HAL Id: hal-01764376
https://hal.archives-ouvertes.fr/hal-01764376
Submitted on 25 Apr 2018
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
PLUME : un Plugin Moodle pour Générer des Feuilles
d’Exercices Personnalisées
Benoît Choffin
To cite this version:
Benoît Choffin. PLUME : un Plugin Moodle pour Générer des Feuilles d’Exercices Personnalisées.
Rencontres Jeunes Chercheurs en EIAH 2018, Apr 2018, Besançon, France. �hal-01764376�
PLUME : un Plugin Moodle pour Générer des
Feuilles d’Exercices Personnalisées
Benoît Choffin?
CentraleSupélec/LRI, Équipe MODHEL, Université Paris-Saclay benoit.choffin@lri.fr
Résumé Nous proposons la description d’un plugin que nous avons développé pour la plateforme éducative en ligne Moodle et qui aborde le problème de la génération automatique de feuilles d’exercices person-nalisées pour chaque étudiant dans un contexte de classe inversée. Il utilise une indexation des exercices sur un répertoire de thèmes et de savoir-faire et fournit un support à l’enseignant lors de la correction par le rappel des exercices donnés. Ce plugin a été développé pour permettre par la suite de tester expérimentalement différents modèles statistiques de recommandation en vue d’optimiser la durabilité de l’apprentissage. Mots-clé : apprentissage personnalisé, Moodle, analytique de l’appren-tissage
1
Description de la Problématique
L’identification des bénéfices d’un parcours pédagogique adapté à chaque apprenant n’est pas récente. Toutefois, les LMS tels que Moodle ou OpenEdX n’intègrent toujours pas aujourd’hui de personnalisation – entendue ici comme l’adaptation des activités pédagogiques à un étudiant particulier et non comme la personnalisation ergonomique de l’espace de travail.
Le travail présenté ici trouve son origine dans les besoins du cours de Mathé-matiques de première année de la licence Sciences et Technologie de l’Institut Villebon-Georges Charpak. L’enseignant a mis en place un système de classe inver-sée pour cette matière afin de responsabiliser les étudiants et de les impliquer dans leur processus d’apprentissage. Cette démarche relève donc de l’active learning, identifié par une récente méta-analyse [1] comme plus efficace que l’enseignement traditionnel du point de vue des notes aux examens finaux et des taux d’échec des étudiants. Le cours est structuré en savoir-faire – par exemple, « Connaître la formule de Taylor-Young », ou « Savoir appliquer un développement limité sur une composition de fonctions »– et chaque semaine est consacrée à l’étude d’un sous-ensemble de ceux-ci. En classe, les étudiants ont le choix entre écouter les explications du professeur sur des points difficiles du cours ou s’entraîner ?. Je tiens à remercier Yolaine Bourda et Fabrice Popineau, mes encadrants de thèse, pour leurs précieux conseils lors de la rédaction de ce premier poster. Merci également à Jeanne Parmentier et Claude Chaudet, qui ont permis à cette collaboration de naître.
individuellement sur des exercices pour progresser à leur rythme. Chaque exercice implique un ou plusieurs savoir-faire différents. L’enseignant effectue également un suivi longitudinal de l’acquisition des savoir-faire au cours du semestre.
De notre côté, nous souhaitons répondre à la problématique de recherche suivante : peut-on améliorer la durabilité de l’apprentissage d’un étudiant par la personnalisation des feuilles d’exercices qui lui sont attribuées chaque semaine ? Notre hypothèse est que la vitesse d’acquisition des connaissances observée des étudiants peut permettre d’individualiser ces feuilles en les faisant retravailler au moment opportun des savoir-faire non maîtrisés. Toutefois, il n’existe pas à notre connaissance de jeu de données public nous permettant de tester cette hypothèse.
Nous avons donc développé un plugin Moodle afin d’outiller et d’automatiser le flux de travail observé à l’Institut, tout en le généralisant et en autorisant la collecte des données qui nous seront nécessaires. Ce plugin fournit une solution au passage à l’échelle de la génération de feuilles d’exercices individualisées1 et peut être utilisé dans d’autres contextes que celui qui lui a donné naissance. L’automatisation repose quant à elle sur la prise en charge par le plugin du suivi individualisé des exercices donnés à chaque étudiant ainsi que des résultats de ces derniers, ce qui évite à l’enseignant une gestion fastidieuse et sujette à erreurs. Ce plugin tient en outre registre de l’évolution de la maîtrise des apprenants dans chacun des savoir-faire.
2
Description du Plugin Moodle
Le choix de Moodle s’est imposé, car c’est une plateforme open-source utilisée comme LMS dans de nombreux établissements français d’enseignement supérieur ; son utilisation est en outre pressentie pour l’Université Paris-Saclay.
Grâce à l’utilisation de l’API (Application Programming Interface) LTI (Lear-ning Tools Interoperability, un standard IMS), notre plugin peut aisément être utilisé dans d’autres LMS que Moodle. LTI facilite également l’intégration de plugins à Moodle car il assure une étanchéité entre le plugin et la plateforme principale. Le plugin a été implémenté sous Python, avec l’aide des modules PyLTI et Flask et s’intègre directement à l’environnement Moodle.
L’enseignant doit d’abord initialiser le plugin en lui fournissant un fichier qui indexe les exercices par savoir-faire et qui spécifie également les dépendances entre savoir-faire. L’énoncé des exercices doit ensuite être enregistré sur le plugin2. Si
l’enseignant décide en cours d’année de modifier les savoir-faire ou les exercices, il lui suffit simplement d’enregistrer le nouveau fichier sur le plugin et la mise à jour se fait automatiquement. Chaque semaine, l’enseignant sélectionne les savoir-faire qui seront traités. Une feuille d’exercices personnalisée est alors générée et envoyée à chaque étudiant sur la plateforme au format PDF. Pour l’instant, la personnalisation se fait automatiquement par tirage aléatoire uniforme parmi les 1. Il est à noter que cette individualisation se fait bien au niveau des feuilles d’exer-cices, et pas au niveau des exercices en eux-mêmes. Le plugin pioche dans une base d’exercices aux énoncés fixes pour composer ensuite les feuilles d’exercices personnalisées.
exercices impliquant chacun des savoir-faire indiqués par l’enseignant mais que l’étudiant ne maîtrise pas encore. De plus, le programme veille à ce qu’un exercice déjà travaillé par l’étudiant ne lui soit pas reproposé par la suite. Toutefois, si une feuille générée ne convient pas à l’enseignant, il peut la visualiser et modifier les exercices au cas par cas, avant de renvoyer la feuille à l’étudiant. Ainsi, l’enseignant n’a ni à gérer le suivi des compétences validées par les étudiants, ni à choisir les exercices envoyés chaque semaine. En outre, le plugin assure un suivi longitudinal des exercices envoyés à chacun. Une fois que les étudiants ont rendu leurs exercices, l’enseignant peut les corriger et indiquer directement sur le plugin, par le biais d’une interface dédiée, si les savoir-faire associés sont acquis, en cours d’acquisition, ou non acquis.
3
Travaux Futurs
En cours de déploiement, ce plugin sera un des supports initiaux de récolte de données et d’expérimentations pour ma thèse. Celle-ci consiste à définir des algorithmes de planification des activités pédagogiques afin d’optimiser la durabilité de l’apprentissage des étudiants. Ces algorithmes reposeront sur un modèle statistique des étudiants et des savoir-faire, qui permettra de suivre dans le temps leur évolution et de recommander les exercices qui leur sont le plus adaptés [2,3]. Nous étudierons notamment un modèle de type apprentissage par renforcement [4], car il correspond à notre problématique et a l’avantage de capturer des relations de dépendance action-récompense éloignées dans le temps, ce qui est typiquement le cas ici. Cependant, le risque avec ce modèle est que le nombre d’itérations avant convergence peut être élevé, et peut donc exposer les étudiants à des feuilles sous-optimales dans un premier temps. Pour pallier ce problème, nous entraînerons le modèle en amont sur des étudiants simulés, et ses paramètres seront affinés en le confrontant avec des étudiants réels.
Opération soutenue par l’État dans le cadre du volet e-FRAN du Programme d’investissement d’avenir, opéré par la Caisse des Dépôts.
Références
1. Freeman, S., Eddy, S.L., McDonough, M., Smith, M.K., Okoroafor, N., Jordt, H., Wenderoth, M.P. : Active learning increases student performance in science, enginee-ring, and mathematics. Proceedings of the National Academy of Sciences 111(23) (2014) 8410–8415
2. Rosen, Y., Rushkin, I., Ang, A., Federicks, C., Tingley, D. Blink, M.J. : Designing adaptive assessments in moocs. In : Proceedings of the Fourth (2017) ACM Conference on Learning@ Scale, ACM (2017) 233–236
3. Vie, J.J., Popineau, F., Bruillard, É., Bourda, Y. : A review of recent advances in adaptive assessment. In : Learning Analytics : Fundaments, Applications, and Trends. Springer (2017) 113–142
4. Reddy, S., Levine, S., Dragan, A. : Accelerating human learning with deep reinforce-ment learning
