Les systèmes de recommandations et la formation

Les systèmes de recommandation permettent de générer des suggestions sur de nouveaux items ou de prédire l’utilité d’un item pour un utilisateur donné. Dans le domaine des EIAHs, ces systèmes permettent d’estimer l’intérêt d’un utilisateur pour une ressource ou une activité d'apprentissage donnée à partir de certaines informations relatives à d’autres utilisateurs similaires. Selon Drachsler, la recommandation des contenus d'apprentissage à partir d'un ensemble de choix potentiellement très large peut se faire en utilisant les expériences d'une communauté d'apprenants (Drachsler, 2014).

En effet, dans la littérature, beaucoup de systèmes d'apprentissage peuvent offrir des recommandations personnalisées aux apprenants. Ces systèmes se basent sur des technologies telles que les métadonnées et les ontologies pour définir les relations, les conditions et les dépendances entre les ressources d'apprentissage et les modèles d’apprenants (Manouselis, Drachsler, Verbert, & Duval, 2012). Ces systèmes sont principalement utilisés dans les applications de type « closed-corpus » où les ressources d'apprentissage peuvent être décrites par le concepteur du scénario à travers des relations sémantiques permettant d'offrir un apprentissage formel (Brusilovsky & Henze, 2007).

Dans les milieux éducatifs institutionnels comme les universités, le scénario d'apprentissage est bien structuré grâce à des relations formelles (métadonnées) qui intègrent les procédures d'accréditation, les profils d'apprenants, etc. Ces métadonnées peuvent être utilisées pour recommander des cours à travers l'adaptation des ressources à consulter et des activités à réaliser par rapport aux différents profils des apprenants. Dans ce contexte, les Systèmes Hypermédias Educatifs (SHE) peuvent être utilisées pour personnaliser l'apprentissage en se basant sur (1) un modèle d'apprenant décrit à partir de ses intérêts, ses prérequis, etc. et (2) un mécanisme permettant l'adaptation de l'hypermédia selon l'état du modèle de l'utilisateur (Brusilovsky & Nejdl, 2004). Cependant, dans ce genre de systèmes, de nombreuses activités de conception sont nécessaires avant l'exécution et aussi lors de la maintenance de l'environnement d'apprentissage. En outre, les domaines de connaissances dans l'environnement d'apprentissage doivent être décrits en détail. Pour cette raison, ces techniques d’hypermédias adaptatifs sont de moins en moins appliquées dans le cadre de la recommandation des activités d'apprentissage (Manouselis, Drachsler, Verbert, & Duval, 2012).

Pour résoudre ce problème de conception des SHEs, les réseaux d'apprentissage informel présentent une solution intéressante car ils peuvent aider à construire une première représentation du domaine de connaissance. Ce type de réseau est peuplé par de nombreux apprenants et propose des activités prévues par les « facilitateurs » de l'apprentissage. Dans le cadre du scénario de formation, chaque apprenant est autorisé à ajouter, modifier, supprimer ou évaluer les ressources d'apprentissage à tout moment (Koper, Rusman, & Sloep, 2005). Ensuite, les techniques d'extraction de données doivent être en mesure de créer une représentation du modèle de l'utilisateur ou du domaine. Cependant, cette représentation est parfois significative car elle repose sur des informations fournies par les apprenants sans aucune normalisation (pas d'information sur le profil).

D'autre part, Selon Brusilovsky et Henze, l'absence de la maintenance de la structure dans l'apprentissage informel est appelé le «problème de corpus ouvert». Ce problème surgit lorsque les ressources d'apprentissage fournies par les apprenants ne peuvent pas être indexées avec des concepts du domaine ou les métadonnées d'une communauté (Brusilovsky & Henze, 2007). Par conséquent, les techniques de recommandation comme le filtrage collaboratif sont plus appropriées car elles nécessitent peu d'entretien et permettent d'améliorer le comportement émergent de la communauté. Drachsler et al. ont analysé comment les différents types de techniques de filtrage collaboratif peuvent être utilisés pour assister les apprenants dans les réseaux d'apprentissage informel (Drachsler, Hummel, & Koper, 2008). Suite à leurs conclusions, nous pouvons considérer que les systèmes de recommandation fournissent une aide contextuelle qui permet de guider les apprenants pendant le déroulement de leurs apprentissages. Pour atteindre cet objectif, plusieurs systèmes de recommandation destinés à l'apprentissage ont exploité des techniques de filtrage collaboratif au cours de la dernière décennie. Citons à titre d'exemple les projets : Altered Vista (2003), RACOFI(2003) et QSIA(2004)

Altered Vista est un système d'enseignement qui prend en charge une forme d'apprentissage collaboratif contextuel. Sa conception intègre une forme de filtrage collaboratif qui, par des moyens informatiques et statistiques, utilise le travail des individus au profit d'un groupe d'utilisateurs. Altered Vista est conçu pour fournir, sur demande, des recommandations de sites Web personnalisés ou de contacts. Cela permet de propager des opinions de bouche-à-oreille dans les milieux éducatifs afin de recommander un réseau de personnes potentiellement intéressantes (Recker & Walker, 2003).

Le projet RACOFI Musique permet aux apprenants de se familiariser avec la musique canadienne contemporaine. Ce système aide les utilisateurs en ligne dans le classement et la recommandation des objets audio. Il permet aux utilisateurs d'évaluer la musique canadienne contemporaine selon cinq dimensions : (1) l'impression, (2) les paroles, (3) la musique, (4) l'originalité et (5) la production. Les algorithmes de filtrage collaboratif sont ensuite utilisés pour recommander des objets musicaux proches de l’intérêt exprimé par les requêtes des utilisateurs afin de lui garantir un bon apprentissage des caractéristiques de la musique canadienne contemporaine (Anderson, et al., 2003).

Le projet QSIA (Questions Sharing and Interactive Assignment) est un système distribué basé sur le Web qui décrit un environnement pour l'apprentissage, l'évaluation et le partage des connaissances. En effet, ce projet permet des collaborations par l'intermédiaire de recommandations en ligne et génère de nouvelles communautés d'enseignants et d’apprenants. En même temps, le projet QSIA favorise l'apprentissage individuel et pourrait favoriser la capitalisation de l’intelligence collective des apprenants (Sheizaf, Miri, Yuval, & Eran, 2004).

Dans le cadre de cette thèse, nous utiliserons les systèmes de recommandation pour fournir aux apprenants des ressources d’apprentissage permettant la description des lieux visités dans le cadre des sorties pédagogiques. Ces ressources peuvent être accessibles grâce à des liens hypertextes correspondants à des POIs.