'apprenant Des questions auxquelles
il doit répondre (4/4)
Groupe 4. Requêtes au sujet du modèle lui-même
1. How confident is the system in evaluating a
learner? 2. What type of model does a learner
model agent have? 3. Is the learner model
executable? 4. How reliable is the learner
model? 5. How is the learner model represented?
(by symbolic or numerical method)
Source http//www.ei.sanken.osaka-u.ac.jp/pub/mi
z/LMontology.pdf
10
Le modèle cognitif (les connaissances possédées)
Les approches

• Par recouvrement identification des
  connaissances déclaratives possédées
• Connaissances de létudiant sous-ensemble des
  connaissances de lexpert
• Ex Guidon, Scholar, WUSOR II
• Prédictive reconnaissance des plans (? buts)
  poursuivis
• Analyse (trace) des entrées de létudiant pour
  déterminer ses plans, ses connaissances ou ses
  méconnaissances
• Selon les buts supposés,
• l'agent tutoriel adapte ses interventions
• l'agent ajuste ses inférences sur les
  connaissances probablement en cours
  d'utilisation.
• Ex Buggy, Andes

11
Le modèle cognitifL'approche par recouvrement

• Le recouvrement (overlay ) est lapproche la
  plus courante pour les domaines "à base de
  connaissances"
• 2 des 3 variantes de la superposition simple et
  perturbation (buggy)

connais-sances supplémen-taires incorrectes
connaissance partielle

• (a) suppose que l'apprenant n'apprend rien
  d'autres que le savoir prévu, et qu'il l'apprend
  correctement
• Dans (b), le stockage de linformation sur les
  connaissances erronées ou manquantes de
  lapprenant permettent une meilleure adaptation
  de l'enseignement.

12
Le modèle cognitifLes 3 variantes du
recouvrement
(a) Recouvrement simple
(b) Recouvrement avec perturbations (buggy)
(c) Recouvrement différentiel on garde la trace
sur les connaissances qui nont pas été acquises
mais auxquelles létudiant a été exposé
(explicitement ou implicitement).
13
Exemple de règle tutorielle pour la mise à jour
du modèle de l'apprenant dans Guidon (/MYCIN)

• T-RULE 6.05
• IF
• (1) The students hypothesis does include values
  that can be concluded by this domain rule, as
  well as others, and
• (2) The hypothesis does not include values that
  can only be concluded by this domain rule, and
• (3) Some other values concluded by this domain
  rule are missing from the hypothesis
• THEN
• Define the belief that the domain rule was
  considered by the student to be -0.70.

Règle Tutorielle
14
La modélisation procédurale BUGGY (Brown
Burton, 1975)

• Contient un modèle pouvant refléter l'idée que se
  fait l'étudiant du processus de résolution d'une
  tâche arithmétique.
• La modélisation réseau procédural découpé en
  sous-habiletés.
• Cependant, Buggy se concentre sur les mauvaises
  procédures possibles.
• Chaque sous-habileté inclut des variations
  erronées.
• Buggy applique les procédures erronées pour
  tenter de reproduire le résultat de l'apprenant
• et ainsi trouver quelle mauvaise procédure il a
  intégré.
• Ce réseau et cet algorithme remplacent le savoir
  pédagogique requis pour reconnaître et corriger
  les erreurs dans la procédure de l'apprenant.

15
BUGGY Exemple
(voir http//tecfa.unige.ch/staf/staf-d/krige/sta
f11/buggy.htmldeux )

• Sa modélisation s'intéresse aux erreurs
  procédurales.
• Tente d'identifier les mauvaises compréhensions
  de l'apprenant sur la procédure à suivre
  (l'erreur conceptuelle appliquée par l'apprenant)
• Dans l'interaction, létudiant doit ici prédire
  les règles erronées appliquées dans une
  opération.

• BUGGY Welcome to Buggy.
• I have chosen a bug. Here is an example of the
  bug.
• 17
• 5
• 13
• Now you can give me problems to determine the
  bug.
• Users 18 43
• 6 79
• BUGGY 15 23
• Users Got the bug!
• BUGGY Please describe the bug.
• Users Student adds the number to be carried into
  the last column worked in.

16
BUGGY Exemple (suite)

• BUGGY Here are some problems to test your theory
  about the bug. What is
• 21
• 39
• Users 51
• BUGGY Thats not the bug I have. Using my bug
• 21
• 39
• 15
• Try giving me some more examples.
• Users 51 99 68
• 1707 99 9
• BUGGY 21 36 23

17
BUGGYExemple (suite)

• Users Got the bug!
• BUGGY Please describe the bug you think I have.
• Users The student is adding all the digits
  together.
• BUGGY Here are some problems to test your theory
  about the bug. What is
• 33 1091 8 28 90
• 99 60 34 70
  6
• Users 24 17 15 17 15
• BUGGY Very good. My description of the bug is
• The student always sums up all the digits with no
  regard to columns.

18
BUGGYSa représentation de l'apprenant

• Contient un modèle pouvant refléter l'idée que se
  fait l'étudiant du processus de résolution d'une
  tâche arithmétique.
• La modélisation réseau procédural découpé en
  sous-habiletés.
• Cependant, Buggy se concentre sur les mauvaises
  procédures possibles.
• Chaque sous-habileté inclut des variations
  erronées.
• Buggy applique les procédures erronées pour
  tenter de reproduire le résultat de l'apprenant
• et ainsi trouver quelle mauvaise procédure il a
  intégré.
• Limitations de Buggy
• N'offre pas de représentation sémantique des
  erreurs (quel est le type de difficulté)
• Ne permet donc pas des raisonnements et
  inférences causales

19
BUGGYSon diagnostic

• Procède de la façon suivante
• BUGGY sélectionne une règle erronée (Ex problème
  de retenue)
• Létudiant essaie de proposer des problèmes
• BUGGY les résout (en appliquant la règle erronée)
• Létudiant diagnostique le problème (indique la
  règle erronée en cause)
• BUGGY lui soumet des problèmes pour voir si
  létudiant arrive à prédire la réponse (en
  appliquant la règle erronée)

20
Le modèle cognitif Les techniques

• Plusieurs approches d'implémentation du
  recouvrement
• Réseaux sémantiques (les noeuds et liens sont
  ajoutés au fur et à mesure quils sont appris par
  létudiant)
• Banque des connaissances de l'expert annotée des
  déviations que lon découvre au fur et à mesure
  de linteraction avec létudiant
• Ensemble des compétences acquises par létudiant
• Les compétences sont construites sur les éléments
  de connaissance du domaine
• Elles indiquent clairement l'habileté de
  létudiant à utiliser cette connaissance.
• Ex Résoudre un système déquation
• Réseaux bayesiens
• permet un raisonnement probabiliste sur létat
  des connaissances de létudiant en tenant compte
  des évidences notées lors de ses interactions
  avec le tuteur.
• Chaque nud du réseau a une valeur qui indique la
  probabilité que létudiant connaisse lélément de
  connaissance concerné.
• Modélisation à base de règles de production?
• QUESTION POUR VOUS
• QUE PENSEZ-VOUS D'UNE TELLE IDÉE?
• indice est-ce applicable à la modélisation des
  connaissances autres que procédurales?

21
Construire le MA difficultés et limitations

• Certitude sur les connaissances possédées
• Une réseau sémantique, une liste des déviations
  ou des compétences indiquent tous les éléments
  possédés par l'apprenant.
• La planification du cours en dépend
• Les intervention tutorielles peuvent aussi en
  dépendre
• Mais ce sont en fait un recueil des croyances du
  tuteur sur les connaissances de l'apprenant.
• Quelle est la certitude de ces croyances?
• mal-perception, confusion, hypothèses fausses,
  biais d'évaluation, etc.
• Pour planifier les interventions pédagogiques
  établir la responsabilité des succès et des
  torts
• Si l'étudiant pose une action, quelle certitude
  a-t-on qu'il possède les connaissances
  sous-jacentes? Laquelle des connaissances a joué
  le plus?
• Si une notion semble défectueuse et dépend de
  plusieurs connaissances sous-jacentes, laquelle
  cause la défaillance?

22
Le modèle inférentiel

• Les mécanismes supportés par le modèle de
  lapprenant
• Linférence (gérée par le modèle inférentiel) qui
  propage une évidence dans le modèle tout entier
  en sassurant que le modèle reste cohérent après
  ces inférences (Nkambou, UM1996
  Tchétagni-ITS2002)
• Le diagnostic pour linférence des causes des
  erreurs de lapprenant
• Approches
• Model tracing (Anderson, 1983)
• Suivre et analyser la trace des activités
  (procédure) de lapprenant
• Nécessite une bonne modélisation de processus de
  résolution de problèmes
• Knowledge (Issue) Tracing
• Analyser un épisode dapprentissage afin
  didentifier les connaissances qui ont été
  utilisées
• Ne nécessite pas une modélisation sophistiquée du
  processus de résolution de problème.

23
Techniques pour modéliser l'apprenantLes
probabilités -1

• Incertitude sur les croyances, sur les
  connaissances responsables utiliser les
  probabilités
• Il y a deux "genres" de probabilités
• Probabilités préalables
• Compte-tenu des attentes dans ce domaine, pour
  cette classe, pour ce genre d'étudiants, etc,
  quelle est la probabilité que le concept x soit
  possédé?
• Probabilités conditionnelles (postérieures)
• Compte tenu qu'on a observé l'action a chez
  l'apprenant (ou qu'on suppose possédé le concept
  w), quelle est la probabilité que le concept x
  soit possédé?
• Écrit d'une manière plus "mathématique"
• P(connaissance xpossédée actiona)
• ou, sous forme abrégée
• P(connaissance x action posée)

24
Techniques pour modéliser l'apprenantLes
probabilités -2

• Les probabilités requièrent qu'on décrive la
  table des probabilités conjointes de chaque
  variable du problème (les probabilités de chaque
  état du monde considéré)
• Exemple Supposons une carie, un mal de dent, et
  un examen du dentiste. Il faut décrire la
  probabilité de chaque combinaison des variables
  concernées

• De tels tableaux
• prennent rapidement une taille démesurée
  puisqu'ils incluent toutes les variables du
  domaine et leurs combinaisons, même si
  indépendantes les unes des autres (n'ont pas
  d'impact l'une sur l'autre). Taille du tableau
  2n
• s'avèrent difficiles à utiliser dans des
  raisonnements.

25
Techniques pour modéliser l'apprenantLes réseaux
bayésiens

• Les RB offrent une notation beaucoup plus
  compacte que le tableaux de probabilités
  conjointes.
• S'appuient sur la notion d'indépendance entre
  variables pour ne requérir qu'un nombre limité de
  probabilités à spécifier
• Seules les relations pertinentes et directes
  apparaissent.
• Les liens indiquent habituellement la causalité.
• Peuvent incorporer des variables non observables

cause
"raisonnement" Quelle est la probabilité d'une
carie, sachant que l'instrument du dentiste a
fait mal à la dent sondée?
Carie
Météo
Mal de dent
Sondée

• Autres appellations
• réseau causal (inclut les RB)
• réseau des croyances

faits observés ("évidences" )
26
Réseau bayésienÉlaboration
A
B
C
Source http//www.cra.com/pdf/BNetBuilderBackgro
und.pdf
27
Réseaux bayésiensL'exemple d'Andes

• Andes veut laisser l'apprenant réfléchir le plus
  possible, tenter la résolution par lui-même aussi
  loin que possible
• Donc, la piste poursuivie peut être difficile à
  reconnaître
• l'aide appropriée s'avère plus difficile à
  déterminer
• Il faut qu'Andes puisse déterminer
• le plan de résolution en cours (reconnaître le
  plan suivi par l'apprenant)
• les connaissances actuellement manipulées par
  l'apprenant.
• Lors d'une demande d'aide,
• à partir du nud le plus récemment observé, Andes
  remonte vers le but le plus probablement
  poursuivi par l'apprenant.
• puis il fait une recherche descendante pour
  trouver une règle peu probable dans la situation
  cette règle a des chances d'être celle
  actuellement utilisée par manque de connaissance.
• Cette règle devient le point de départ de
  l'intervention d'Andes.

Source Conati, Gertner et VanLehn () Using
Bayesian Networks to Manage Uncertainty in
Student Modeling.http//www.cs.ubc.ca/conati/532
b/papers/finalvsingle-line.pdf
28
Réseaux bayésiensL'exemple d'Andes

• Pour modéliser l'apprenant, Andes maintient deux
  réseaux bayésiens
• connaissances générales sur le domaine
• ? conn. actuellement manipulées par l'apprenant
• La probabilité conditionnelle (a posteriori,
  aussi appelées les probabilités "marginales") des
  états de chaque nud forment l'évaluation d'Andes
  après chaque exercice sur les connaissances
  possédées par l'étudiant.
• connaissances spécifiques à la tâche/à l'étudiant
• ? reconnaître le plan suivi
• Les réseaux spécifiques sont construits
  dynamiquement
• Le graphe de la solution au problème soumis est
  automatiquement convertit en réseau bayésien
• Ce réseau ne dure que le temps de l'exercice.
• Ces réseaux spécifiques contournent le problème
  de la taille démesurée d'un réseau couvrant tous
  les exercices d'un cours (en plus des
  connaissances générales).
• Donc, Andes modélise "l'apprenant" d'abord comme
  des procédures

29
Réseaux bayésiens d'AndesNuds des propositions
(faits et but)

• d'apparence identiques dans le RB
• ils tiennent un rôle différent vis-à-vis des
  interventions tutorielles d'Andes
• Les probabilités des nuds de buts servent à
  identifier le plan probablement suivi par
  l'apprenant et à construire l'intervention
  tutorielle centrée sur la planification de la
  solution
• Les nuds de faits servent à sélectionner les
  indices plus spécifiques lors de l'intervention
  tutorielle.

30
Réseaux bayésiens d'AndesTrouver la cause
probable à la situation

• Si l'apprenant demande un indice, Andes tente
  d'abord de déterminer ce que l'apprenant est en
  train de tenter (reconnaître son plan par la
  trace de ses opérations).
• Cela fait appel aux probabilités

P(Explanation Evidence) ? P(Evidence
Explanation) P(Explanation)

• the amount of credit given to an explanation is
  proportional to how strongly it predicts the
  evidence and how likely it was before the
  evidence was observed. For instance, if X and Y
  are both equally strong predictors of the
  evidence, but X was more likely than Y before the
  entries were made, then X will get more credit
  for explaining the evidence than Y.

31
Réseaux bayésiensL'exemple d'Andes (suite)

• Andes incorpore aussi la théorie du transfert des
  connaissances
• i.e. une connaissance généralisée (acquise après
  la généralisation de plusieurs exemples) peut se
  "transférer" (s'appliquer) rapidement à un
  domaine proche.
• Les nuds de connaissance ont des nuds
  contextuels comme enfants

Source Conati, Gertner et VanLehn () Using
Bayesian Networks to Manage Uncertainty in
Student Modeling.http//www.cs.ubc.ca/conati/532
b/papers/finalvsingle-line.pdf

• Une règle contextualisée (CR) acquise (P(CR) 1)
  augmente la probabilité que la règle générale
  ("Rule") est acquise
• et augmente légèrement la probabilité préalable
  que les autres règles contextualisées soient
  possédées.

32
Réseaux bayésiensL'exemple d'Andes (suite)

• À la fin d'un exercice (qui vise habituellement
  une règle spécifique)
• les probabilités sur la possession de la règle
  (les probabilités conditionnelles), sont
  calculées par le "réseau temporaire".
• Elles sont ramenées dans le réseau bayésien
  permanent (le réseau représentant le domaine
  général) en tant que nouvelles probabilités
  préalables du savoir possédé par l'apprenant sur
  le domaine.
• Lors du prochain exercice, elles deviennent les
  nouvelles probabilités antérieures, en
  remplacement des probabilités provenant du temps
  t-2 (ou avant).
• Les réseaux temporaires (les segments temporaires
  du réseau, créés pour suivre l'évolution de
  l'exercice en cours) sont effacés.
• Cela évite d'avoir à construire et maintenir un
  énorme réseau bayésien, éventuellement
  hyper-lourd en calculs.

33
Modèle de l'apprenantLe modèle affectif

• Le modèle affectif permet le stockage
• des préférences de létudiant
• de son profil psychologique
• de son état émotionnel
• Ces informations peuvent varier selon le
  contexte
• Motivation, émotion
• Elles peuvent aussi évoluer dynamiquement
• État émotionnel
• Motivation
• Le tuteur utilise ces informations pour adapter
  linteraction avec létudiant
• Types de ressources appropriés pour la
  présentation
• Mode de communication
• Approche pédagogique ou tutorielle
• Exemple  Issues and Possibility Approach  dans
  le  Coaching 

34
Modélisation de l'apprenantÀ quel degré de
précision?

• On peut souhaiter enregistrer beaucoup de données
  et inférer les connaissances (compétences,
  habiletés) finement
• Cela peut servir
• Cela peut servir plus tard, dans des version
  ultérieures du STI
• Cela peut nuire
• lourdeur de calcul
• difficulté à la conception
• Ex. Inclure les notions de vitesse d'acquisition
  et de durée de rétention pour chaque
  connaissance?
• Il est courant de faire correspondre le MA au
  plan de cours, aux buts visés par la formation.

35
Pour échanger le MALa standardisation

• Ontologies du modèle de l'apprenant
• IMS Learner Information Profile (LIP)
• voir http//zope.cetis.ac.uk/groups/2001080112430
  0/FR20021029103504
• IMS ePortfolio Specification
• voir http//www.imsglobal.org/ep/epv1p0/imsep_bes
  tv1p0.html1663598

36
Ontologie du MAPour spécifier ce qui sera échangé

• Afin de permettre l'échange des informations
  concernant l'apprenant (son profil) entre les
  systèmes d'apprentissage-E (eLearning)
• Fournir explicitement les informations indiquant
• ce qui sera échangé
• quelles valeurs du sujet spécifique sont
  considérées
• de quelle manière les informations se rattachent
  à l'apprenant
• La structure indique le sens à donner aux
  informations (ce que chaque champs représente
  vraiment au sujet de l'apprenant ET comment
  l'information a été obtenue performance,
  jugement, ou inférence)
• Les ontologies fournissent des modèles
  échangeables du domaine.
• Peuvent être superposées au profil de
  l'apprenant, au profil de ses compétences
• ou peuvent offrir un modèle de la structure
  stéréotypée des structures.

37
Ontologie du MAUne proposition basée sur
plusieurs standards
QTI Question Test Interoperability is the IMS
specification for assessment representation of
question (assessmentItem) and test (assessment)
data http//www.imsglobal.org/question/index.html
LIP Learner Information Package is the IMS'
specification for a collection of information
about a Learner (individual or group learners) or
a Producer of learning content (creators,
providers or vendors) http//www.imsglobal.org/pro
files/index.html
RDCEO IMS' Reusable Definition of Competency or
Educational Objective http//www.imsglobal.org/com
petencies/index.html
PAPI LIP Public and Private Information LIP is
IEEE 's data interchange specification that
describes learner information for communication
among cooperating systems. http//www.imsglobal.or
g/profiles/index.html Voir aussi
http//www.sigsemis.org/?p32

• Figure 1 depicts an excerpt of a learner profile
  ontology configured from fragments based on four
  specifications. The conceptual model describes a
  situation where a learning performance of a
  student is exchanged as his achieved competency
  records. The competencies have been evaluated by
  learner assessment

source http//www.l3s.de/dolog/pub/um2005.pdf
Voir aussi http//www.cairn.info/revue-document-n
umerique-2003-1-page-157.htm
38
Qu'est-ce qu'un LIP ?

• LIP IMS Learner Packaging Packaging
• The IMS Learner Information Package (LIP) is a
  specification for a standard means of recording
  information about learners.
• LIP is designed to allow information about
  learners, including their progress to date and
  awards received, to be transferred between
  different software applications.
• To move learner information between institutions
  when students transfer courses.
• To produce a lifelong record of a learners
  achievement
• To provide information about achievement to
  employers (replacing existing certificates)
• Représentation de l'information
• LIP uses XML to record information about
  learners.
• XML uses tags, rather like HTML, to say what
  each piece of information in the record means,
  for example
• ltInstitutiongtUniversity of Wales,
  Bangorlt/institutiongt

39
IMS LIPReprésentation de l'information

• ltlanguagegt
• lttypenamegt
• lttysource sourcetypeimsdefault/gt
  lttyvaluegtGermanlt/tyvaluegt
• lt/typenamegt
• ltcontentypegt
• ltreferentialgt
• ltindexidgtlanguage_01lt/indexidgt
• lt/referentialgt
• lt/contentypegt
• ltproficiency profmodeOralSpeakgtExcellentlt/profi
  ciencygt
• ltproficiency profmodeOralCompgtExcellentlt/profic
  iencygt
• ltproficiency profmodeReadgtGoodlt/proficiencygt
• ltproficiency profmodeWritegtPoorlt/proficiencygt
• lt/languagegt

Source http//zope.cetis.ac.uk/groups/2001080112
4300/FR20021029103504
40
Modèle de l'apprenant (MA)Une autre ontologie
proposée
source http//www.ei.sanken.osaka-u.ac.jp/aied99
/a-papers/W-Chen.pdf
41
Modèle de l'apprenant (MA)Une ontologie proposée
source http//www.ei.sanken.osaka-u.ac.jp/aied99
/a-papers/W-Chen.pdf
42
Modèle de l'apprenant (MA)Une ontologie proposée
source http//www.ei.sanken.osaka-u.ac.jp/aied99
/a-papers/W-Chen.pdf
43
Modèle de l'apprenant (MA)Une ontologie proposée
source http//www.ei.sanken.osaka-u.ac.jp/aied99
/a-papers/W-Chen.pdf
44
Modèle de l'apprenant (MA)Une ontologie proposée
source http//www.ei.sanken.osaka-u.ac.jp/aied99
/a-papers/W-Chen.pdf
45
Modèle de l'apprenant (MA)Une ontologie proposée
source http//www.ei.sanken.osaka-u.ac.jp/aied99
/a-papers/W-Chen.pdf
46
Modèle de l'apprenant (MA)Une ontologie proposée
source http//www.ei.sanken.osaka-u.ac.jp/aied99
/a-papers/W-Chen.pdf
47
Modèle de l'apprenant (MA)Reflet de faits
observables ?

• Construire un modèle de l'élève vise
• à identifier des connaissances manquantes (ou
  erronées!!) qui expliquent la différence entre le
  comportement d'un expert et de l'élève.
• Le STI ne peut capter que les actions observables
  de l'étudiant.
• et ce, par le biais de canaux de communication
  restreints
• généralement pas de captation visuelle (pas
  d'interprétation des mimiques)
• généralement pas de captation auditive (pas
  d'interprétation de la prosodie)
• La détermination des connaissances possédées doit
  donc provenir
• de l'affirmation unilatérale (preuve toute la
  matière a été présentée)
• d'inférences
• directes réponses à des questions de contrôle
• complexes observations d'éléments sous-jacents
  un diagnostic!

48
Quest ce quun ePortfolio?

• Les ePortfolios sont
• des collections dinformations appartenant à
  lapprenant
• rassemblant les résultats
• de ses études ou de ses formations,
• ses buts,
• ses expériences professionnelles
• et tout autre ensemble dinformations
  personnalisées quun apprenant peut présenter à
  une école, un employeur ou une autre entité.
• Les utilisations typiques des ePortfolios
• concept traditionnel des bulletins de notes
• planification dun plan de carrière et la
  possibilité de postuler à un emploi,
• définir un apprentissage personnalisé.
• Que sont les spécifications ePortfolio?
• Les spécifications IMS ePortfolio sont des
  spécifications ouvertes développées dans un cadre
  international
• sont accessibles depuis http//www.imsglobal.org
  /ep/
• Modèle de l'information http//www.imsglobal.org
  /ep/epv1p0/imsep_infov1p0.html

49
ePortfolioQue peut contenir un ePortfolio?

• Ressources digitales de lapprentissage
• Informations personnelles du/des propriétaire(s)
• Compétences du/des propriétaire(s)
• Buts
• Activités suivies ou planifiées
• Réalisations
• Préférences daccessibilité
• Valeurs et intérêts
• Réflexions
• Affirmations et commentaires
• Résultats de test et dexamen
• Informations sur des activités entreprises ou
  planifiées
• Information sur la création et la propriété des
  éléments dun portfolio
• Relations entre les parties dun portfolio
• Création dynamique des vues et des présentations

Source http//www.imsglobal.org/ep/ePortfoliobroc
hureFR.pdf Voir aussi http//www.imsglobal.org/
ep/index.html
IMS semble devenir sérieux dans le souhait que
son utilisation se répande quel bel effort de
mise en marché!!!
50
Exemple d'annotations du e-portefolioPortefolio
d'évaluation

• IMS a spécifié 17 catalogues pour le e-portefolio
• Ils contiennent des métadonnées qui annotent tout
  ce qui peut décrire l'apprenant.
• 4.2 PortfolioPart Class (Abstract)           
  4.2.1 Accessibility Class            4.2.2
  Activity Class            4.2.3 Affiliation
  Class            4.2.4 Assertion Class
             4.2.5 Competency Class           
  4.2.6 Goal Class            4.2.7 Identification
  Class            4.2.8 Interest Class
             4.2.9 Other            4.2.10
  Participation Class            4.2.11 Product
  Class            4.2.12 QCL Class (Qualification
  Class)            4.2.13 Reflexion Class
             4.2.14 Relationship Class           
  4.2.15 Rubric Class            4.2.16 RubricCell
  Class            4.2.17 SecurityKey Class
             4.2.18 Transcript Class

Source http//pigeon.usask.ca/elearn2005.pdf
51
ePortfolioBénéfices

• Améliorer linteropérabilité
• Permet le transfert des données dun apprenant et
  les liens entre les systèmes de portfolio et ceux
  des organisations.
• Suivre et améliorer la gestion des compétences et
  les manques de connaissance
• Améliorer la satisfaction et la motivation de
  lapprenant
• par un apprentissage et une évaluation
  personnalisés
• Permettre aux formateurs dadapter les cours aux
  apprenants
• Permettre aux employeurs dembaucher et de former
  avec plus defficacité.
• Supporter la multiplicité des cultures et des
  langues
• Supporter lapprentissage tout au long de la vie
• Compiler les résultats et les commentaires de
  lapprentissage formel et informel (ex
  passe-temps, voyages, clubs et associations)
  durant toute la vie.
• Economiser du temps et de largent
• Planifier la fourniture des produits plus
  rapidement et avec moins de risque en employant
  des spécifications gratuites développées
  internationalement.
• Augmenter la participation lors de
  lapprentissage
• Encourager les apprenants à prendre plus de
  responsabilités dans leur parcours ainsi que la
  gestion de leurs preuves.
• Supporter les préférences daccessibilité pour
  tous
• Supporter lapprentissage individuel et en groupe

Source http//www.imsglobal.org/ep/ePortfoliobroc
hureFR.pdf
52
Le ePortefoliocomme point de départ d'un MA

• Le ePortefolio peut même servir à initialiser un
  MA!
• Il faut pour cela que quelqu'un construise les
  règles d'initialisation qui vont inspecter le
  ePortefolio pour y trouver les données
  pertinentes.

Source http//pigeon.usask.ca/elearn2005.pdf
53
ePortfolioExemple de liens entre éléments
54
La modélisation collaborative (McCalla)

• McCalla (U. Saskatchewan) a proposé une
  construction dynamique collaborative du modèle de
  l'apprenant
• Le modèle est calculé au moment où il on souhaite
  le consulter (en juste-à-temps)
• L'information provient de multiples personnes
  ayant eu des contacts avec la personne, chacune
  dans un rôle particulier collègue, professeur,
  apprenant
• a l'agent qui construit le MA
• s les autres "apprenants" qui fournissent leur
  opinion/évaluation
• b le but (purpose) de calculer le modèle
• r les ressources disponibles pour construire le
  modèle (temps, mémoire, etc.)
• Le rapport de chaque source d'information avec
  l'apprenant doit être considéré pour pondérer son
  opinion/évaluation sur l'apprenant.
• Le contexte indique quelles informations sont
  souhaitées, lesquelles restent pertinentes parmi
  celles récupérées

Voir McCalla (2000) http//www-jime.open.ac.uk/20
04/7/mccalla-2004-7-disc-t.html Voir aussi
Hansen et McCalla, Active Open Learner Modelling
www.cs.usyd.edu.au/aied/vol5/vol5_hansen.pdf