L’Intelligence Artificielle (IA) transforme les systèmes éducatifs à travers le monde, et une question importante reste ouverte : que modélise un système d’IA lorsqu’il modélise un apprenant ? Cette thèse s’inscrit dans la progression autour de cette question. Elle progresse de la modélisation d’un apprenant individuel vers la modélisation de la qualité des relations et de la compréhension mutuelle entre les personnes impliquées dans un dispositif de formation. La thèse s’articule en deux parties : la première partie porte sur le problème du suivi des connaissances (knowledge tracing, KT), et la seconde partie porte sur la prédiction du décrochage dans les programmes d’alternance impliquant de multiples parties prenantes.

La tâche de suivi des connaissances modélise ou estime l’état évolutif des connaissances d’un apprenant afin de prédire ses performances futures. L’étude exploratoire initiale sur le KT utilise des grands modèles de langage (LLM) pour cette tâche et identifie deux résultats principaux. Elle montre que les graphes de relations entre compétences dérivés de LLM contribuent efficacement au modèle de KT fondé sur les graphes (GKT-LLM), tandis que l’utilisation directe des LLM comme modèle de prédiction de séquence (LLM-KT) donne de moins bons résultats. Ces résultats initiaux motivent l’approche HiSACKT, contribution principale de cette partie. HiSACKT est un modèle d’auto-attention hiérarchique à regroupement dynamique de compétences visant à améliorer le KT. Il combine une attention à plusieurs niveaux ou échelles avec un mécanisme de regroupement de compétences apprenable, permettant au modèle de capturer les relations entre compétences directement à partir des données d’interaction, sans s’appuyer sur des graphes de compétences prédéfinis. L’approche est évaluée sur quatre jeux de données publics et atteint des performances solides et constantes, avec une AUC allant jusqu’à 93,33 %, tout en produisant des regroupements de compétences interprétables.

La seconde partie de la thèse porte sur les programmes d’alternance, qui impliquent intrinsèquement des contextes à parties prenantes multiples. Les principales parties prenantes de ce contexte sont l’apprenti, le maître d’apprentissage et l’organisme de formation. ESPM s’adresse à ces contextes multi-parties prenantes en introduisant un empilement d’ensembles (ensemble stacking) avec un modèle de méta-apprentissage sensible à la perception. Le modèle prédit les ruptures de contrat de dropout en modélisant explicitement l’asymétrie d’engagement entre parties prenantes et les écarts de perception. Il comporte également un module d’interprétabilité distinct qui révèle un résultat contre-intuitif : les caractéristiques liées à l’engagement et à l’employeur contribuent davantage aux prédictions de décrochage que les caractéristiques liées à la performance. Ces résultats motivent une étude d’analyse de discours (ToM) portant sur la qualité de la compréhension mutuelle, à travers l’identification de la profondeur de mentalisation dans les retours écrits des maîtres d’apprentissage. Cette étude dérive une typologie des dysfonctionnements relationnels et montre que les caractéristiques de qualité discursive sont statistiquement indépendantes et complémentaires aux caractéristiques d’engagement comportemental. Enfin, le cadre Double Theory of Mind (DToM) est présenté : il généralise la perspective relationnelle aux systèmes d’IA destinés aux enseignants en formalisant une structure cognitive à trois niveaux, accompagnée de six principes de conception et d’agendas de recherche. L’ensemble de ces contributions fait progresser l’analytique de l’apprentissage personnalisée et relationnelle, en traçant une progression de la modélisation des états de connaissance individuels vers la modélisation de la compréhension mutuelle qui structure les relations d’apprentissage.