Optimisation par Colonies de Fourmis pour le ELearning : optimisation de parcours pdagogiques

1
Optimisation par Colonies de Fourmis pour le
E-Learning optimisation de parcours pédagogiques

• Yann SEMET
• Projet Fractales, INRIA Rocquencourt

2
Itinéraire

• Le site Paraschool
• Problème et solution
• Détails algorithmiques
• Procédures de sélection
• Simulations et tests réels
• Perspectives

3
Le site Paraschool
4
Le site Paraschool
5
Le site Paraschool
6
Le site Paraschool
7
Le site Paraschool
8
Optimisation par Colonies de Fourmis (A CO)

• Paradigme inspiré des colonies dinsectes sociaux
• Agents multiples et simples
• Balance information stigmergique et heuristique
  locale
• Solution  émergente 
• Efficace, souple, facile à écrire (métaphore des
  agents)

9
Un exemple
2
Nid
Source
1
4
3
10
Fourmis et voyageurs de commerce (ACOTSP)

• Application classique
• Excellents résultats obtenus par méthodes hybrides

l1
j
i
lk
ln
11
Modèle graphe pédagogique
2
4
6
1
5
7
3
12
W structure pédagogique
 Vecteurs colinéaires 
W1
 Produit dun vecteur par un réel 
2
1
3
W5
 Alignement, parallélisme et vecteurs 
13
W structure pédagogique
0.1
1
2
4
6
1
1
10
1
5
7
5
3
14
Un problème doptimisation

• Maximiser succès pédagogique
• Trouver la bonne valuation
• Contraintes
• Pédagogiques
• Facteurs individuels
• Facteurs collectifs

15
Fourmis Phéromones

• Communication stigmergique
• 2 types de phéromone S et F
• Dépôt mémoire
• Rétro-propagation portée pédagogique
• Évaporation dynamisme
• Pour une valuation plus pertinente

16
Rétro-propagation Succès
2
4
6
1
5
7
W S?1/2 F
3
W S?1/3 F
W S?1 F
W S?1/4 F
17
Rétro-propagation Échec
2
4
6
1
5
7
W S F ?2/2
3
W S F ?2/2
W S F?2
W S F ?2/2
18
S/F évaporation

• ? taux dévaporation x?t
• Portée pédagogique temporelle
• Exploration dynamique
• Adaptabilité

19
Mémoire individuelle H

• Un 1er facteur individuel
• Modèle de la mémoire volatile
• Une valeur par nud et par étudiant
• Application de NxI dans R
• Nud non visité H1
• Nud réussi H0.5
• Nud raté H0.75

20
H anti-évaporation

• ?constante de temps x?t
• H revient naturellement vers 1

21
Une mesure de fitness

• Mesure unifiée dexcellence locale
• Mesure la  désirabilité  des arcs

22
Désirabilité des arcs

• Balance heuristique locale/information
  stigmergique. Cf TSP
• Un arc est désirable lorsquil est
• renforcé les professeurs (W élevé)
• témoin de succès (S élevé)
• non témoin déchecs (F bas)
• nouveau ou oublié (H proche de 1)

23
Sélection darcs

• Sélection dun arc à proposer parmi les arcs
  sortants
• Deux forces
• Fitness (exploitation)
• Hasard (exploration)
• Balance réglable s

24
Procédures implémentées

• Roulette
• Sélection par le rang seuils automatiques et
  manuels
• Tournoi
• Tournoi stochastique

25
Tests Simulations

• Une population détudiants G(0.5,1/3)
• A chaque étudiant i son niveau
• A chaque nud sa difficulté 0.0ltdlt1.0
• Si niveau(i)gtd succès, sinon échec

26
Un test élémentaire
W1
Taux de succès 90 si n-12 10 si n-13
2
1
5
3
W5
Objectif rétablir la situation, encourager 2
27
Comportements
28
Courbes de calibrage
29
Application réelle

• En cours !
• Mode silencieux
• Observations préliminaires encourageantes
• Faisabilité technique
• Structuration autonome du graphe
• Émergence de nuds singuliers
• Travail à venir

30
Résumé, Perspectives

• LE-Learning comme un problème doptimisation
• Un nouveau champ dapplications pour
  lintelligence en essaim
• Une nouvelle façon de faire du design
  évolutionnaire interactif

31
MERCI !

•  Ant Colony Optimisation for E-Learning
  Observing the Emergence of Pedagogic
  Suggestions 
• Y.Semet, Y. Jamont, R. Biojout, E. Lutton, P.
  Collet
• -
• Projet Fractales, INRIA Rocquencourt
• Université de Technologie de Compiègne
• -
• Yann.Semet_at_tremplin-utc.net

32
Annexes
33
H calibrage de ?

• Oublier un exercice H va de 0.5 à 0.9
• Oublier prend 1 semaine (x604800s)
• ?3.6E-6

34
La roulette

• Enuds accessibles depuis ni
• Probabilité proportionnelle au fitness
• Automatique mais pas réglable
• Sensible, parfois trop

35
Sélection par le rang I

• Probabilité de sélection inversement
  proportionnelle au rang
• Réduction automatique des écarts
• Non réglable
• Peut être insuffisamment subtil

36
Sélection par le rang II

• Probabilités attribuées manuellement pour chaque
  rang
• Complètement paramétrable
• Lourd

37
Sélection par tournoi

• S1 arcs sortants tirés au hasard
• Le meilleur est choisi
• 1 paramètre de contrôle

38
Tournoi stochastique

• On choisit dabord le pire arc
• S1  challengers  sont essayés lun après
  lautre
• Si plus fort, le  challenger  remplace son
  prédécesseur avec une probabilité s2
• 2 paramètres de contrôle

39
Prolongements

• Nouveaux facteurs individuels (agenda,
  excellence, etc.)
• Nouveaux facteurs collectifs (e.g. coupe de
  re-médiation)
• Observation avant tout

40
Facteurs clés

• Écoute de léquipe pédagogique
• Écoute des élèves
• Davantage que loptimisation computationelle

41
Résumé

• Un problème doptimisation chercher la bonne
  valuation des arcs dun graphe de navigation
  pédagogique
• Solution proposée agents, communication
  stigmergique, sélection semi-aléatoire
• Éléments de calibrage
• Premières observations encourageantes