La réussite scolaire dépend en grande partie de l'engagement actif des apprenants. Grâce aux progrès de l'intelligence artificielle (IA) et à l'essor des plateformes d'apprentissage en ligne, il est désormais possible de modéliser et de prédire l'engagement des élèves, offrant ainsi des parcours d'apprentissage plus personnalisés. L'amélioration de l'expérience d'apprentissage est au cœur des approches visant à optimiser les méthodes pédagogiques. Ce stage utilise les technologies d'intelligence artificielle (IA) pour analyser des données à grande échelle provenant de plateformes d'apprentissage, en mettant l'accent sur l'étude de l'engagement et du comportement des apprenants. Il s'appuie sur l'ensemble de données public EdNet, qui comprend plus de 130 millions d'interactions d'étudiants avec des exercices éducatifs, afin d'identifier des modèles prédictifs de réussite et des indicateurs de désengagement.

L'objectif principal du stage est de développer différentes approches pour modéliser les interactions des apprenants (par exemple, modèles de suivi des connaissances, réseaux neuronaux récurrents, modèles basés sur Transformer) afin d'évaluer leur capacité à prédire l'évolution des connaissances et à estimer le niveau d'engagement des étudiants. Ces modèles seront comparés aux méthodes existantes et évalués en termes de pertinence, de précision prédictive et de potentiel pour soutenir des parcours d'apprentissage personnalisés. Le projet étudiera également les relations entre les modèles d'interaction (séquence de réponses, temps de réponse et taux de réussite) et les niveaux d'engagement, afin d'éclairer l'élaboration de stratégies pédagogiques adaptatives.