Atteinte des objectifs

Ayant comme finalité de proposer un modèle de SHAE amélioré afin de soutenir l'apprenant dans son parcours d'apprentissage, nous nous sommes fixé trois objectifs de recherche.

Le premier objectif était d'établir un modèle apprenant interopérable limitant le recours aux questionnaires, pour lequel nous avons prévu comme moyen l'analyse des données recueillies des réseaux sociaux utilisés par les apprenants. Cet objectif a été partiellement atteint dans notre prototype, mais il demeure réalisable si certaines conditions sont vérifiées comme il a été détaillé dans la modélisation du SHAE proposé. Effectivement, nous avons pu extraire quelques données des étudiants à partir des réseaux sociaux telles les données personnelles : nom, prénom, email, sexe et date de naissance. Pour notre prototype nous nous sommes servie d'une API pour la prédiction des traits de personnalité à partir de ces réseaux. Néanmoins, nous avons laissé tombé d'autres données, faisant partie du standard IMS LIP, pour plusieurs raisons. L'une des principales raisons est la simplification, vu que bon nombre de données n'allaient pas vraiment affecter l'adaptabilité de notre prototype. D'autres raisons d'éthique et de sécurité d'information se sont imposées, puisque certains réseaux sociaux ne donnaient plus l'accès à toutes les données de leurs utilisateurs. De plus, nous étions dans l'obligation d'acheminer le questionnaire de F & S aux étudiants pour la détermination de leur style d'apprentissage. Ceci est dû, d'une part, au fait que le système ne disposait pas au départ des informations nécessaires pour la prédiction du style d'apprentissage. Et d'autre part, ces informations qui consistent en traces de navigation nécessitent un cycle d'apprentissage complet, ce qui n'était pas le cas pour notre test. Nous estimons que ce problème a été atténué en utilisant la version abrégée du test avec

seulement 20 questions, les étudiants étaient capables d'y répondre rapidement sans contrainte. Il est à noter aussi que la prédiction du style d'apprentissage dans les SHAE a déjà fait le sujet de beaucoup de travaux, nous nous sommes donc concentrés sur les nouveaux concepts.

Le deuxième objectif consistait à instaurer un modèle du domaine favorisant la collaboration entre les différents apprenants. Nous avons réussi à atteindre cet objectif en définissant un nouvel étiquetage aux objets d'apprentissage selon la norme LOM que nous avons nommé le type d'interactivité avec les pairs. Grâce à ce nouvel étiquetage, nous avons pu proposer des objets d'apprentissage collaboratifs aux apprenants dont les traits de personnalité affirment une préférence pour ce type d'objets. Il s'est avéré que plus que la moitié des étudiants (66 %) avaient une préférence pour l'apprentissage collaboratif puisqu'ils avaient un taux élevé (+50 %) en ouverture, en extraversion ou en agréabilité. De plus les choix d'objets d'apprentissage proposés par le système concordaient à 58 % avec les choix des étudiants, ce qui confirme l'intérêt d'inclure de l'apprentissage collaboratif dans les SHAE ou même dans l'apprentissage en général.

Le troisième objectif était de proposer un autre aspect d'adaptation sur la base des traits de personnalité de l'apprenant qui porte sur l'approche pédagogique, la collaboration et le feedback, en plus des trois autres aspects appliqués jusqu'à présent à savoir le contenu, la présentation et la navigation. L'adaptation devait se faire aussi de façon automatique. Nous sommes parvenue à satisfaire cet objectif. En effet, nous avons spécifié de nouvelles règles d'adaptation par rapport aux traits de personnalité, tout en nous basant sur la littérature. Parmi ces règles, certaines recommandaient des objets d'apprentissage collaboratifs pour des types prédéfinies de traits de personnalité. D'autres règles ont adapté l'approche pédagogique aux traits de personnalité des apprenants. L'application des règles d'adaptation était fructueuse, puisque les objets choisis selon ces règles correspondaient à 58 % des choix des étudiants, que ce soit pour les règles liées aux traits de personnalité ou de celles associées au style d'apprentissage et au niveau de connaissances. Il est toutefois utile de noter que le seul moyen que nous avons pu utiliser pour tester la validité des règles était de comparer leurs résultats avec les choix des étudiants. Vu que dans le contexte de l'apprentissage en ligne, il est difficile de savoir si un étudiant apprend mieux d'une façon ou d'une autre, la satisfaction de l'étudiant demeure l'unique ressource disponible. Finalement, en ce qui concerne le feedback, nous avons acheminé différents types de feedback en fonction des traits de personnalité et du niveau de connaissances de chaque apprenant. Les étudiants ont perçu positivement l'idée du feedback mais il reste encore à vérifier si ce dernier a un effet sur l'apprentissage. Un type de test que nous pouvons envisager est de comparer si les étudiants qui ont reçu des feedbacks ont un taux d'abandon inférieur à ceux qui n'en ont pas reçu, ce qui nécessite également un assez long cycle d'apprentissage. En ce qui concerne la prédiction automatique des objets d'apprentissage, nous avons développé un réseau bayésien susceptible d'évaluer les versions d'objets d'apprentissage

disponibles pour chaque section et de nommer la version la plus adaptée à chaque profil apprenant. Ce réseau est fonctionnel, il a pu prédire le résultat pour 88 % des tests. Toutefois, il a besoin d'un ensemble de données plus large englobant plusieurs éventualités de profils d'apprenants pour assurer son efficacité.

En somme nous pouvons affirmer que nous avons réussi à atteindre les objectifs de recherche que nous nous sommes fixés au début de la thèse sous réserve de quelques limites de temps ou de ressources. Ces limites pourraient faire l'objet de travaux futurs comme nous le verrons dans les sections suivantes.