Les techniques de filtrage collaboratif

Selon Candillier, les méthodes par filtrage collaboratif donnent généralement de meilleurs résultats que le filtrage de contenu (Candillier, Jack, Fessant, & Meyer, 2009). Leurs utilisations pour recommander des POIs dans le cadre de ce scénario d’apprentissage mobile peuvent être classées en deux catégories :

III.6.1.1. Les techniques de filtrage collaboratif implicite

Dans le cadre de notre thèse, nous allons nous intéresser à la recommandation par les modèles d’intelligence en essaim, en particulier l’algorithme de colonies de fourmis24 _{ou ACO (Ant Colony}

Optimization) pour guider les apprenants pendant le déroulement de leurs sorties pédagogiques (Dorigo, Maniezzo, & Colorni, 1996). Ces nouvelles approches permettent de recommander des parcours d'apprentissage adaptés au contexte de chaque apprenant. Pour atteindre cet objectif, la structure du scénario d'apprentissage est décrite sous forme d’un graphe où les leçons représentent les nœuds et les arcs représentent les liens HTML entre eux comme le montre la figure 16 :

Figure 16: Le scénario de formation est décrit sous forme de graphe ou chaque nœud est une leçon et chacun arc est un lien HTML (Valigiani, Jamont, & Bourgeois Republique, 2005).

Ces systèmes de recommandation permettent ainsi l’orchestration des activités d’apprentissage en fonction de la valeur de l'importance pédagogique d'un arc par rapport aux autres arcs voisins. Cette valeur varie en fonction de l'utilisation de ces liens par les apprenants qui sont représentés par des agents virtuels (fourmis). Dans le chapitre V, nous allons étendre l'utilisation de ce type de système de recommandation à notre scénario d'apprentissage mobile.

Dans ce qui suit, nous allons nous intéresser aux différentes techniques de recommandation des POIs à l’aide de l’algorithme de fourmis (ACO). Ces techniques sont différentes de celles présentées dans la section III.4 car elles intègrent la localisation des activités à réaliser dans le processus de recommandation des liens d’apprentissage.

Selon Valigiani, l’algorithme de colonies de fourmis peut être appliqué dans un environnement d'apprentissage décrit à l’aide d’un graphe de liens entre POIs. La structure de ce graphe peut être optimisée en vue de faciliter le processus d'apprentissage grâce à la participation des apprenants pendant le déroulement de la sortie pédagogique (Valigiani, Jamont, & Bourgeois Republique, 2005).

T. Wang propose une autre approche basée sur l’algorithme ACO pour aider les apprenants à progresser dans leur apprentissage individualisé à l’aide d’un chemin d’apprentissage adaptatif. Ce type de recommandation identifie les POIs qui ont le plus de probabilité d’être choisis pour former un chemin d’apprentissage optimal en fonction des différents styles d’apprentissage (Wang, Wang, & Huang, 2008).

E. Kurilovas présente une nouvelle approche pour recommander des parcours d’apprentissage adaptés aux différents groupes d’apprenants. Dans ces travaux, l’algorithme ACO est utilisé pour identifier la combinaison des séquences de POIs selon les préférences des apprenants. Cette recommandation permet de réorganiser l’ordre des POIs en utilisant le marquage des apprenants afin d’individualiser et donc d’optimiser le parcours d’apprentissage (Kurilovas, Zilinskiene, & Dagiene, 2013).

Les stratégies identifiées dans les trois travaux précédents peuvent être utilisés dans le cadre de notre scénario d’apprentissage mobile car elles permettent de guider le parcours des apprenants de façon globale. Cependant, ces travaux accordent peu d’intérêt à la gestion du contexte de l’apprenant. En effet, ils se basent sur le filtrage collaboratif implicite des POIs et négligent le profil déclaré par les apprenants. Par conséquent, l'orientation du processus d'apprentissage ne peut se faire que de manière générale ce qui handicape la prise en compte du contexte spécifique à chaque apprenant. III.6.1.2.Les techniques de filtrage collaboratif explicite

Dans (de Spindler, Spindler, Norrie, Grossniklaus, & Signer, 2006), les auteurs présentent une technique qui permet d’effectuer un filtrage collaboratif explicite afin de mieux personnaliser la recommandation des POIs. Cette méthode se base essentiellement sur toutes les évaluations faites par le propriétaire de l’appareil mobile ainsi que sur les notes attribuées par les autres utilisateurs.

Selon W-V. Zheng, l’analyse de l’historique des traces GPS relatif à des anciens visiteurs, permet aussi de faire une recommandation des activités sur certains POIs (Zheng, Cao, Zheng, Xie, & Yang, 2012). En effet, cette analyse permet de renforcer certains chemins par rapport à d'autres car elle s'appuie principalement sur le taux de fréquentation d'un parcours pendant la visite (voir la figure 17).

Figure 17: Interface relative à la recommandation des POIs en fonction de l'historique des trajectoires GPS

D’autre part, Phichaya-Anutarat propose une technique de recommandation permettant d’aider l’utilisateur à sélectionner les POIs appropriés selon ses préférences et ses intérêts. Cette approche utilise des techniques démographiques comme le score d’intérêt personnel et le profil des utilisateurs disponibles dans la base de données du système (Phichaya-anutarat & Mungsing, 2014).

Ces trois travaux s’appuient sur le filtrage collaboratif explicite basé sur l’historique disponible après plusieurs visites pour fournir des recommandations personnalisées. Cependant, les apprenants collaborent peu entre eux lors du déroulement de la sortie pédagogique. Pour cette raison, le système collecte peu d'informations pertinentes à partir des traces des lieux visités et des profils d’utilisateurs. D'autre part, ce genre de système souffre du problème de démarrage à froid pour les premières recommandations à effectuer. En définitive, ce type de recommandation semble peu adapté aux objectifs d’apprentissage car il exploite les informations de la base de données sans se soucier de la dimension pédagogique du scénario d’apprentissage mobile.