N◦d’ordre : 2718
THESE DE DOCTORAT
Présenté parSamia AZOUGH
Discipline : Sciences de l’ingénieur
Spécialité : Informatique, Télécommunications et Multimédia
E-LEARNING ADAPTATIF :
GESTION INTELLIGENTE DES RESSOURCES
PEDAGOGIQUES ET ADAPTATION DE LA
FORMATION AU PROFIL DE L’APPRENANT
Soutenue publiquement le 5 Juillet 2014 à 12h dans la faculté de Sciences de Rabat à l’amphi Albaytar
Devant le Jury :
Président :
BOUYAKHF Elhoussine PES Faculté de Sciences Rabat Examinateurs :
BELLAFKIH Mostafa PES Institut National de Poste et Télécommunications Rabat
BENKHALIFA Mohamed PES Faculté de Sciences Rabat
RAMDANI Mohamed PES Faculté de Sciences et Techniques Mohammedia
MEZRIOUI Abdellatif PES Institut National de Poste et Télécommunications Rabat
IDRI Ali PES Ecole Nationale Supérieure
d’Informatique et d’Analyse des Systèmes - Rabat
FACULTÉ DES SCIENCES, 4 AVENUE IBN BATTOUTA B.P. 1014 RP, RABAT TEL : + 212 (0) 5 37 77 18 34/35/38, FAX : + 212 (0) 5 37 77 42 61
A ma chère famille
A mes chers sœurs et frères
Mes travaux de recherche pour l’obtention du Doctorat ont été effectués au sein du LIMIARF ( Laboratoire d’Informatique, Mathématiques appliquées, Intelligence Artificielle et Reconnaissance de Formes) de la Faculté de Sciences de Rabat, Université Mohammed V, sous la direction du Professeur Mr BOUYAKHF Elhoussine, en collaboration avec l’équipe de recherche de Réseaux et Informatique sous la direction du Professeur Mr BELLAFKIH Mostafa de l’Institut National de Postes et Télécommunications.
Je tiens à remercier en premier lieu, Mr BOUYAKHF El Houssine, Professeur à la Faculté de Sciences-Rabat, Université Mohamed V, Directeur de l’UFR Analyse et Conception des SYStèmes (ACSYS), pour m’avoir acceptée au sein de son équipe et pour avoir dirigé mes travaux de recherche en thèse. Je le remercie en tant que Président du Jury et pour ses conseils, ses orientations. . .
Je remercie Mr BELLAFKIH Mostafa, Professeur à l’Institut National de Postes et Télécommunications à Rabat, qui a accepté de diriger ma thèse et qui a bien voulu me faire profiter de sa rigueur scientifique et de la pertinence de ses remarques. Je le remercie en tant que membre du jury. Je le remercie aussi pour son aide efficace, sa disponibilité, ses avis éclairés, et ses judicieux conseils.
Je remercie Mr BENKHALIFA Mohamed, Professeur, à la Faculté de Sciences-Rabat, pour m’avoir fait l’honneur de rapporter cette thèse et en tant que membre du Jury.
rapporter cette thèse et en tant que membre du Jury.
Je remercie Mr MEZRIOUI Abdellatif, Professeur de l’Institut National de Postes et Télécommunications de Rabat, pour m’avoir honorée de sa présence en tant qu’examinateur et membre du Jury.
Je remercie Mr IDRI Ali, Professeur à l’Ecole Nationale Supérieure d’Informatique et d’Analyse des Systèmes de Rabat pour m’avoir honorée de sa présence en tant qu’examinateur et membre du Jury.
Je Remercie également le Personnel de l’Institut de Postes et Télécommunications de Rabat pour leur accueil et leur aide.
Mes remerciements vont également à :
– Mes collègues du laboratoire LIMIARF de la faculté de sciences de Rabat.
– Mes collègues de la salle A203 de l’Institut National de Postes et de Télécommunications.
Je voudrais exprimer ma gratitude à tous ceux qui ont contribué de près ou de loin à l’accomplissement de ce travail. J’apporte à tous ceux qui m’ont gratifié de leur soutien et de leur confiance ma reconnaissance et mes vifs remerciements.
Pour finir, je tiens à remercier mon mari et mon fils pour leur grande patience. Merci à mes très chers sœurs et frères, à ma chère grande mère, et à mes oncles et mes tantes. Un grand merci à mes parents pour m’avoir entouré de leur aide et soutien, et pour m’avoir offert une éducation qui m’a permis d’aboutir à cette thèse.
In this thesis, we describe our adaptive e-learning system designed for providing learners with a path adapted to their profile and to the pedagogical goal of their formation. Intelligent Training Systems (ITS) use existing paths already defined or constructed to monitor the navigation of learners in pedagogical content. For adaptation, they require a format for creating courses in order to manage information to display.
In our system AFGLearn, we proposed to model the description of pedagogical resources in a XML sheet, which facilitates identification of appropriate courses and let the system to be independent of the format of existing courses.
We use genetic algorithms to automate the generation of the adapted path to the profile of the current learner and the chosen pedagogical goal. To implement the modules of our application we chose to use Java servlets. They allow access to the application through the web and thus the portability of the platform.
Keywords Adaptive E-learning, Genetic Algorithms, Fuzzy Logic, XML, Java Servlets
Table des matières
Table des matières v
Liste des abréviations xiv
Introduction 1
I E-learning : Etat de l’art 5
I.1 E-learning, blended learning, online learning ... . . 6
I.2 Systèmes E-learning et Technologies . . . 8
I.3 Normes et Standards . . . 12
I.3.1 Besoins de la Normalisation du E-learning . . . 12
I.3.2 Quelques Définitions . . . 13
I.3.3 Principaux Acteurs de la Normalisation . . . 14
I.3.3.1 Consortiums recensant les besoins et les spécifications . . . 14
I.3.3.2 Consortiums de testabilité et de développement des modèles de référence . 18 I.3.3.3 Organes officiels de standardisation et de normalisation . . . 19
I.3.4 Normes Principales . . . 20
I.3.4.1 DublinCore . . . 20
I.3.4.2 LOM . . . 22
I.3.4.3 SCORM . . . 25
I.4 Plateformes de Formation en ligne . . . 26
I.4.1 La plateforme OWASIS . . . 28
I.4.2 La plateforme SPIRAL . . . 29
I.4.3 La plateforme WebCT . . . 30
I.4.4 La plateforme Moodle . . . 31
II Une approche vers un E-Leaning Adaptatif 33 II.1 Contexte : E-learning . . . 34
II.1.1 E-learning : définitions . . . 34
II.1.2 Avantages et Inconvénients . . . 35
II.1.3 E-learning : enjeux fonctionnels et organisationnels . 36 II.1.4 E-learning évolutions . . . 37
II.2 E-learning adaptatif . . . 39
II.2.1 Adaptation et systèmes e-learning . . . 39
II.2.2 Quelques Approches adaptatives utilisées . . . 40
II.2.2.1 Approche par conception de cours . . . 41
II.2.2.2 Approche GAITS . . . 41
II.2.2.3 Approche par colonie de fourmi . . . 42
II.3 Problématique . . . 43
II.3.1 Notre Approche Proposée . . . 44
II.3.2 Présentation du Problème d’optimisation . . . 46
II.3.2.1 Reformulation vectorielle . . . 48
II.3.2.2 Choix des algorithmes . . . 48
II.4 Présentation des algorithmes évolutionnaires . . . 49
II.4.2 Principe . . . 50
II.4.3 Mise en œuvre des algorithmes évolutionnaires . . . 51
II.4.3.1 Choix d’un codage . . . 52
II.4.3.2 Opérateur de sélection . . . 52
II.4.3.3 Opérateur de croisement . . . 53
II.4.3.4 Opérateur de mutation . . . 55
II.4.3.5 Caractéristiques des algorithmes évolutionnaires . . . 56
II.4.3.6 Paramètres et leur rôle . . . 57
II.4.4 Fonctionnement . . . 58
II.5 Adaptation des algorithmes génétiques à notre approche . . 59
II.6 Intégration des règles floues . . . 61
II.6.1 Logique floue : quelques définitions . . . 61
II.6.2 Présentation floue du problème . . . 62
III Conception du Système AFGLearn 65 III.1 Conception de la plateforme AFGLearn . . . 66
III.2 Phase Modélisation . . . 68
III.3 Phase Adaptation . . . 70
III.4 Modélisation du Profil . . . 72
III.5 Modélisation des entrées . . . 73
III.6 Schéma UML de l’application . . . 73
III.6.1 Cas d’utilisation . . . 74
III.6.2 Diagramme de séquence . . . 74
III.6.3 Diagramme de classes . . . 77
III.7 Choix des outils d’implémentation . . . 78
III.8 Implémentation des algorithmes génétiques . . . 78
IV Validation du système AFGLearn 82
IV.1 Étapes de réalisation . . . 83
IV.1.1 Phase Modélisation . . . 83
IV.1.2 Phase Adaptation . . . 83
IV.1.3 Phase Evaluation . . . 84
IV.2 Scénarios des cas d’utilisation . . . 85
IV.2.1 Scénarios des acteurs . . . 85
IV.2.2 Acteurs et Services Proposés . . . 86
IV.3 Application à quelques modules . . . 88
IV.3.1 Création des modules . . . 88
IV.3.2 Fiche descriptive . . . 93
IV.3.3 Indexation des ressources . . . 95
IV.3.4 Génération du Parcours Adapté . . . 95
IV.4 Tests de validation . . . 99
IV.5 Traitement flou . . . 104
Conclusions et Perspectives 108
Bibliographie 111
Table des figures
I.1 Organisation du schéma de méta-données LOM V1.0 . . . . 23
I.2 Plateformes fonctions . . . 26
I.3 Structuration horizontale du système OWASIS . . . 29
II.1 Composants E-learning . . . 35
II.2 Différents types de processus d’adaptation : de l’adaptabilité à l’adaptativité . . . 40
II.3 Processus d’adaptation d’un cours . . . 41
II.4 Schéma initial du système . . . 45
II.5 Organigramme d’un Algorithme Evolutionnaire . . . 51
II.6 Exemple d’un croisement à un point . . . 54
II.7 Exemple d’un croisement à deux points . . . 54
II.8 Exemple d’un croisement uniforme . . . 55
II.9 Exemple de mutation . . . 55
II.10 Présentation graphique des fonctions trapézoïdales . . . 63
III.1 Architecture du système . . . 67
III.3 Processus d’élaboration d’un contenu pédagogique . . . 70
III.4 Intégration des ressources pédagogiques . . . 70
III.5 Architecture de l’adaptateur . . . 71
III.6 Étapes suivies pour la modélisation du profil . . . 72
III.7 Cas d’utilisation de l’apprenant . . . 75
III.8 Cas d’utilisation de l’enseignant . . . 75
III.9 Cas d’utilisation de l’administrateur . . . 75
III.10Schéma des diagrammes de séquence de l’application . . . . 76
III.11Schéma UML des objets et acteurs principaux de l’application 77 III.12Intégration du module flou . . . 80
IV.1 Schéma descriptif de la phase Modélisation . . . 83
IV.2 Schéma descriptif de la phase Adaptation . . . 84
IV.3 Schéma descriptif de la phase Evaluation . . . 85
IV.4 Formulaire de création du module JAVA . . . 88
IV.5 Présentation des concepts du module JAVA . . . 89
IV.6 Formulaire de création du module ACCESS . . . 90
IV.7 Formulaire de création de nouveaux objectifs . . . 91
IV.8 Formulaire d’ajout de nouveaux cours . . . 92
IV.9 Exemple de fiches descriptives . . . 94
IV.10 Indexation par concept acquis . . . 96
IV.11 Liste des cours par date d’enregistrement . . . 97
IV.12 Liste des cours par types . . . 98
IV.13 Exemple de chromosome généré . . . 98
IV.14 Exemple du parcours généré par l’adaptateur . . . 99
IV.15 Graphe représentant l’erreur, le profil, l’objectif et la solution obtenus pour les 25 premiers étudiants . . . 103
IV.16 Graphe représentant l’erreur, le profil, l’objectif et la solution obtenus pour les 25 derniers étudiants . . . 104
IV.17 Système d’inférence floue à deux entrées et une sortie . . . . 105
IV.18 Définition des règles floues utilisées dans le système . . . 105
IV.19 Fonctions d’appartenance triangulaires . . . 105
IV.20 Fonctions d’appartenance trapézoïdales . . . 106
IV.21 Fonctions d’appartenance gaussiennes . . . 106
IV.22 Visualisation des Règles à fonctions d’appartenance triangulaires . . . 107
IV.23 Visualisation des Règles à fonctions d’appartenance trapézoïdales . . . 107
IV.24 Visualisation des Règles à fonctions d’appartenance gaussiennes . . . 107
Liste des tableaux
I.1 Sources des technologies AIWBES et Systèmes exemples. . . 9
II.1 Avantages et Inconvénients d’E-learning . . . 36
II.2 Historique d’intelligence artificielle en éducation . . . 38
IV.1 Acteurs actives . . . 87
Liste des abréviations
ADL Advanced Distributed Learning AE Algorithmes Evolutionnaires
AFGLearn Adaptative Fuzzy Genetic e-Learning AFNOR Association Française de NORmalisation AG Algorithmes Génétiques
AGR AICC Guidelines & Recommendations
AICC Aviation Industry Computer-Based Training Committee AIWBES Adaptive and Intelligent Web-Based Educational Systems ALIC Advanced Learning Infrastructure Consortium
ANSI American National Standard Institute
ARIADNE Alliance of Remote Instructional and Distribution Networks for Europe
CBT Computer Based Training CBT Computer Based Training
CEN Comité Européen de Normalisation CMI Computer Managed Instruction CMS content management system
DCMI Dublin Core Metadata Initiative EBW Éducation Basée sur le Web EdNA Education Network Australia FAD Formation à distance
FOAD Formation Ouverte et à Distance HTML HyperText Mark-up Language HTTP HyperText Transfer Protocol IA Intelligence Artificielle
ICAI Intelligent Computer-Assisted Instruction IEEE Institute of Electrical and Electronics Engineers ISO International Standard Organisation
ISSS Information Society Standardization Society ITS Intelligent Tutoring Systems
LCMS Learning Content Management System LMS Learning Management System
LOM Learning Object Metadata
LTSC Learning Technology Standards Committee
Moodle Modular Object-Oriented Dynamic Learning Environment OWASIS Outil Web pour l’ApprentiSsage à dIStance
RFC Request For Comments SCO Shareable Content Object
SCORM Sharable Content Object Reference Model
SPIRAL Serveur Pédagogique Interactif de Ressources d’Apprentissage de Lyon 1
URL Uniform Resource Locator WBE Web-based educational WBT Web Based Training WWW World Wide Web
Introduction
Les nouvelles Technologies de l’Information et de la Communication "TIC" améliorent profondément nos façons de nous informer, de communiquer et de nous former. Cette émergence technologique a fait apparaître un nouveau mode d’apprentissage connu sous le nom de e-learning. Celui-ci est basé sur l’accès à des formations en ligne, interactives et parfois personnalisées, diffusées par l’intermédiaire d’un réseau (Internet ou Intranet) ou d’un autre média électronique. Cet accès permet de développer les compétences des apprenants, tout en rendant le processus d’apprentissage indépendant du temps et du lieu.
Le domaine de recherches du "e-learning" est très large. C’est également l’objet d’une activité industrielle prospère et des issues de recherches d’e-learning pourraient être décrites comme questions au sujet de l’adaptation des pratiques en matière d’éducation avec la technologie d’aujourd’hui.
La gamme des applications existantes d’ "e-learning" inclut :
– les systèmes de gestion de cours, un champ la plupart du temps couvert par les produits industriels.
– les systèmes tutoriels intelligents, hypermédia adaptatif, un domaine de recherche très orienté.
– les outils de collaboration utilisés pour l’apprentissage, la vidéoconférence, etc.
– les examens numériques, quizz en ligne, etc.
Depuis les commencements de e-learning, des techniques d’Intelligence Artificielle IA ont été testées pour augmenter l’expérience
d’apprentissage. Plusieurs raisons les justifient, certaines sont tout à fait complexes, d’autres comptent sur des considérations plutôt pratiques. D’abord, la plupart des chercheurs occupent également des positions d’enseignement dans les universités. Il est tout à fait normal que les chercheurs d’IA, recherchant des domaines d’application, commencent à appliquer leurs idées sur la population maniable des étudiants suivant leurs cours. La complexité et la nature stimulante de l’apprentissage humain est également l’une des raisons pour lesquelles des techniques d’IA sont appliquées dans ce contexte. Ce champ constant de recherches est illustré par l’acronyme célèbre d’IA-ED (intelligence artificielle dans l’éducation), utilisé par des conférences importantes et des journaux dans le domaine. Plusieurs recherches sont en cours pour étudier la complexité des parcours suivis ou des profils des apprenants ont nécessité l’utilisation des algorithmes d’optimisation, les algorithmes évolutionnaires, la logique floue, ...
Différentes recherches dans le domaine e-learning ont conduit à mettre en valeur le profil de l’apprenant caractérisé par les connaissances acquises ou les actions constatées au cours de la formation. L’adaptabilité est devenue une caractéristique importante des plateformes d’apprentissage.
Au-delà des caractéristiques techniques des cours à suivre, le contenu sémantique doit faire l’objet d’une attention particulière. Les apprenants doivent avoir la liberté de sélectionner les objectifs pédagogiques qu’ils souhaitent voir apparaître dans leurs cours. Ces objectifs doivent être formellement identifiés pour s’assurer que le parcours généré répond à leurs attentes.
Ce mémoire propose l’étude et la mise en œuvre d’un système intelligent et adaptatif d’e-learning capable d’adapter la formation aux objectifs de la formation en cours et aux connaissances de l’apprenant.
Le format des cours utilisés, les stratégies pédagogiques de conception ont beaucoup évolué au cours des dernières années. Pour profiter de l’expérience des enseignants dans le domaine pédagogique et permettre la réutilisation des cours déjà conçus par différents professeurs et sous différents formats, nous nous basons sur la description des contenus de ces cours. Les caractéristiques étudiées sont principalement les concepts ou les connaissances à acquérir de ces cours et leurs connaissances préliminaires.
Nos recherches consistent à générer un parcours adapté en se basant sur le profil de l’apprenant et l’objectif pédagogique de la formation.
Pour que le parcours obtenu soit optimal et adapté à l’objectif pédagogique et au profil de l’apprenant, nous avons choisi d’utiliser les algorithmes génétiques qui semblent les plus adaptés aux problèmes d’optimisation concernant l’apprentissage. Cela nous permettra d’automatiser l’adaptation.
Afin de satisfaire les objectifs sélectionnés tout en tenant compte des connaissances de l’apprenant, nous avons besoin de formuler son profil en se basant sur la description de ces connaissances acquises.
Par ailleurs, décrire un cours implique que les caractéristiques concernées au cours de l’étude doivent être modélisées pour pouvoir les communiquer au système en cours du processus d’adaptation.
La modélisation des différentes données utilisées dans notre système sous formats compatibles permet de reformuler la recherche du parcours en un problème d’optimisation et ainsi utiliser les algorithmes évolutionnaires. L’intégration de la logique floue dans notre système permet de prendre en considération les différents niveaux des apprenants dans la recherche du parcours adapté.
Enfin, nous souhaitons mettre en place un système ouvert au plus grand nombre possible, c’est pourquoi nous allons privilégier l’utilisation de logiciels libres.
Ce mémoire est divisé en quatre chapitres.
Le premier chapitre présente l’état de l’art des systèmes e-learning, à savoir : les définitions des différents termes en relation avec le terme "e-learning", les technologies utilisées dans les systèmes tutoriels intelligents, les normes et les acteurs de normalisation et enfin quelques exemples des plateformes d’e-learning existantes.
Le second chapitre définit d’abord le terme "e-learning", ses enjeux et présente un historique des évolutions des systèmes e-learning. Il expose ensuite le contexte de notre problématique, à savoir l’ e-learning adaptatif, et quelques approches utilisées pour l’adaptation de la formation. Puis, il présente la problématique de nos recherches et notre approche proposée. Et enfin, il définit les algorithmes génétiques et leurs utilités dans la résolution des problèmes d’optimisation, et s’achève par l’application de
ces algorithmes dans nos recherches, ainsi que la fuzzification des données d’entrées dans notre système, à savoir : le profil, l’objectif.
Le troisième chapitre présente l’architecture et le fonctionnement du système, les différentes phases de notre application, et aussi les diagrammes de cas d’utilisation, de séquences et de classes de l’application. Il introduit également les outils utilisés dans l’implémentation des algorithmes génétiques et des systèmes flous.
Enfin, le dernier chapitre, avant d’aborder la phase de conclusion de la présente recherche, expose la réalisation de l’application avec la simulation de quelques scénarios. L’interprétation des résultats obtenus permettra d’envisager des perspectives améliorant et faisant évoluer l’application réalisée.
I
E-learning : Etat de l’art
Introduction
Avec l’émergence des Technologies de l’Information et de la Communication (TIC), une nouvelle approche de formation, ou plus exactement un nouveau mode d’apprentissage est apparu. Souvent appelé "e-learning", ce mode est basé sur l’accès à des formations en ligne, interactives et parfois personnalisées, diffusées par l’intermédiaire d’un réseau (Internet ou Intranet) ou d’un autre média électronique. Cet accès permet de développer les compétences des apprenants, tout en rendant le processus d’apprentissage indépendant du temps et du lieu. Pour présenter l’état de l’art de ce mode d’apprentissage, nous allons tout d’abord définir les quelques termes qui sont apparu avec le e-learning, nous procédons ensuite les différentes technologies existantes, les normes et standards utilisés et quelques exemples des plateformes.
I.1
E-learning, blended learning, online learning
...
Le terme E-learning se réfère généralement aux activités d’enseignement ou d’apprentissage nécessitant l’utilisation des ordinateurs et des médias électroniques. Dans l’histoire d’e-learning, la formation assistée par ordinateur (Computer Based training) est peut-être l’approche la plus ancienne. C’est une manière de fournir le contenu d’apprentissage par l’intermédiaire des médias numériques. Quand la connexion à commencer à s’étendre de manière significative dans les années 90, elle a donné naissance au paradigme formation/enseignement basé sur le web (web based learning/training).
Récemment, l’approche d’utiliser des PC pour des buts éducatifs est devenu de plus en plus intéressante et importante pour des compagnies, des entreprises et des établissements d’éducation. Elle a émergé de grandes affaires puisque la formation et l’éducation professionnelle est nécessaire pour maintenir des employés à jour avec des technologies, des applications et des environnements en cours d’évolution.
L’introduction des Technologies de l’Information et de la Communication dans le domaine de l’éducation a fait naître un lexique de mots comme ceux introduits ci-dessous.
Blended Learning (Apprentissage mixte)1 : Méthode d’apprentissage
qui combine les éléments de l’apprentissage en ligne et de l’apprentissage en classe traditionnel. En plus de bénéficier d’un enseignement traditionnel en classe, les apprenants ont accès aux nouvelles technologies (Internet, cédéroms, etc.) en temps réel (vidéoconférence, clavardage, etc.) ou en différé (forum de discussion, échange de courriels, didacticiel, etc.).
Computer-Based Learning (enseignement assisté par ordinateur)2 :
Enseignement principalement fondé sur l’utilisation d’outils informatiques, tels les didacticiels. L’enseignement assisté par ordinateur (qu’on a parfois appelé enseignement automatisé) a fait l’objet de développements importants grâce au multimédia.
1. http://inacol.org/resources/promisingpractices/NACOL_ PP-BlendedLearning-lr.pdf
Distance Learning (Formation à distance FAD ou Enseignement à distance EAD)3 : La formation à distance couvre l’ensemble des dispositifs techniques et des modèles d’organisation qui ont pour but de fournir un enseignement ou un apprentissage à des individus qui sont distants du l’organisme de formation prestataire du service.
FOAD Formation Ouverte et à Distance3 : C’est un dispositif souple de
formation organisé en fonction de besoins individuels ou collectifs (individus, entreprises, territoires). Elle comporte des apprentissages individualisés et l’accès à des ressources et compétences locales ou à distance. Elle n’est pas exécutée nécessairement sous le contrôle permanent d’un formateur.
E-Learning : Ce mode d’apprentissage correspond à un système évolué de formation, reposant sur le CBT (Computer Based Training : CD-Rom) et le Distance Learning (formation à distance par présentation vidéo). Il s’agit de cours de formation dispensés par un ordinateur relié à un intranet (accès en interne), ou à un extranet ou encore à Internet. L’accès aux ressources est ainsi considérablement élargi ainsi que les possibilités de collaboration et d’interactivité.
E-formation 4 : La e-formation est à l’origine un sous-ensemble de la FOAD, qui s’appuie sur les réseaux électroniques. Aujourd’hui le concept d’e-Learning est de plus en plus employé, attestant de l’évolution fondamentale de ce domaine de formation.
Mobile Learning (apprentissage mobile) Mode d’apprentissage basé sur l’accès à une ressource de formation à partir d’un terminal mobile. Dans l’apprentissage mobile, l’approche pédagogique doit obligatoirement être adaptée à l’équipement utilisé par l’étudiant et le professeur. En effet, un terminal mobile ne permet pas de lire efficacement des textes continus pendant très longtemps. Son utilité réside dans la rapidité d’accès à une information précise, à la consultation et à l’utilisation rapide des ressources rendues disponibles sur des sites Web prévus à cet effet.
Online Learning (apprentissage en ligne) : Mode d’apprentissage basé sur l’utilisation des nouvelles technologies, qui permet l’accès à des formations en ligne, interactives et parfois personnalisées, diffusées par l’intermédiaire d’Internet, afin de développer les compétences,
3. http://www.elearning-propos.com/docs_ct/lexique.html 4. http://www.educnet.education.fr
tout en rendant le processus d’apprentissage indépendant de l’heure et de l’endroit. L’apprentissage en ligne, qui favorise le perfectionnement personnel ou professionnel, permet de progresser à son rythme et d’éviter les contraintes de déplacement, d’horaire et de disponibilité.
Web-Based Learning Formation à distance dans un domaine déterminé, qui est diffusée par l’intermédiaire du Web et dont l’objectif est d’améliorer ses connaissances et ses compétences.
I.2
Systèmes E-learning et Technologies
Les systèmes adaptatifs sont ces systèmes qui essayent de se comporter différemment avec chaque étudiant, basé sur l’information accumulé dans le modèle d’étudiant, alors que les systèmes intelligents appliquent des techniques d’intelligence artificielle afin d’être conformes aux besoins de leurs utilisateurs. La majorité de systèmes d’éducation de Web appartiennent aux deux catégories ; cependant, il y a quelques exceptions, les deux systèmes intelligents qui ne sont pas adaptatifs, comme le précepteur allemand [Heift et Nicholson, 2001] ou le SQL-Précepteur [Mitrovic, 2003] et les systèmes d’hypermédia adaptatifs qui emploient les techniques très simples d’adaptation, qui ne peuvent pas s’appeler "intelligent" , comme AHA ! [De Bra et al, 2003] ou WebCOBALT [Mitsuhara et al, 2002]. Les technologies adaptatives et intelligentes sont différentes manières d’ajouter des fonctionnalités adaptatives ou intelligentes aux systèmes d’éducation.
[Brusilovsky and Peylo, 2003] identifie cinq classes des technologies dans les systèmes éducationnels intelligents et adaptatifs basés sur le Web(Adaptive and Intelligent Web-Based Educational Systems – AIWBES)(tab.) :
– Intelligent Tutoring, – Adaptive Hypermedia,
– Adaptive Information Filtering,
– Intelligent Collaborative Learning and – Intelligent Class Monitoring.
TABLE I.1: Sources des technologies AIWBES et Systèmes exemples.
Sources des technologies AIWBES Technologies & Systèmes Exemples
Intelligent Tutoring (Systèmes Tutoriels Intelligent STI)
Curriculum Sequencing
(Ordonnancement de Programmes) fournir à l’étudiant l’ordre individuellement prévu le plus approprié de thèmes à apprendre et l’ordre de tâches d’apprentissage. Exemples : ELM-ART [Weber et Brusilovsky, 2001] et KBS-Hyperbook [Henze et Nejdl,2001].
Intelligent Solution Analysis
(Analyse Intelligente de Solution) analyser les solutions de l’étudiant à de divers problèmes, identifier la source des fautes et fournir la rétroaction appropriée aux étudiants, et en même temps mettre à jour le modèle d’étudiant. Exemples : SQL-Précepteur [Mitrovic, 2003] , le précepteur allemand [Heift et Nicholson, 2001] et l’ELM-ART [Weber et Brusilovsky, 2001].
Problem Solving Support
fournir aux étudiants l’aide intelligente pendant le processus de résolution des problèmes (conseils, explications, solutions partielles). Exemples : ActiveMath [Melis et al, 2001], AlgeBrain [Alpert et al, 1999] et ELM-ART [Weber et Brusilovsky, 2001].
Sources des technologies AIWBES Technologies & Systèmes Exemples Suite ...
Adaptive hypermedia systems
(Systèmes Hypermédia Adaptatifs)
Adaptive Presentation Technology
(Présention Adaptative) adapter le contenu de chaque page aux buts et à la connaissance d’étudiant, dynamiquement en produisant ou en assemblant des pages pour chaque étudiant, selon le modèle d’étudiant. Exemples : ActiveMath [Melis et al, 2001] et MetaLinks [Murray, 2003].
Adaptive Navigation Support Technology (Support Adaptatif de
Navigation) fournir à l’étudiant un chemin optimal d’apprentissage, mais d’une façon plus flexible que l’ordonnancement traditionnel de programme (traditional curriculum sequencing).
Exemples : InterBook [Brusilovsky et al, 1996], ActiveMath [Melis et al, 2001], MLTutor [Smith et Blandford, 2003], AHA ! [De Bra et al, 2003].
Adaptive Information Filtering
(Filtrage Adaptatif de l’Information) adapter les résultats de la recherche de Web en utilisant le filtrage. Le filtrage adaptatif de l’information se fonde habituellement sur des techniques de machine d’apprentissage (machine learning).
Content-Based Filtering (Filtrage
Basé sur le Contenu) : MLTutor [Smith et Blandford, 2003]
Collaborative Filtering (Filtrage
Collaboratif) : WebCOBALT [Mitsuhara et al, 2002].
Sources des technologies AIWBES Technologies & Systèmes Exemples Suite ...
Intelligent Collaborative Learning
(Apprentissage Collaboratif Intelligent) situé à l’intersection entre l’apprentissage collaboratif informatisé (computer supported collaborative learning) et STI.
Adaptive Group Formation and Peer Help utiliser les caractéristiques dans
le modèle d’étudiant pour constituer les groupes de travail optimaux [Greer et al, 1998] ou pour trouver le pair le plus approprié pour offrir l’aide [McCalla et al, 1997].
Adaptive Collaboration Support
offrir le conseil aux pairs collaborant (collaborating peers), en utilisant la connaissance au sujet de bons et mauvais modèles de collaboration, conçu par le système ou appris des notations de communication. Exemples : COLER [Constantino Gonzalez et al, 2003] et EPSILON [Soller et Lesgold, 2003].
Virtual Students fournir les pairs
virtuels (virtual peers) en tant que compagnons d’apprentissage [Chan, 1991, Frasson et al, 1996]. Une direction prometteuse est l’intégration des agents animés pour soutenir l’apprentissage et la collaboration.
Intelligent Class Monitoring
fournir le support de professeur, offrant l’information concernant la rétroaction d’étudiant ; des techniques d’intelligence artificielle sont employées pour analyser et interpréter le comportement d’étudiant.
Quelques systèmes qui offrent cette fonctionnalité sont : HyperClassroom [Oda et al, 1998], [Merceron et Yacef, 2003],
[Romero et al, 2003].
Dans tous les cas, ces systèmes s’appuient sur la réelle nécessité de formaliser ou représenter la matière à enseigner, l’apprenant et les stratégies pédagogiques.
I.3
Normes et Standards
Le principal objectif de la normalisation est de réaliser l’interopérabilité entre les composants d’une infrastructure ou d’un système, afin de généraliser l’application d’outils dans des contextes différents de ceux prévus dans le développement originel. Par exemple, les protocoles HTTP (HyperText Transfer Protocol), URL (Uniform Resource Locator) et HTML (HyperText Mark-up Language) normalisent le protocole pour la demande, l’identification et la structure des documents dans le WWW (World Wide Web). Un autre exemple bien illustratif est la normalisation de la taille de papier en A4 (une norme allemande DIN).
Dans le domaine de la formation en ligne, la normalisation répond à cinq objectifs [Arnaud, 2004] :
– L’accessibilité : permet de faciliter la recherche, l’identification, l’accès aux contenus et composants de la formation.
– La réutilisabilité : permet de réutiliser les mêmes objets pédagogiques à différentes fins, dans différentes applications, dans différents contextes et via différents modes d’accès.
– L’adaptabilité : permet la modularisation des contenus et des composants pour mieux répondre aux besoins des utilisateurs. – L’interopérabilité : permet les échanges entre composants logiciels
grâce à des interfaces communes.
– La durabilité : permet d’éviter le développement à nouveau des formats de contenus et des composants dans le cas de changement de support logiciel ou matériel.
I.3.1
Besoins de la Normalisation du E-learning
Il serait souhaitable de normaliser les domaines fonctionnels ou les les éléments d’un dispositif d’e-learning.
Ces normalisations concernent les plateformes, l’apprenant, les contenus de formations, les systèmes de gestion, les collaborations et la qualité.
– Architectures : La pérennité des dispositifs tels que les plateformes d’ e-learning, les procédures d’échanges de données entre elles et leur interopérabilité sont à garantir.
personnelles de l’apprenant ainsi que ses compétences, son profil d’apprentissage, son plan de formation, sont à organiser de manière structurée pour tendre à la fois à plus d’individualisation dans le suivi pédagogique et plus de protection de la vie privée.
– Contenus de formation : Les formats des contenus éducatifs mis en ligne doivent permettre de les rendre accessibles par des navigateurs avec recherche automatique par des moteurs sur les réseaux grâce à l’utilisation de métadonnées. La question de l’automatisation de l’indexation par des outils auteur est essentielle dans ce contexte. – Systèmes de gestion : Les interactions entre apprenants, tuteurs,
administrateurs et contenus en ligne sont à standardiser de manière à permettre un suivi efficace des performances des apprenants dans un contexte pédagogique le plus ouvert possible. La notion de qualité des services d’apprentissage en ligne est également à prendre en considération.
– Collaborations : Les technologies de collaboration doivent pouvoir fonctionner en milieu éducatif de manière satisfaisante et être utilisées par exemple par des communautés d’apprentissage.
– Qualité : Les services de la e-formation sont à évaluer à travers un référentiel de qualité portant d’une part sur les contenus mis en ligne et d’autre part sur le degré de satisfaction de l’apprenant et sur la mesure des améliorations apportées par la formation suivie, dans sa vie professionnelle.
I.3.2
Quelques Définitions
Pour assurer la mobilité d’une technologie, d’une technique ou d’un produit, ces derniers doivent être utilisables dans différents contextes. Pour cela, certaines caractéristiques techniques doivent être partagées, voire même officiellement reconnues. D’où l’apparition des termes ’norme’, ’standard’, spécification et métadonnées.
Norme : [Educnet 06] " Ensemble de règles fonctionnelles ou de prescriptions techniques relatives à des produits, à des activités ou à leurs résultats, établies par consensus de spécialistes et consignées dans un document produit par un organisme, national ou international, reconnu dans le domaine de la normalisation". Exemple l’ISO, International Standard Organisation, dont le représentant français est l’AFNOR, Association Française de
NORmalisation. La Norme ISO9001 rentre dans cette catégorie et constitue un référentiel en terme d’assurance qualité pour de très nombreuses industries au niveau international.
Standard : [Educnet 06] " Ensemble de recommandations développées et préconisées par un groupe représentatif d’utilisateurs ou de fournisseurs". C’est par exemple le cas des RFC (Request For Comments) de l’IETF ou des recommandations du W3C ou de l’IEEE.
Spécification : [Educnet 06] " Ensemble des règles et des prescriptions techniques établies pour une entreprise et qui servent à fixer les caractéristiques permettant de définir un élément de matériel ou de construction utilisé pour un projet donné". Par exemple, des prescriptions définissant les méthodes d’assemblage d’un composant mécanique pour un constructeur automobile donné.
Les métadonnées : [Educnet 06] " Ce sont des données qui décrivent d’autres données". Elles permettent de :
– Faciliter le partage d’information.
– Contribuer à la minimalisation de pertes de données.
– Rechercher des ressources dans un entrepôt de ressources d’enseignement.
– Faciliter le stockage des ressources d’enseignement.
I.3.3
Principaux Acteurs de la Normalisation
Dans cette section, nous présentons les principaux acteurs de la normalisation d’e-learning. De façon générale, les acteurs de la normalisation sont regroupés au sein de consortiums. Nous allons les présenter par spécialité.
I.3.3.1 Consortiums recensant les besoins et les spécifications
AICC (Aviation Industry Computer-Based Training Committee)
L’Aviation Industry CBT (Computer-Based Training) Commitee (AICC) est une organisation internationale, fondée en 1988, regroupant tous les intervenants dans le domaine de la formation de l’industrie aéronautique (constructeurs d’avions, vendeurs de plateformes informatiques d’enseignement, fournisseurs de contenu pédagogique, etc.). Cette
association est cependant ouverte aux personnes provenant d’autres industries. Les standards proposés sont par nature génériques et ne se focalisent pas uniquement sur le domaine aéronautique.
L’AICC publie des AICC Guidelines & Recommendations (AGR) dans différents domaines comme par exemple l’AGR-007 [AICC 95] qui traite de l’échange de contenus entre plateformes ou l’AGR-002 [AICC 02] qui traite de la plateforme matérielle d’un poste client (vitesse du microprocesseur, espace disque, etc). Il existe à l’heure actuelle 9 AGRs différentes. Celle qui nous intéresse le plus est l’AGR-006 [AICC 98] qui traite de l’interopérabilité entre Computer Managed Instruction (CMI). AICC définit un CMI comme un système gérant à la fois le comportement connecté (on-line) et déconnecté (off-line) des activités d’apprentissage. Il peut notamment s’appuyer sur des CBTs. L’AGR-006 décrit notamment l’échange de fichiers représentant la structure d’un cours. Elle repose principalement sur le document [AICC 01].
ARIADNE (Alliance of Remote Instructional and Distribution Networks for Europe) ARIADNE est un projet européen réunissant 24 partenaires et 8 sponsors de sept pays européens et qui a commencé officiellement en 1995. Il est soutenu par le programme de la communauté européenne pour les applications de la télématique et la Suisse. Il a été développé en deux phases : à l’issue de la première phase (1996/1998) les prototypes des outils d’ARIADNE ont permis la mise en place des premières expérimentations chez les différentes partenaires. La seconde phase (1998/2000) a permis d’expérimenter à grande échelle auprès d’une population élargie d’enseignants et d’apprenants, l’échange d’un nombre de documents pédagogiques grâce à une indexation pertinente dans la base de données pédagogiques .
A la fin de ces deux phases du programme européen, une fondation à but non lucratif s’est mise en place depuis juillet 2000 afin d’assurer la pérennité du système développé. En effet, la fondation ARIADNE prend en charge, depuis sa création, la maintenance et le développement des outils et de la base des connaissances du projet européen. Elle assure à titre non commercial, l’exploitation des résultats du projet en apportant un soutien technique et méthodologique à ses membres.
L’objectif du système ARIADNE est de faire partager et réutiliser des matériels pédagogiques électroniques, au travers des universités et des
organisations [David 03]. Pour soutenir cet objectif, ARIADNE a créé un vivier de connaissances (Knowledge Pool System) c’est-à-dire un répertoire dans lequel on trouve des documents pédagogiques associés avec un système d’indexation et de recherche. L’un des intérêts de ce vivier de connaissances est de soulever les spécifications des métadonnées. ARIADNE a permis de définir les en-têtes de documents pédagogiques développés par l’IEEE. Les deux principaux points que cherche à résoudre ARIADNE sont l’indexation et l’exploitation des métadonnées pour que les utilisateurs puissent trouver de manière efficace et facile le matériel pédagogique dont ils ont besoin.
CEN/ISSS (Comité Européen de Normalisation - Atelier des technologies d’apprentissage) En Europe, le Comité Européen de Normalisation Information Society Standardization Society (CEN/ISSS) , une association reconnue par la communauté européenne, coordonne les différentes instances de normalisation et de standardisation, et s’occupe spécifiquement des exigences de la normalisation. Un de ses groupes se concentre sur les métadonnées pour l’information multimédia. Parmi ses principaux membres, on retrouve IEEE-LTSC, IMS et DCMI.
DCMI (Dublin Core Metadata Initiative) Contrairement aux trois précédents modèles, DCMI n’est pas dédié à l’éducation, mais le monde de l’éducation l’a adapté à ses besoins. DCMI tire son origine de la seconde Internationale World Wide Web Conference de Chicago où une discussion portant sur le Web et le manque de marquage sémantique a donné naissance à une journée d’étude sur le sujet Dublin, Ohio en 1995. La DCMI est le résultat de cette journée [Dcmi 04]. Elle est devenue une organisation tentant de promouvoir l’adoption de standards de métadonnées compatibles entre eux. Son but est de faciliter les recherches de ressources et l’interopérabilité de l’échange d’informations. La direction de Dublin Core, coordonne les groupes de travail, les activités des groupes et dissémine l’information à travers le Web et d’autres publications. Les groupes de travail fonctionnent en collaboration et participent au raffinement des conventions sur les métadonnées. Parmi les participants au projet, on trouve, des agences gouvernementales, des organisations commerciales, des bibliothèques, des musées. Ils ont créé les 15 Dublin Core Metada Elements, soit le DCM Element Set.
IMS Global Learning Consortium IMS est un consortium récent (1997), qui représente un regroupement de 250 établissements éducatifs dont le MIT (Massachusetts Institute of Technology) et UCM (Université Carnegie Mellon), d’entreprises telles que Apple et IBM, d’agences gouvernementales telles qu’Industrie Canada et des sociétés de développement telles que Canvas Learning et Blackboard. IMS participe au développement de standards pour la formation en ligne en proposant des spécifications relatives à la description, au repérage et à l’échange de contenu, à l’interactivité et à l’interopérabilité. Ainsi, IMS a spécifié des métadonnées qui permettent l’étiquetage des ressources d’enseignement et d’apprentissage et élaboré diverses autres spécifications relatives notamment aux contenus, au classement, au design pédagogique, aux profils des apprenants et aux besoins des entreprises.
Les spécifications réalisées par IMS sont les suivantes :
– IMS Content Packaging : Ce sont des spécifications qui permettent de définir un moyen pour échanger les ressources pédagogiques entre différentes plateformes de la e-learning. Dans ces spécifications IMS propose que les contenus des supports pédagogiques soient regroupés dans un paquetage.
– IMS Questions and Tests : Ce sont des spécifications qui permettent de définir une structure facilitant la représentation des questions et des évaluations. L’échange de données entre différents systèmes de gestion de la formation a évidemment été pris en compte dans ces spécifications.
– IMS Meta-data : Ce sont des spécifications qui concernent les ressources pédagogiques. Elles représentent un processus permettant de rechercher et utiliser plus efficacement une ressource. IMS Learning Design : Ce sont des spécifications qui permettent de spécifier formellement le déroulement d’une unité d’apprentissage. – IMS Entreprise : Ce sont des spécifications qui concernent les
échanges de données administratives (élèves, instructeurs, groupes, etc.).
– IMS Learner Information Packaging : Ce sont des spécifications modélisant les données apprenant (historique, but, compétence, etc.). – IMS Reusable Definition : Cette spécification modélise à un niveau général comment décrire, référencer et échanger des connaissances, des compétences, des tâches ou des qualifications.
I.3.3.2 Consortiums de testabilité et de développement des modèles de référence
ADL (Advanced Distributed Learning) L’initiative ADL (Advanced Distributed Learning : Apprentissage Distribué Avancé) est lancée en 1997 par le Département de la Défense américain prévoit la création de bibliothèques de savoirs, ou viviers de connaissances, où les objets d’apprentissage sont accumulés et catalogués pour une distribution et un usage à grande échelle. Ces objets doivent être facilement accessibles sur le Web. Le développement de tels viviers de connaissances peut contribuer à l’établissement d’une économie des objets d’apprentissage qui récompenserait les créateurs de contenus à forte valeur ajoutée. Ces objets d’apprentissage seront accessibles, partageables et capables de s’adapter à la demande d’apprentissage des utilisateurs.
Une des clés de l’initiative ADL est la possibilité de pouvoir réutiliser les composants des objets d’apprentissage dans des applications et environnements multiples, sans avoir à se soucier des outils utilisés pour les créer. Ceci implique, entre autres choses, que le contenu soit séparé des contraintes liées au contexte et aux spécificités du logiciel d’exécution de telle sorte qu’il puisse être inclus dans d’autres applications. De même, pour que son usage répété soit possible sous diverses formes, le contenu doit avoir une interface et des métadonnées communes. Le SCORM (Sharable Content Object Reference Model) est l’une des principales actions d’ADL pour répondre à la demande d’interopérabilité des contenus d’apprentissage [Friesen 04].
ALIC (Advanced Learning Infrastructure Consortium) ALIC (Advanced Learning Infrastructure Consortium) est le consortium pour une infrastructure d’apprentissage avancée au Japon. Il représente une coalition japonaise comprenant des représentants des secteurs privés et publics, effectuant la promotion de la formation en ligne au Japon.
Ses spécifications sont conçues pour l’interopérabilité des systèmes à base de TIC et la réutilisation des ressources d’apprentissage. Les spécifications et les métadonnées d’ALIC prennent en compte les aspects suivants : Architecture, glossaire, interface, protocole (incluant l’apprenant, les contenus, la gestion des résultats)
EdNA (Education Network Australia) EdNA (Education Network Australia) est un réseau pour l’ensemble des acteurs de la communauté éducative en Australie. Son but est d’aider et de promouvoir l’utilisation du Web pour l’éducation. Son ensemble de métadonnées, représente une extension du Dublin Core, il comporte 25 éléments non groupés.
I.3.3.3 Organes officiels de standardisation et de normalisation
AFNOR En France, l’AFNOR représente les intérêts français au sein de l’ISO et au sein de l’atelier des technologies de l’apprentissage du CEN/ISS (Comité européen de normalisation). L’AFNOR a ainsi créé très récemment (2001) un groupe de travail AFNOR/CN36 TI-EFA -Technologies de l’information pour l’éducation, la formation et l’apprentissage pour contribuer aux efforts de CEN/ISS et de l’ISO. Ce groupe de travail est structuré en quatre commissions qui se penchent sur les problématiques suivantes :
– Métadonnées/Vocabulaire. – Techniques collaboratives.
– Compétences, qualification et base de cours.
– Modèles pédagogiques, stratégies d’apprentissage et base de données.
L’organisme ISO qui s’occupe des standards de l’éducation a établi le groupe de travail "Metadata for Learning Resources" (ISO/IEC JTC1 SC36 WG4). Ce groupe compte avec la participation d’experts de plusieurs pays, dont la France, représentée, entre autres, par l’AFNOR. Ce projet a été créé parce que le standard LOM de l’IEEE n’a pas été accepté comme norme ISO. Dans ce projet, il s’agit de respecter les implémentations du LOM qui sont nombreuses tout en rendant possible ses évolutions.
IEEE-LTSC (Institute of Electrical and Electronics Engineers) L’IEEE (Institute of Electrical and Electronics Engineers : Institut des Ingénieurs en électricité et électronique) est une organisation centrale qui possède un rôle essentiel de pôle de réflexion et de proposition en matière de standards. En tant qu’organisation accréditée pour développer des normes, l’IEEE soumet le plus souvent les projets de standards développés au sein de son organisation, à l’Institut national américain de normalisation (ANSI : American National Standard Institute) qui lui-même les présente à l’ISO.
Depuis 1998, l’IEEE pilote le comité de normalisation des technologies éducatives IEEE/LTSC (Learning Technology Standards Committee) . Ce comité comprend 20 groupes de travail qui couvrent l’ensemble des champs à normaliser dans l’apprentissage en ligne : Métadonnées, informations sur l’apprenant, gestion des contenus, de l’interactivité, etc. Cet organisme international regroupe entre autres le Canada, les Etats-Unis, plusieurs pays d’Europe, d’Afrique, d’Amérique latine, d’Asie et des régions du Pacifique. Le LTSC et le groupe de travail LOM s’emploient à définir des éléments pour des objets d’apprentissage. Le sous-comité LTSC d’IEEE est également associé aux travaux d’ISO/IEC JTC1 SC36 et d’IMS.
ISO/IEC JTC1 SC 36 Le Comité ISO/IEC JTC1 SC36 (Joint Technology Committee, Subcommittee on Standards for Learning, Education, and Technology de l’ISO) travaille à la normalisation des technologies de l’information destinées à l’apprentissage, à l’enseignement et à la formation. Plus particulièrement, il se concentre sur les systèmes d’information destinés aux apprenants, aux institutions et sur les ressources éducatives. Il se compose de plusieurs groupes qui œuvrent, entre autres, sur le vocabulaire, les technologies collaboratives, l’architecture, les métadonnées, ainsi que les adaptations culturelles, linguistiques et fonctionnelles. Plus d’une vingtaine de pays y participent, dont la France, et plusieurs groupes y collaborent : IEEE/LTSC, AICC, ARIADNE, IMS, ALIC, ADL, DCMI, CEN/ISSS/WSLT.
I.3.4
Normes Principales
I.3.4.1 DublinCore
Crée en 1995 par DCMI, DC rassemble entre autres des bibliothécaires, des documentalistes, des informaticiens. Il définit des méta-données génériques et développe des outils pour implémenter des méta-données dans les ressources. La norme du Dublin Core comprend 15 éléments de données descriptives relatifs aux ressources d’information, visant à appuyer la découverte de ressources dans les applications accessibles par le Web. Elle représente le résultat d’une série d’ateliers internationaux entre experts.
à la définition des ressources, aux normes d’encodage, à la recherche documentaire et à toute une gamme de sujets. Dublin Core constitue la principale solution de rechange pour la description de ressources d’applications telles que les passerelles de sujet et les nombreuses collections numérisées. Il représente également la base d’un vaste réseau sémantique interopérable s’appuyant sur un ensemble d’éléments de base pouvant être utilisé à grande échelle. La norme Dublin Core n’empêche pas l’utilisation d’autres éléments nécessaires à des mises en œuvre locales.
Plus récemment, des groupes de travail sectoriels ont été mis en place, en particulier le Dublin Core Education pour le domaine de l’éducation.
Dublin Core a pour objectif de concilier les caractéristiques suivantes :
Envergure internationale : la langue de développement de l’ensemble d’éléments du Dublin Core était l’Anglais, en revanche plusieurs versions sont créées en plusieurs autres langues. En novembre 1999, il y avait des versions en plus de vingt langues : le français, l’allemand, l’espagnol, le norvégien, le portugais, le grec, le thai, le finnois, etc. Afin de lier ces versions dans un registre distribué, le groupe de travail sur le Dublin Core multilingue coordonne ses efforts en utilisant la technologie du Ressource Description Framework (RDF)5développée par le Consortium World Wide Web
(W3C)6.
Simplicité de création et de gestion : l’ensemble des éléments du Dublin Core a été développé de manière à permettre aux créateurs, qui n’ont pas forcément de formation spécialisée, de créer des notices descriptives pour les ressources informationnelles, de façon simple et efficace.
Sémantique communément comprise : le Dublin Core peut aider les Internautes non-spécialistes à trouver leurs chemins en supportant un ensemble commun d’éléments dont la sémantique est universellement comprise et supportée.
Extensibilité : le modèle Dublin Core est caractérisé par un mécanisme permettant d’étendre les éléments du DC pour d’autres besoins de découvertes de ressources. Il permet à différentes communautés d’utiliser l’ensemble des éléments du DC pour la description
5. http ://www.w3.org/RDF/ 6. http ://www.w3.org/
primaire de l’information, qui devient alors utilisable à travers Internet, tout en permettant des ajouts spécifiques à un domaine. Par exemple, récemment le DC a été adopté par le Open eBook Publication Structure 1.0 (OEB)7, norme de l’industrie afin de
soutenir la production de livres électroniques commerciaux non tributaires. Il sert également de base aux propositions récentes concernant les ensembles de données administratives, de collection et de consignation, en plus d’avoir été utilisé lors du projet de matériel didactique du modèle d’entreprise gouvernementale (MEG) et dans les méta-données de la Visual Resources Association (VRA)8.
Flexibilité : Bien qu’au départ le projet Dublin Core ait été axé sur les ressources électroniques, des efforts ont été mis en œuvre afin d’assurer une flexibilité suffisante au projet, en vue de représenter des ressources (et les relations entre les ressources) qui sont numériques et qui existent en format traditionnel.
Expérience de mise en œuvre : le projet Dublin Core a été bien reçu dans différents secteurs d’activités : des archives, des gouvernements étrangers, des musées, des bibliothèques et des universités, ainsi que dans les collectivités de thèmes, comprenant les arts et les lettres, les bibliographies, les affaires, l’éducation, l’environnement, les mathématiques, la médecine, la science et la technologie. Ces expériences ont entraîné un accroissement des modèles, des conseils concernant la mise en œuvre et des outils logiciels.
I.3.4.2 LOM
ARIADNE et IMS (I.3.3.1) ont collaboré pour définir un ensemble commun de méta-données. Ils sont impliqués dans le processus de standardisation de l’Educational Metadata Learning Technology Standards Committee (EMLTSC)9 de l’IEEE. Actuellement le standard
LOM (Learning Object Metadata) spécifie la syntaxe et la sémantique des méta-données pédagogiques et définit les attributs nécessaires pour une description complète des ressources pédagogiques. Il consiste en un ensemble minimal de caractéristiques indispensables pour gérer les objets
7. http ://www.est.co.jp/ks/dish/openebook/OEB1.html 8. http ://www.vraweb.org/
pédagogiques (Learning Object). Il définit, pour l’instant, neuf catégories de descripteurs.
FIGUREI.1 –Organisation du schéma de méta-données LOM V1.0
La version 6 du LOM définit une soixantaine de descripteurs regroupés en neuf catégories (fig. I.1)[LOM02] :
a. Description générale, "General" : Dans cette catégorie l’objet pédagogique est décrit dans son ensemble. On trouve les caractéristiques telles que l’identifiant de l’objet, son titre, sa description, la liste des langues utilisées, une liste de mots clés, l’étendue de la ressource (collection, linéaire, hiérarchique, etc.), son niveau de granularité (de 1 à 4, 1 désignant un cours entier).
b. Cycle de révision, "Lifecycle" : Cette catégorie décrit la liste complète des modifications ou cycle de révision. Les éléments de l’ensemble de caractéristiques relatives à l’historique et à l’état courant de l’objet pédagogique (draft, final, etc.), les personnes qui l’ont modifié, leur rôle (author, instructional designer, publisher, etc.) ainsi que la date de modification.
c. Méta-données sur les méta-données, "metametadata" : Cette catégorie représente un ensemble de données sur les méta-données décrivant l’objet pédagogique. Cet ensemble décrit le
schéma ou la spécification utilisée (metadataschema). Il est possible de satisfaire à plusieurs schémas et de définir des liens dans un système de catalogage connu.
d. Les informations techniques, "technical" : Cette catégorie, d’ordre technique, définit les exigences techniques en terme de navigateur (type, version), de système d’exploitation ou les caractéristiques comme le type ou format des données (permettant d’identifier les logiciels nécessaires pour les lire), la taille de l’objet numérique (en octets), sa localisation physique (URL - Uniform Resource Locator-ou URI -Uniforme ResLocator-ource Identifier-), des informations pLocator-our installer l’objet pédagogique et sa durée (en particulier pour les fichiers de type audio, vidéo ou animation).
e. Les caractéristiques pédagogiques, "educational" :Cette catégorie permet de définir les conditions d’utilisation de la ressource : Comment celle-ci doit être utilisée, savoir quel est son type (exercice, figure, index...), son niveau d’interactivité (de très faible à très élevée), à qui s’adresse la ressource (apprenant, enseignant, auteur...), le contexte (université, formation professionnelle, école primaire...) ou la tranche d’âge à laquelle s’adresse la ressource. C’est souvent par ces caractéristiques que l’on améliore l’exploitation du contenu pédagogique.
f. La gestion des droits, "rights" : Cette catégorie concerne les caractéristiques exprimant les conditions d’utilisation de la ressource, comme copyright (les droits liés à la ressource pédagogique), Cost (ressource payante ou non).
g. L’aspect relationnel, "relation" : Cette catégorie couvre les caractéristiques exprimant les liens avec d’autres objets pédagogiques en précisant le genre de la relation, comme Kind (nature de la relation).
h. Annotation : Cette catégorie regroupe les commentaires sur l’utilisation pédagogique de la ressource.
i. Classification : Cette catégorie regroupe les caractéristiques de l’objet pédagogique décrites par des entrées dans des systèmes de classification (niveau de compétences, discipline, idée, restriction, objectif pédagogique, pré-requis, type d’accès, niveau d’études, etc.) en associant des mots clés et une description.
I.3.4.3 SCORM
Scorm (Shareable Content Object Reference Model) (SCORM) est une spécification regroupant un ensemble de normes déjà existantes (AICC), (LOM), (IMS-Packaging). Elle est proposée par "Advanced Distributed Learning", sous l’initiative de l’armée Américaine, et définit l’agrégation d’objets pédagogiques (Shareable Content Object : SCO) , la navigation de l’un à l’autre, ainsi que la communication entre ceux-ci et la plateforme de formation. Par exemple, un SCO "composite" peut lier deux SCO ensembles, comme un cours et un quiz. Il est alors possible de définir des métadonnées décrivant l’ensemble, puis de définir un séquencement simple ou conditionnel entre les différents SCO. L’encapsulation Scorm permet ainsi à la plateforme de naviguer de l’un à l’autre, et au client de modifier des variables de la plateforme associées à ce cours, comme par exemple le score ou l’état d’avancement du cours.
Le standard Scorm a été créé afin de permettre le partage et la réutilisation des objets d’apprentissage. Puisque les objets Scorm contiennent un protocole universel de communication avec la plateforme, ils n’ont pas besoin d’être re-créés lorsque l’on choisit de changer de plateforme. De plus, comme Scorm intègre la spécification LOM, il est possible de rechercher un objet pédagogique dans des bibliothèques, par rapport aux métadonnées qui caractérisent son contenu. Des logiciels auteurs permettent très facilement à l’enseignant d’intégrer ses documents dans des fichiers compatibles Scorm : Dreamweaver et son extension CourseBuilder, Flash suite (Adobe) sont des exemples d’éditeurs très utilisés, pour produire des contenus sur une plateforme de formation. La production de petits composants permettant l’évaluation des élèves (qcm, questionnaire à trou etc.) en étant adjoint au contenu permet de compléter un package Scorm, l’outil Reload (Reload) permet la construction manuelle de tels packages. Des plateformes de formation importent et interfacent alors ce type d’objet pédagogique. (Par exemple Ganesha, Claroline, Moodle)
En effet, ces normes sont utilisées par les plateformes pour permettre la gestion des composants d’un système e-learning.
I.4
Plateformes de Formation en ligne
Une plateforme pédagogique est un logiciel qui assiste la conduite des formations ouvertes et à distance. Elle est basée sur des techniques de travail collaboratif et regroupe les outils nécessaires aux trois principaux acteurs de la formation : apprenant, tuteur, administrateur. Elle fournit à chaque acteur un dispositif qui a pour première finalité l’accès à distance au contenu pédagogique, l’auto-apprentissage, l’auto-évaluation et le télé-tutorat via l’utilisation des moyens de travail et de communication à plusieurs : visioconférence, e-mail, forums, chats, annotations, tableaux blancs partagés, etc. [ALGORA, 2005]. Le but est donc de combler la perte de cohésion et de stimulation de la salle que peut sentir l’apprenant devant sa machine [Michel et al., 2003].
FIGUREI.2 –Plateformes fonctions
Les plateformes de e-learning, s’articulent typiquement autour de deux systèmes : le LMS (Learning Management System) et le LCMS (Learning Content Management System).
Le LMS est un système de gestion de sessions de formation, également désigné par ce terme " plateforme d’e-learning". Il s’agit d’un système informatique considéré comme le cœur d’un dispositif de-learning. Le terme LMS s’applique aussi bien à des systèmes très simples de gestion des formations comme à des environnements complexes répartis. Ses principales fonctionnalités sont :
– La gestion et l’organisation de la formation sur un réseau Intranet ou Internet,
– La diffusion des informations sur les offres de formation, – La gestion et l’inscription des apprenants,
– La distribution des ressources pédagogiques, – L’organisation de parcours individualisés,
– La gestion de l’ensemble des activités de formation,
– La mise à disposition d’outils de coopération, le suivi et de communication tuteur/apprenant(s) et apprenant/apprenant(s). Le CMS (content management system) est un système de gestion de contenus qui permet une publication de contenus multimédia sur un réseau local ou distant, dans lequel une base de données sert à stocker les contenus. SPIP (SPIP) (système de publication pour Internet), Joomla (Joomla), Typo 3 (Typo3) sont des systèmes de gestion de contenus assez répandus.
Le LCMS est le système de conception et de gestion de contenu d’apprentissage. Il permet à des auteurs de créer des bibliothèques d’objets pédagogiques réutilisables qui seront ensuite validés avant d’être publiés et réutilisés par des tuteurs et d’autres auteurs. Des données appelées méta-données sont associées à ces objets pédagogiques. Le LCMS peut, pour un apprenant donné, assurer la diffusion et le suivi de la formation à un niveau très fin : celui de l’objet pédagogique. Rappelons qu’à l’inverse d’un CMS, un LCMS est spécifique aux contenus d’apprentissage.
En conclusion, les LMS et les LCMS sont deux outils différents et complémentaires. La difficulté d’appréhender cette différence provient notamment du fait que bien souvent les LCMS intègrent toutes les fonctionnalités de base d’un LMS. Les LCMS offrent donc les services fusionnés du LMS et du CMS (ou pour une raison de simplification : LCMS = LMS + CMS.
Nous proposons de présenter des plateformes représentatives de leur catégorie (prototype de recherche, logiciel commercial et logiciel libre). Ainsi, nous avons sélectionné la plateforme OWASIS en tant que prototype (il s’agit d’un produit local, développé à l’INSA de LYON), SPIRAL de l’université Lyon 1 en tant que produit fini et utilisé, WebCT comme produit commercial le plus vendu dans le monde et enfin MOODLE comme logiciel libre mondialement utilisé.
I.4.1
La plateforme OWASIS
(Outil Web pour l’ApprentiSsage à dIStance) Cette plateforme continue de se développer (nouvelles fonctionnalités) et d’être expérimentée au sein de plusieurs départements de l’INSA de Lyon avant d’être mise en œuvre concrètement dans le cadre d’une formation à distance.
Le découpage horizontal à 3 niveaux (fig. I.3) s’applique aussi bien au contenant qu’aux contenus et normalise le dialogue entre les deux. Les 3 couches qui le constituent sont :
a. Le niveau Support, proche du matériel, concerne les données et les services logiciels élémentaires que l’on retrouve sous des formes légèrement différentes dans quasiment tout type d’application Web (supports multimédias : fichiers texte, sons, vidéos, serveurs de données, chat, problèmes de sécurité, . . .) ;
b. Le niveau Structure gère l’assemblage et la structuration des données et services élémentaires (du niveau a). Il s’agit de rassembler les ressources pédagogiques et outils logiciels, de les paramétrer de manière à construire des activités pédagogiques respectant des règles et/ou objectifs pédagogiques précis ;
c. Le niveau Sémantique favorise la transparence en rapprochant l’espace des connaissances à apprendre de l’espace cognitif de l’usager. Il fournit une image claire de leur organisation afin de réduire la désorientation de l’usager et la difficulté que celui-ci éprouve à explorer de façon cohérente cet espace complexe. Il utilise pour cela différents modèles (de l’apprenant, de la tâche d’apprentissage, . . . ) pouvant être construits dynamiquement à partir de données captées directement par le système.
L’environnement OWASIS fonctionne sous Windows NT avec comme serveur Web Internet Information Server (IIS). IIS propose un accès sécurisé aux ressources, supporte les standards Internet de développement d’applications web interactives. En outre, il est compatible avec la technologie Active Server Page (de Microsoft) utilisable pour créer de véritables applications dynamiques par couplage d’un site et d’une base de données. Le langage Java a également été choisi pour marier paramétrabilité et interactivité : par l’utilisation d’applets nous conservons la convivialité des interfaces tout en dynamisant (pour paramétrage) les pages du site.