Méthode de classification multicritère, incrémentale et périodique appliquée à la recommandation pour l’aide au transfert des savoirs dans les MOOCs

Sarra Bouzayane soutiendra sa thèse de doctorat en Informatique à Amiens le Jeudi 05 octobre 2017 à 10h00, à la salle des thèses, devant les membres de jury :

Mme. Marie-Hélène Abel, Professeur, UTC de Compiègne, Rapporteur
Mme. Henda Hajjami Ben Ghézala, Professeur, Université de la Manouba, Rapporteur
M. Ahmed Hadj Kacem, Professeur, FSEGS de Sfax, Examinateur
Mme. Marilyne Rosselle, Maître de conférences, UPJV d’Amiens, Examinatrice
Mme. Inès Saad, Enseignant-Chercheur, ESC d’Amiens, UPJV,  Co-Directeur de Thèse
M. Gilles Kassel, Professeur, UPJV d’Amiens,  Co-Directeur de Thèse
M. Faiez Gargouri, Professeur, ISIM-Sfax Co-Directeur de Thèse 

Résumé de la thèse
Les MOOCs (Massive Open Online Courses) sont des systèmes d’information numérisés dédiés pour l’apprentissage en ligne et ouvert. Malgré leur succès, les MOOCs souffrent d’un problème majeur qui est le taux excessif des apprenants qui abandonnent la formation dans une phase prématurée, qui atteint généralement 90%. Plusieurs raisons ont été identifiées, pour expliquer ce comportement d’abandon, y compris l’absence de l’information nécessaire en cas de besoin. D’où la problématique centrale de cette thèse qui consiste à l’aide au transfert (transmission et appropriation) des connaissances dans les environnements d’apprentissage médiatisés à l’ère de la massification des données.
 
Pour ce faire, nous proposons une méthode d’aide à la décision multicritère MAI2P (Multicriteria Approach for the Incremental Periodic Prediction) pour la prédiction périodique et incrémentale de la classe de décision à laquelle une action est susceptible d’appartenir. La méthode MAI2P repose sur trois phases. La première phase est composée de trois étapes : la construction d’une famille de critères pour la caractérisation des actions; la construction d’un ensemble des “Actions de référence”; et la construction d’une table de décision. La deuxième phase s’appuie sur l’algorithme DRSA-Incremental que nous proposons pour l’inférence et la mise à jour de l’ensemble de règles de décision suite à l’incrémentation de l’ensemble des “actions de référence”. La troisième phase permet de classer les “Actions potentielles” dans l’une des classes de décision en utilisant l’ensemble de règles de décision inféré. Validée sur un contexte des MOOCs, la méthode MAI2P a permis la prédiction hebdomadaire des trois classes de décision : Cl1 des “Apprenants en risque” d’abandonner le MOOC; Cl2 des “Apprenants en difficulté” mais n’ayant pas l’intention d’abandon ; et Cl3 des “Apprenants leaders” susceptibles de soutenir les deux autres classes d’apprenants en leur transmettant l’information dont ils ont besoin. Un système de recommandation est, également, développé pour recommander à chaque “Apprenant en risque” ou “Apprenant en difficulté” une liste personnalisée des “Apprenants leaders”.

Thème: