UCBL ACCUEIL 2026 EC Khanouche - PROJET KNOWLEDGE TRACING (UCBL ACCUEIL 2026 EC Khanouche - PROJET KNOWLEDGE TRACING)

Dans la continuité du projet ayant porté sur l’analyse comportementale pour améliorer les performances académiques des étudiants en classe à l’aide des méthodes d’Intelligence Artificielle (IA), les travaux à venir porteront sur l’amélioration du suivi et de la modélisation des connaissances des apprenants à partir de leurs interactions pédagogiques, à travers une approche basée sur le suivi de connaissances (Knowledge Tracing) [1]. Cette approche vise à estimer l’état de connaissance d’un étudiant en analysant ses réponses et comportements au fil des activités d’apprentissage pour un suivi plus fin, adaptable et explicable des connaissances des apprenants. Bien que les méthodes récentes basées sur l’apprentissage profond aient permis d’améliorer les performances de prédiction, la majorité des modèles existants restent monolithiques, ce qui limite leur capacité d’adaptation et rend difficile l’intégration de nouveaux signaux comportementaux [2, 3, 4, 5, 6, 7]. De plus, ces approches exploitent principalement des séquences d’interactions brutes, sans structurer explicitement les caractéristiques comportementales pourtant essentielles à la compréhension du processus d’apprentissage. Pour répondre à ces limites, ce projet propose le développement d’un modèle de Knowledge Tracing modulaire et sensible aux caractéristiques comportementales. Chaque signal comportemental pertinent (par exemple, les séries de réponses correctes, les tentatives répétées ou encore le temps de réponse) est pris en charge par un module dédié. Un contrôleur régule dynamiquement la contribution de chaque module à la prédiction finale etintègre un mécanisme d’élagage permettant de supprimer automatiquement les modules ayant un impact faible sur les performances. Cette architecture modulaire offre une grande flexibilité, permettant des mises à jour ciblées ou l’ajout de nouveaux signaux comportementaux sans nécessiter un réentraînement complet du modèle. Les performances du modèle seront évaluées sur plusieurs jeux de données de référence largement utilisés dans le domaine de l’apprentissage numérique, notamment EdNet-KT1, ASSISTments 2017, et Junyi Academy