HAL Id: tel-01253163
https://tel.archives-ouvertes.fr/tel-01253163
Submitted on 8 Jan 2016
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.
CAMLearn* : une architecture de système de recommandation sémantique sensible au contexte :
application au domaine du m-learning
Fayrouz Soualah Alila
To cite this version:
Fayrouz Soualah Alila. CAMLearn* : une architecture de système de recommandation sémantique sensible au contexte : application au domaine du m-learning. Informatique. Université de Bourgogne, 2015. Français. �NNT : 2015DIJOS032�. �tel-01253163�
Thèse de Doctorat
n
é c o l e d o c t o r a l e s c i e n c e s p o u r l ’ i n g é n i e u r e t m i c r o t e c h n i q u e s
U N I V E R S I T É D E B O U R G O G N E
CAMLearn*: Une architecture de syst `eme de
recommandation s ´emantique sensible au contexte.
Application au domaine du m-learning.
F
AYROUZS OUALAH A LILA
Thèse de Doctorat
é c o l e d o c t o r a l e s c i e n c e s p o u r l ’ i n g é n i e u r e t m i c r o t e c h n i q u e s
U N I V E R S I T É D E B O U R G O G N E
TH `ESE pr ´esent ´ee par
F
AYROUZS OUALAH A LILA
pour obtenir le
Grade de Docteur de l’Universit ´e de Bourgogne
Sp ´ecialit ´e :Informatique
CAMLearn*: Une architecture de syst `eme de recommandation s ´emantique sensible au contexte. Application au domaine du
m-learning.
Soutenue publiquement le 18/03/2015 devant le Jury compos ´e de :
M. JACKYAKOKA Rapporteur Professeur, CNAM Paris
MME. MYRIAMLAMOLLE Rapporteur Professeur, IUT Montreuil
M. IOAN ROXIN Examinateur Professeur, Univ. Franche-
Comt ´e
MME. CATHERINE FARON ZUCKER Examinatrice Maˆıtre de conf ´erences, Univ.
Nice Sophia Antipolis
MME. SANDRA BRINGAY Examinatrice Maˆıtre de conf ´erences, Univ.
Montpellier
M. CHRISTOPHENICOLLE Directeur de th `ese Professeur, Univ. Bourgogne
MME. FLORENCE MENDES Encadrante de th `ese Maˆıtre de conf ´erences, Univ.
Bourgogne
R EMERCIEMENTS
Au terme de ce travail de recherche, je suis convaincue que cette th `ese est loin d’ ˆetre un travail solitaire. Je tiens donc `a remercier tous ceux qui, de loin ou de pr `es, ont contribu ´e
`a la r ´ealisation de ce projet.
En premier lieu, je remercie vivement les membres du jury, qui ont accept ´e d’ ´evaluer mon travail. Je remercie les rapporteurs de cette th `ese, Jacky Akoka (professeur associ ´e au CNAM `a Paris), et Myriam Lamolle (professeur associ ´e `a l’IUT de Montreuil). Je les re- mercie pour la rapidit ´e avec laquelle ils ont lu mon manuscrit, malgr ´e un emploi du temps sans doute tr `es charg ´e. Je leur suis tr `es reconnaissante pour l’int ´er ˆet qu’ils ont port ´e `a mes travaux de recherche.
Je remercie ´egalement Ioan Roxin (professeur `a l’universit ´e de Franche-Comt ´e), Cathe- rine Faron Zucker (maˆıtre de conf ´erences `a l’universit ´e de Nice Sophia Antipolis) et San- dra Bringay (maˆıtre de conf ´erences `a l’universit ´e de Montpellier) d’avoir accept ´e de faire partie de mon jury.
Je tiens `a exprimer mes plus vifs remerciements `a Christophe Nicolle qui fut pour moi un directeur de th `ese attentif et disponible malgr ´e ses nombreuses charges. Je le remercie pour la confiance qu’il m’a toujours accord ´ee, pour son soutien et ses conseils au cours de l’ ´elaboration de cette th `ese. J’ai ´enorm ´ement appris `a ses c ˆot ´es et ces quelques lignes sont peu de choses par rapport `a tout ce qu’il m’a apport ´e.
J’adresse tout ma gratitude `a Florence Mendes, encadrante de cette th `ese, pour ces encouragements, son aide et son soutien sans faille tout au long de ces ann ´ees de travail.
Je la remercie aussi pour toutes nos discussions et ses conseils qui ont ´et ´e et resteront des moteurs de mon travail de chercheur.
J’adresse aussi mes remerciements `a Erik Gebers qui a particip ´e `a mon encadrement dans cette th `ese et qui a contribu ´e au bon d ´eroulement de ce travail de recherche. Je lui souhaite d’ailleurs bon courage pour ses projets futurs.
Je remercie Florian Orpeli `ere pour sa grande patience et son aide inconditionnelle, et Val ´eriane Eymenier pour sa bonne humeur et son appui. Ces deux ing ´enieurs de l’ ´equipe Checksem ont permis de faire avancer ce travail de th `ese.
Les travaux pr ´esent ´es dans cette th `ese ont fait l’objet d’une convention CIFRE entre la soci ´et ´e CrossKnowledge et l’ ´equipe Checksem.
Je tiens `a avoir une pens ´ee sympathique pour toutes les personnes sans exception, coll `egues et amis de la soci ´et ´e CrossKnowledge, qui savent si bien rendre agr ´eable le
cadre de travail. Je remercie particuli `erement Muriel Richelet pour sa patience et sa gen- tillesse. Une pens ´ee particuli `ere `a Bruno Larosa qui nous a quitt ´es il y’a un peu plus d’un an pour un monde meilleur. Reposes en paix.
Il m’est impossible d’oublier de remercier mes coll `egues de l’ ´equipe Checksem pour leur bonne humeur et leur soutien. C’est un plaisir de les c ˆotoyer tous les jours. Je ne vais pas les citer de peur d’en oublier quelqu’un. Merci `a mes voisins de bureau qui ont du suppor- ter ma pr ´esence. Je remercie particuli `erement le trio Yoan Chabot, Benjamin Harbelot et David Werner. Les pauses caf ´e et les PhD nights vont me manquer.
Mes remerciements vont aussi `a ma famille et mes amis qui, avec cette question r ´ecurrente, ≪ quand est-ce que tu la soutiens cette th `ese ? ≫, bien qu’angoissante en p ´eriode fr ´equente de doutes, m’ont permis de ne jamais d ´evier de mon objectif final.
Cela va de soi, je remercie avec grande ´emotion mes sœurs soussou et doudou, mon petit fr `ere rourou, mon oncle migo, pour leur irremplac¸able soutien, et ma petite M ´elie pour sa bonne humeur permanente. Ils m’ont toujours encourag ´e `a aller de l’avant dans la vie malgr ´e la difficult ´e d’ ˆetre loin de ses proches. Merci d’avoir ´et ´e l `a pour ´ecarter les doutes, soigner les blessures et partager les joies. Un grand remerciement `a papa pour son soutien et ses encouragements.
Ces remerciements seraient incomplets si je n’en adressais pas `a mon h ´ero¨ıne : ma maman. Sa pr ´esence et ses encouragements sont pour moi les piliers fondateurs de ce que je suis et de ce que je fais. Cette th `ese elle est pour toi chouchou !
Last but not least, je remercie chaleureusement Hadrien Levionnois, pour ses encoura- gements et sa grande patience (je te promets je vais essayer de r ˆaler moins). Tu auras connu tous les moments difficiles mais aussi les petites victoires. Dans chacun de ces moments ton amour sans faille m’aura donn ´e la force d’un g ´eant.
J’en oublie certainement encore et je m’en excuse.
Encore un grand merci `a tous pour m’avoir conduit `a ce jour m ´emorable.
vi
R ´ ESUM E ´
En raison de la croissance rapide des nouvelles technologies de l’information et de la communication, les m ´ethodes d’apprentissage sont en constante ´evolution. Le e-learning (ou apprentissage ´electronique) a ´et ´e consid ´er ´e comme la premi `ere application des syst `emes hyperm ´edia adaptatifs. Les syst `emes de recommandation sont bas ´es sur les syst `emes hyperm ´edia adaptatifs d ´evelopp ´es durant la fin des ann ´ees 90.
Maintenant, le grand d ´efi des entreprises e-learning est de combler le foss ´e entre le e-learning statique et l’apprentissage mobile (ou m-learning). Les caract ´eristiques du m- learning sont nombreuses. Les principales sont : la flexibilit ´e, l’accessibilit ´e et l’informalit ´e.
La flexibilit ´e est la capacit ´e du syst `eme `a acc ´eder librement `a la formation d’apprentis- sage sans contraintes dans le temps et l’espace. L’accessibilit ´e est la capacit ´e du syst `eme
`a trouver n’importe quelle information sur la formation d’apprentissage ind ´ependamment de l’organisation initiale de cet apprentissage. L’informalit ´e est la capacit ´e du syst `eme `a d ´evelopper un processus d’apprentissage au-del `a de la trajectoire initiale de l’apprentis- sage d ´efinis par le formateur.
Nos travaux de recherche portent sur le d ´eveloppement d’une nouvelle architecture pour le m-learning. Nous proposons une approche pour un syst `eme m-learning contextuel et adaptatif int ´egrant des strat ´egies de recommandation de sc ´enarios de formations sans risque de rupture. Notre approche respecte les caract ´eristiques de flexibilit ´e, d’accessibi- lit ´e et d’informalit ´e. Ce syst `eme est une extension des travaux effectu ´es sur les syst `emes de recommandation bas ´es sur le contenu.
Dans le domaine du e-learning, la plupart des propositions existantes de syst `emes de recommandation sont bas ´ees sur un ensemble de couches qui sont inspir ´ees des archi- tectures hyperm ´edia adaptatifs. Un consensus de propositions d ´ecrit un ensemble bas ´e sur trois couches : le mod `ele de domaine, le mod `ele utilisateur et le mod `ele d’adaptation.
Nous avons adapt ´e ces trois mod `eles `a notre architecture.
Nous proposons une architecture d’un syst `eme de recommandation form ´e d’une par- tie statique repr ´esentant `a la fois les connaissances sur les contenus d’apprentissage et le profil et le contexte de l’apprenant et une partie comportementale contenant les r `egles et les m ´etaheuristiques, qui visent `a combiner des modules d’apprentissage. Notre syst `eme prend en compte le contexte spatio-temporel de l’apprenant, l’ ´evolution du profil de l’apprenant et l’adaptation dynamique des modules durant le processus d’apprentis- sage dans un environnement mobile.
A BSTRACT
Due to the rapid growth of information and communications technology, learning methods are evolving. E-learning (or electronic learning) was considered as the first application of adaptive hypermedia systems. Recommender systems are based on adaptive hyperme- dia systems developed during the end of the 90’s.
Now, the great challenge of e-learning companies is to bridge the gap between the static e-learning and the mobile learning (or m-learning). M-learning features are numerous but can be focused on these three mains : flexibility, accessibility and informality. Flexibility is the ability of the system to access freely to learning courses without constraints in time and space. Accessibility is the ability of the system to find any piece of information about learning courses independently from the initial organization of this learning. Informality is the ability of the system to develop a process of learning beyond the original path of learning defined by the teacher.
Our research focuses on the development of a new architecture for a m-learning recom- mandation system. We propose an approach incorporating contextual and adaptive stra- tegies and respecting flexibility, accessibility and informality characteristics of m-learning.
The proposed systeme is an extension of works on content based recommender sys- tems.
In the e-learning domain, most of the existing proposals are based on a set of layers which are closed to adaptive hypermedia architectures. A consensus of proposals des- cribed a basic set of three layers made of a domain model, a user model and an adaptive model. We adapted these three layers to our architecture.
We propose a new architecture as an extension of content based recommender sys- tem, made of a static part representing both teachers knowledge and learners profile and context, and a behavioral part containing rules and metaheuristics, which aims at combi- ning learning modules. Our system takes into account learners spatio-temporal context, the evolution of learner’s profile and the dynamic adaptation of modules during the lear- ning process in a mobile environment.
L ISTE DES ABR EVIATIONS ´
CAMLearn : Context-Aware Mobile Learning ABox : Assertions Box
ACO : Ant Colony Optimization
AFNOR : Association franc¸aise de normalisation AHAM : Adaptive Hypermedia Application Model AL : Attribute Language
ALEM : Adaptive Learning Environment Model
AMULETS : Advanced Mobile and Ubiquitous Learning Environments for Teachers and Students
API : Application Program Interface BOS : Bag-Of-Synsets
CASS : Context-Awareness Sub-Structure
CC/PP : Composite Capabilities/Preferences Profiles CEdMA : Computer Education Managers Association Checksem : Semantic Intelligence Research
CMF : Context Management Framework CML : Context Modeling Language CMS : Course Management System CoBrA : Context Broker Architecture ConteXtML : Contexte Markup Language DGT : Grand Dictionnaire Technologique
DRIM-AP : Dispositifs Radios Interactifs Multiples et Amphis Participatifs DTD : Document Type De ?nition
EAO : Enseignement Assist ´e par Ordinateur EDA : Estimation of Distribution Algorithm
EIAO : Enseignement Intelligent Assist ´e par Ordinateur FIFO : First In First Out
FIPA : Foundation for Intelligent Physical Agents GPS : Global Positioning System
IADIS : International Mobile Learning Conference
IAmLearn : International Association for Mobile Learning IEEE : Institute of Electrical and Electronics Engineers IMS-LD : IMS Learning Design
ISO : International Organization for Standardization
ITR : ITerm Recommender
LabSET : Laboratoire de Soutien `a l’Enseignement T ´el ´eematique LD : Logique de Description
LE2I : Laboratoire Electronique, Informatique et Image LMS : Learning Management Systems
LMS : Learning Management System LO : Learning Object
LOM : Learning Object Metadata LSS : Learning Support System
LTSC : Learning Technology Standards Committee MARA : Mobile Augmented Reality Applications MEV : Mod `ele d’Espace Vectoriel
MLE : Managed Learning Environment MLR : Management Learning Resources MoULe : Mobile and Ubiquitous Learning MP3 : Mpeg Audio Layer 3
NLS : oN Line System
OCL : Object Constraint Language ONON : CONtext ONtology
OWL : Web Ontology Language PC : Personal Computer
PDA : Personal Digital Assistant
RDF : Resource Description Framework RDFS : RDF Schema
RDIF : Radio Frequency IDentification RIF : Rule Interchange Format
RuleML : Rule Markup Language SCO : Sharable Content Object
SCORM : Sharable Content Object Reference Model SE : Strat ´egies d’Evolution
SGBD : Syst `eme de gestion de base de donn ´ees
SGBDO : Syst `emes de Gestion de Base de Donn ´ees Objet SGML : Standard Generic Markup Language
SGRM : Syst `eme de G ´en ´eration de R `egles M ´etiers SOCAM : Service-Oriented Context-Aware Middleware SPARQL : Protocol and RDF Query Language
SQL : Structured Query Language STI : Syst `emes Tutoriels Intelligents SWRL : Semantic Web Rule Language TBox : Terminology Box
TFIDF : Term Frequency-Inverse Document Frequency
xii
TIC : Technologies d’Information et de Communication UIT : Union Internationale des T ´el ´ecommunications UML : Unified Modeling Language
URI : Uniform Resource Identifier UTC : Coordinated Universal Time VAK : Visuel, Auditif, Kinesth ´esique VLE : Virtual Learning Environmen VNS : Variable Neighborhood Search W3C : World Wide Web Consortium WWW : World Wide Web
XML : eXtended Markup Language XML : Extensible Markup Language XSL : Extensible Stylesheet Language
S OMMAIRE
I Introduction 1
Introduction 3
Contexte . . . . 4
Approche . . . . 5
Structure du document . . . . 6
II Etat de l’art´ 9 1 Mobile Learning 13 1.1 Introduction `a l’apprentissage en situation de mobilit ´e . . . 13
1.1.1 Du d-learning au m-learning . . . 14
1.1.2 Le m-learning dans les entreprises . . . 17
1.1.3 D ´efinition du m-learning . . . 20
1.1.4 Caract ´eristiques du m-learning . . . 22
1.2 Plateformes m-learning . . . 24
1.3 Le m-learning, une activit ´e en contexte . . . 28
1.4 Conclusion . . . 28
2 Contexte et sensibilit ´e au contexte 31 2.1 Contexte . . . 32
2.1.1 D ´efinition du contexte . . . 32
2.1.2 Dimensions du contexte . . . 35
2.1.2.1 Dimension spatiale . . . 36
2.1.2.2 Dimension temporelle . . . 36
2.1.2.3 Dimension utilisateur . . . 37
2.1.2.4 Dimension dispositif . . . 37
SOMMAIRE
2.1.3 Acquisition des informations de contexte . . . 38
2.1.4 Mod ´elisation du contexte . . . 39
2.2 Syst `emes sensibles au contexte . . . 43
2.2.1 D ´efinition de la sensibilit ´e au contexte . . . 43
2.2.2 Architecture g ´en ´erale d’un syst `eme sensible au contexte . . . 44
2.2.3 Exemples d’architectures de syst `emes sensibles au contexte . . . . 45
2.3 Conclusion . . . 53
3 Hyperm ´edia adaptatifs et syst `emes de recommandation 55 3.1 Introduction aux hyperm ´edia adaptatifs . . . 56
3.1.1 Les hyperm ´edia classiques . . . 57
3.1.2 Les hyperm ´edia adaptatifs . . . 59
3.1.2.1 M ´ethode et techniques d’adaptation . . . 59
3.1.2.2 Architecture des hyperm ´edia adaptatifs . . . 62
3.1.3 Avantages et inconv ´enients des hyperm ´edia adaptatifs ´educatifs . . 68
3.2 Application aux syst `emes de recommandations . . . 69
3.2.1 Introduction aux syst `emes de recommandations . . . 69
3.2.2 Recommandations bas ´ees sur le contenu . . . 71
3.2.3 Recommandations par filtrage collaboratif . . . 76
3.2.4 Avantages et inconv ´enients des approches de recommandation . . 78
3.2.5 Approches hybrides . . . 79
3.3 Conclusion . . . 80
III Approche s ´emantique et combinatoire pour un syst `eme de recom- mandation sensible au contexte 83 4 Autour des objets p ´edagogiques 87 4.1 Objet p ´edagogique, d ´efinition et caract ´eristiques . . . 88
4.1.1 D ´efinition d’un objet p ´edagogique . . . 88
4.1.2 Caract ´eristiques d’un objet p ´edagogique . . . 89
4.2 Cycle de vie d’un objet p ´edagogique . . . 90
4.3 Normes pour la description d’un objet p ´edagogique . . . 93 xvi
SOMMAIRE
4.3.1 Dublin Core . . . 94
4.3.2 LOM . . . 95
4.3.3 IMS-LD . . . 97
4.3.4 SCORM . . . 99
4.3.5 Que choisir pour notre mod `ele ? . . . 102
4.4 Conclusion . . . 104
5 Architecture du syst `eme 105 5.1 Pr ´esentation g ´en ´erale de l’architecture . . . 106
5.2 Serveur s ´emantique de connaissances . . . 108
5.2.1 Le Web s ´emantique . . . 109
5.2.2 Mod ´elisation par les ontologies . . . 112
5.2.3 Mod `ele des LO . . . 113
5.2.4 Mod `ele de contexte . . . 118
5.2.5 Mod `ele de contraintes . . . 128
5.3 Mod `ele d’adaptation . . . 132
5.4 Conclusion . . . 133
6 Probl `eme d’optimisation 135 6.1 D ´efinition du probl `eme d’optimisation combinatoire . . . 136
6.1.1 Formalisation des LO . . . 137
6.1.2 Pond ´eration des LO . . . 138
6.1.3 Graphe des LO . . . 140
6.1.4 Pertinence d’une solution . . . 143
6.2 Les m ´etaheuristiques . . . 145
6.2.1 Introduction aux m ´etaheuristiques . . . 145
6.2.2 M ´ethodes m ´etaheuristiques approch ´ees . . . 146
6.2.3 M ´ethodes constructives . . . 147
6.2.4 M ´ethodes de recherche locale / `a solution unique . . . 148
6.2.4.1 Le Hill-Climbing . . . 149
6.2.4.2 Le recuit simul ´e . . . 150
6.2.4.3 La m ´ethode tabou . . . 153
SOMMAIRE
6.2.4.4 La recherche `a voisinage variable . . . 154
6.2.5 M ´ethodes ´evolutives / `a population de solution . . . 155
6.2.5.1 Les algorithmes g ´en ´etiques . . . 158
6.2.5.2 Les algorithmes `a estimation de distribution . . . 160
6.2.5.3 Les algorithmes de colonies de fourmis . . . 161
6.3 Impl ´ementation des m ´etaheuristiques . . . 162
6.3.1 Construction d’une solution initiale par un algorithme de type glouton 162 6.3.2 Am ´elioration de recherche locale par un algorithme Hill-Climbing . . 165
6.3.3 Am ´elioration de recherche locale par un algorithme de recuit simul ´e 166 6.3.4 Am ´elioration de recherche locale par un algorithme tabou . . . 167
6.3.5 Am ´elioration de recherche locale par un algorithme VNS . . . 168
6.4 R ´esultats exp ´erimentaux . . . 171
6.4.1 Jeux de donn ´ees . . . 171
6.4.2 Param ´etrage des algorithmes et r ´esultats . . . 172
6.5 Conclusion . . . 174
IV Conclusion et travaux futurs 177 Conclusion et travaux futurs 179 Conclusion . . . 179
Travaux futurs . . . 181
V Annexes 183 A La logique de description 185 A.1 Les langages formels et le Web s ´emantique . . . 185
A.1.1 Les bases de connaissance . . . 186
A.1.2 Les familles de logiques de description . . . 187
A.1.3 Le langage ontologique OWL . . . 191
A.2 Les raisonneurs . . . 194
A.2.1 Inf ´erence . . . 195 xviii
SOMMAIRE
A.2.2 Approches de raisonnement . . . 196
A.2.3 Les raisonneurs pour OWL . . . 198
A.3 Conclusion . . . 199
B ´Etude comparative des triplestores 201 B.1 Evolution des mod `eles de donn ´ees . . . 202´
B.1.1 Le mod `ele hi ´erarchique . . . 202
B.1.2 Le mod `ele r ´eseau . . . 202
B.1.3 Le mod `ele relationnel . . . 203
B.1.4 Le mod `ele objet . . . 203
B.1.5 Le mod `ele s ´emantique . . . 204
B.2 Les solutions triplestores . . . 207
B.2.1 Syntaxes RDF support ´es . . . 207
B.2.2 Langages d’interrogation . . . 209
B.2.3 Inf ´erence . . . 210
B.2.4 Langages support ´es pour les clients . . . 211
B.2.5 Licences . . . 211
B.3 Conclusion . . . 212
Bibliographie 225
Rapports techniques 227
Publications 229
I
I NTRODUCTION
I NTRODUCTION
L’apprentissage constitue une pr ´eoccupation majeure dans la soci ´et ´e d’aujourd’hui. Pro- puls ´ees par les technologies en constante ´evolution, les th ´eories et les m ´ethodes se succ `edent dans l’objectif d’ ´elaborer et de mettre en place des outils susceptibles de rendre plus efficaces et pertinents les processus d’apprentissage.
L’apprentissage `a distance est apparu il y a plus de cent ans avec l’invention de la poste et par cons ´equent l’apparition des cours par correspondance destin ´es aux apprenants qui ´etaient dans l’impossibilit ´e de s’inscrire dans des ´etablissements d’enseignement `a cause de la distance. Sa principale caract ´eristique est la s ´eparation entre l’enseignant et l’apprenant. L’apprentissage commence alors `a sortir des salles de cours et `a entrer dans des environnements moins classiques. Au gr ´e de l’apport des nouvelles technolo- gies, l’apprentissage `a distance se d ´ecline en de multiples fac¸ons d’apprentissage : se- rious game (application dont l’objectif est de combiner l’aspect s ´erieux de l’apprentissage avec des ressorts ludiques issus des jeux vid ´eo), apprentissage ´electronique, apprentis- sage mobile ou encore blended learning (combinaison de l’apprentissage ´electronique `a un apprentissage classique pr ´esentiel), sont aujourd’hui de nouvelles m ´ethodes de l’ap- prentissage en plein essor.
L’ ´evolution dans la formation `a distance peut ˆetre caract ´eris ´ee comme un passage de l’apprentissage classique pr ´esentiel, `a l’apprentissage ´electronique puis aujourd’hui `a l’apprentissage mobile. Ces trois stades de d ´eveloppement correspondent `a l’influence de la r ´evolution industrielle dans les pays en d ´eveloppement, sur la soci ´et ´e du 18 `eme au 19 `eme si `ecle, la r ´evolution ´electronique des ann ´ees 1980 et la r ´evolution des technolo- gies mobiles et sans fil des derni `eres ann ´ees du 20 `eme si `ecle (les t ´el ´ephones portables, les baladeurs num ´eriques, les ordinateurs portables, les assistants personnels, les Net Books et maintenant les tablettes et les Smartphones).
Personnel, portable, collaboratif, interactif, adapt ´e au contexte, l’apprentissage mobile a des qualit ´es sp ´ecifiques qui le distinguent de l’apprentissage `a distance classique. Il pri- vil ´egie l’apprentissage juste `a temps et une transmission des connaissances qui peut ˆetre effectu ´ee en tout lieu et `a tout moment. L’apprentissage mobile peut ˆetre ainsi d ´efini comme une activit ´e dont le but est de localiser un apprenant et de d ´elivrer des contenus p ´edagogiques `a cet apprenant en fonction de son besoin en informations et du contexte dans lequel il se situe. Jusqu’ `a pr ´esent l’environnement d’apprentissage ´etait soit d ´efini par un cadre p ´edagogique (exemple, l’ ´ecole, le formateur, etc.) soit impos ´e par le contenu p ´edagogique (l’apprenant devait alors organiser son environnement pour recevoir la for-
mation). Dans notre travail, nous cherchons `a l’inverse `a adapter le cadre p ´edagogique et le contenu p ´edagogique au contexte dynamique de l’apprenant.
Afin d’atteindre cet objectif, il est n ´ecessaire d’adapter les syst `emes d’apprentis- sage ´electronique actuels avec de nouvelles technologies pour la repr ´esentation, la mod ´elisation, l’indexation des contenus p ´edagogiques dans un contexte de mobilit ´e.
CONTEXTE
Le travail de recherche ´elabor ´e dans le cadre de cette th `ese s’inscrit dans un projet de collaboration entre la soci ´et ´e CrossKnowledge1 et l’ ´equipe Checksem2 (Semantic Intelligence Research) du laboratoire LE2I3 (Laboratoire Electronique, Informatique et Image – Universit ´e de Bourgogne) :
– CrossKnowledge est le leader europ ´een des solutions d’apprentissage ´electronique et du d ´eveloppement des comp ´etences manag ´eriales sur internet. Fond ´ee en 2000, CrossKnowledge est une entreprise internationale de plus de 200 salari ´es, pr ´esente dans de nombreux pays d’Europe, d’Asie et d’Am ´erique. CrossKnowledge conc¸oit, d ´eveloppe et commercialise le catalogue le plus complet du march ´e avec plus de 17 mille formations multilingues en apprentissage ´electronique abordant l’ensemble des th ´ematiques de leadership, de management et d’accompagnement du changement.
Ces contenus sont conc¸us en partenariat avec des professeurs et des experts d’HEC, ESSEC, HARVARD, INSEAD, etc. CrossKnowledge compte plus de 3 million d’appre- nants au sein de grandes entreprises internationales de tous secteurs.
– La recherche dans l’ ´equipe Checksem est bas ´ee sur plusieurs ´el ´ements fonda- teurs. Les travaux concernent premi `erement l’ing ´enierie d’ontologies, `a savoir la mod ´elisation, le peuplement, la persistance, et l’ ´evolution des ontologies. Les tra- vaux au sein de Checksem concernent aussi l’ing ´enierie de r `egles : r `egles logiques, m ´etaheuristiques, etc. Le dernier aspect des recherches au sein de l’ ´equipe vise la qualification formelle des connaissances s ´emantiques ainsi que la gestion des pro- fils et contextes utilisateurs lors de l’exploitation des ontologies, tout au long du cycle de vie du syst `eme d’information. Cet ensemble de comp ´etences forme un axe de re- cherche coh ´erent sur le th `eme de la mod ´elisation s ´emantique et de son exploitation contextuelle par des syst `emes intelligents.
Ce projet de collaboration a pour objectif la proposition d’une nouvelle architecture pour la conception d’une plateforme d’apprentissage mobile. Cette plateforme doit per- mettre la personnalisation de l’exp ´erience p ´edagogique selon les besoins des apprenants (connaissances et comp ´etences `a acqu ´erir) et les situations d’apprentissage (contexte de mobilit ´e : informel, en entreprise, etc.) par le d ´eveloppement d’un syst `eme de recomman-
1. http ://www.crossknowledge.com/fr FR/elearning/home.html 2. http ://checksem.u-bourgogne.fr/www/
3. http ://le2i.cnrs.fr/
4
dation s ´emantique orient ´e m ´etier appliqu ´e au contexte de l’apprentissage mobile.
L’enjeu derri `ere cet effort d’innovation est d’augmenter l’efficacit ´e de l’apprentissage, que ce soit du point de vue des apprenants, des formateurs ou des organisations financ¸ant la formation.
APPROCHE
Pour atteindre les objectifs fix ´es par l’entreprise, nous avons souhait ´e ´etudier dans un pre- mier temps les syst `emes sensibles au contexte. La sensibilit ´e au contexte est un concept indispensable dans la conception de syst `emes d’apprentissage mobile. L’ ´etude des ar- chitectures de ces syst `emes nous a permis de d ´egager les principaux concepts pour la conception d’un syst `eme contextuel. Ces architectures constituent un cadre g ´en ´eral pour la conception, l’acquisition d’informations contextuelles et l’adaptation des contenus aux utilisateurs. L’objectif est de rendre le syst `eme capable de r ´eagir de fac¸on pertinente aux changements de l’environnement dans lequel se situe l’apprenant.
Nous avons ´etudi ´e dans un second temps les syst `emes hyperm ´edia adaptatifs pour com- prendre comment fonctionnent les m ´ecanismes d’adaptation d’un ensemble de donn ´ees.
L’hyperm ´edia adaptatif concerne le d ´eveloppement de syst `eme Web o `u le contenu et la navigation sont dynamiquement adapt ´es en fonction d’un profil utilisateur. Nous avons pu identifier que l’architecture d’un syst `eme hyperm ´edia adaptatif est construite par un em- pilement de couches. Nous avons aussi identifi ´e une architecture minimale qui peut servir de base `a tous types de syst `emes hyperm ´edia adaptatifs. Cette architecture est form ´ee de trois couches : le mod `ele de domaine, le mod `ele utilisateur et le mod `ele d’adaptation.
Le premier mod `ele contient l’ensemble des donn ´ees du syst `eme, le second d ´ecrit le profil de l’utilisateur et le dernier contient les r `egles d’adaptation.
Notre recherche nous a permis d’identifier un sous-ensemble des syst `emes hyperm ´edia adaptatifs qui sont les syst `emes de recommandations. Nous avons pr ´esent ´e une
´etude approfondie de ces syst `emes qui nous a permis d’identifier les principales ca- ract ´eristiques de ces syst `emes et de proposer une classification des principales ap- proches. Toutes les approches proposent des m ´ecanismes pour recommander un item (terme usuel dans le domaine des syst `emes de recommandation pour parler d’un
´el ´ement `a recommander) `a un utilisateur soit en se basant sur une analyse du contenu des offres `a recommander, soit en se basant sur une analyse des avis des utilisateurs.
Bien que nous ayons pu identifier certains m ´ecanismes utiles pour notre probl `eme, tels que ceux utilisant des ontologies pour d ´efinir la s ´emantique des contenus, aucun projet de recherche identifi ´e ne permet ni de proposer des combinaisons d’items, ni de propo- ser des m ´ecanismes de recommandation bas ´es sur le savoir-faire des experts m ´etiers.
Le travail de recherche pr ´esent ´e dans ce m ´emoire a pour principal objectif de d ´evelopper une architecture g ´en ´erique qui permet la construction d’un syst `eme de recommandation
qui r ´epond aux limites de ces syst `emes.
Nous avons aussi ´etudi ´e les standards et normes actuelles de mod ´elisation des contenus d’apprentissage. Un probl `eme d’efficacit ´e se pose aujourd’hui avec le d ´eveloppement des contenus p ´edagogiques ces derni `eres ann ´ees, qui a conduit `a un important volume d’informations h ´et ´erog `enes et difficilement r ´eutilisables. Les efforts de standardisation qui ont vu le jour suite `a ce probl `eme, doivent n ´ecessairement ˆetre pris en compte dans les nouveaux projets du domaine afin d’assurer l’interop ´erabilit ´e, le partage et la r ´eutilisation des contenus.
A l’intersection de ces diff ´erents domaines de recherche, ce travail pr ´esente une archi- tecture pour la construction d’un syst `eme de recommandation sensible au contexte d ´edi ´e au domaine de l’apprentissage mobile.
Pour r ´epondre au probl `eme de combinaison de contenus p ´edagogiques adapt ´es au contexte, nous avons ´etudi ´e le domaine de recherche de l’optimisation combinatoire. Ce domaine n ´ecessite de d ´efinir pr ´ecis ´ement le probl `eme d’optimisation qui doit ˆetre ´etudi ´e.
Nous avons d ´efini le probl `eme d’optimisation d’offres d’apprentissage, puis nous avons
´etudi ´e les diff ´erentes m ´etaheuristiques qui pouvaient r ´epondre `a ce probl `eme.
Pour r ´epondre aussi au probl `eme de la mod ´elisation du savoir-faire des experts m ´etiers et au probl `eme d’h ´et ´erog ´en ´eit ´e des contenus, nous avons ´etudi ´e le domaine du Web s ´emantique. L’ontologie est un concept central du Web s ´emantique. Une des d ´efinitions de l’ontologie qui fait autorit ´e dans le domaine est celle de (Gruber, 1993) : une ontologie est une sp ´ecification explicite d’une conceptualisation. Le caract `ere formel d’une ontolo- gie implique que celle-ci doit ˆetre exploitable par des machines tandis que le caract `ere partag ´e de sa conceptualisation indique que les cr ´eateurs de l’ontologie doivent avoir une m ˆeme vision du domaine repr ´esent ´e. Une ontologie est ainsi vue comme une structure de donn ´ees compos ´ee de concepts et de relations entre ces derni `eres et repr ´esentant les connaissances d’un domaine. Pour r ´esumer, l’utilisation d’une ontologie permet de standardiser le vocabulaire, d’uniformiser le langage d’ ´echange entre les diff ´erentes pla- teformes d’apprentissage et de structurer la connaissance pour simplifier l’analyse des contenus p ´edagogiques.
Nous avons ainsi ´etendu les propositions des syst `emes de recommandations utilisant des ontologies en ajoutant des m ´ecanismes de pond ´eration et des r `egles logiques pour r ´epondre aux besoins de l’entreprise en mati `ere de mod ´elisation de son savoir-faire m ´etier.
STRUCTURE DU DOCUMENT
Ce rapport de th `ese est articul ´e en 6 chapitres :
– Le chapitre 1 est un ´etat de l’art de l’apprentissage mobile. Nous pr ´esentons dans ce chapitre l’historique de d ´eveloppement, les classifications et les ca- 6
ract ´eristiques de l’apprentissage. Nous pr ´esentons et comparons aussi des architec- tures repr ´esentatives de l’apprentissage mobile dans lesquelles nous avons cherch ´e des inspirations. Finalement nous d ´ecrivons l’apprentissage mobile comme une acti- vit ´e en contexte.
– Dans le chapitre 2 nous pr ´esentons un ´etat de l’art du contexte et de la sensibilit ´e au contexte. Dans la premi `ere partie du chapitre nous pr ´esentons les diff ´erentes visions de la notion du contexte en essayant d’en faire ressortir les caract ´eristiques que nous regrouperons en dimensions. La combinaison de ces dimensions permet de construire des contextes sp ´ecifiques pour des besoins clairement identifi ´es. Dans la deuxi `eme partie du chapitre nous ´etudions l’architecture des syst `emes sensibles au contexte en essayant d’en extraire les principales fonctionnalit ´es requises pour prendre en charge ce contexte en apprentissage mobile.
– Le chapitre 3 est un ´etat de l’art de diff ´erentes m ´ethodes et techniques utilis ´ees pour la r ´esolution de notre projet de recherche. La premi `ere partie de ce chapitre pr ´esente le domaine des syst `emes hyperm ´edia adaptatifs. Cette partie met en ´evidence une archi- tecture suffisante pour la r ´ealisation de syst `emes adaptatifs avec une description des couches principales. Le but des syst `emes hyperm ´edia adaptatifs est de r ´esoudre le probl `eme de surcharge cognitive (ou surcharge d’informations) et le probl `eme de perte dans l’hyperespace. Nous d ´ecrivons ces deux probl `emes dans le chapitre. Un sous- domaine, charg ´e de r ´esoudre uniquement le premier probl `eme, est appel ´e syst `emes de recommandation. Dans ces syst `emes, pr ´esent ´es dans la seconde partie de ce cha- pitre, il existe deux principales m ´ethodes de recommandations. La m ´ethode bas ´ee sur le contenu et la m ´ethode par filtrage collaboratif. Nous identifions qu’aucune de ces deux m ´ethodes ne r ´epond `a notre besoin de combiner plusieurs items selon des crit `eres s ´emantiques et contextuels pour en faire une recommandation `a un utilisateur final.
– Dans le chapitre 4 nous introduisons la notions d’objets p ´edagogiques. Le mat ´eriel p ´edagogique est consid ´er ´e comme la pierre angulaire de l’appentissage ´electronique.
La qualit ´e du mat ´eriel p ´edagogique d ´etermine la qualit ´e de la formation. L’assurance qualit ´e se d ´efinit comme le r ´esultat des dispositions prises par les organismes de nor- malisation qui visent `a ´etablir des r `egles qui faciliteront le partage et la r ´eutilisation des objets p ´edagogiques. Nous d ´etaillerons dans ce chapitre le point de vue adopt ´e par les diff ´erents organismes de normalisation et les faiblesses de certaines approches. Cette
´etude nous permet de nous positionner par rapport aux diff ´erents mod `eles propos ´es et de choisir le mod `ele le plus adapt ´e `a notre syst `eme.
– Le chapitre 5 d ´efinit formellement un nouveau type de syst `eme de recommandation proposant des combinaisons d’individus d’une ontologie de domaine de l’apprentis- sage mobile et permettant la prise en compte, sous la forme de r `egles m ´etiers du savoir-faire des fournisseurs des contenus. Cette proposition est une extension des syst `emes de recommandation bas ´es sur le contenu utilisant une ontologie associ ´ee `a des m ´ecanismes de pond ´eration et d’indexation. L’architecture utilis ´ee est issue des
syst `emes hyperm ´edia adaptatifs et est compos ´ee de trois couches : le mod `ele des objets p ´edagogiques (qui correspond au mod `ele de domaine dans l’architecture hy- perm ´edia), le mod `ele de contexte (qui correspond au mod `ele utilisateur) et le mod `ele d’adaptation. Les deux premiers mod `eles forment un serveur s ´emantique des connais- sances. Pour proposer des recommandations sous forme de combinaisons d’objets p ´edagogiques, le mod `ele d’adaptation est d ´ecrit de mani `ere `a pouvoir utiliser des al- gorithmes d’optimisation combinatoire adapt ´es au domaine d’application.
– Le chapitre 6 a pour objectif de d ´efinir le probl `eme d’optimisation combinatoire en apprentissage mobile et de proposer des pistes pour la r ´esolution de ce probl `eme.
Ce chapitre d ´efinit formellement le probl `eme de combinaison d’objets p ´edagogiques et pr ´esente les concepts n ´ecessaires `a la r ´esolution des probl `emes d’optimisation.
Comme notre probl `eme n’est pas r ´esolvable par des heuristiques classiques en un temps raisonnable, la deuxi `eme partie du chapitre pr ´esente les m ´etaheuristiques les plus connues pour r ´esoudre des probl `emes d’optimisation combinatoire classiques. Fi- nalement, la derni `ere partie du chapitre est d ´edi ´e `a la description et l’impl ´ementation des algorithmes m ´etaheuristiques utilis ´es pour r ´esoudre notre probl `eme. Quatre algo- rithmes sont test ´es pour la g ´en ´eration de combinaisons : un algorithme de type Hill- Climbing, un algorithme bas ´e sur le recuit simul ´e, un algorithme tabou et un algorithme de recherche `a voisinage variable. Des benchmarks de comparaison des performances de ces algorithmes sont pr ´esent ´es.
8
II
E ´ TAT DE L ’ ART
Les dispositifs mobiles offrent aujourd’hui des possibilit ´es de formation que nous ne pou- vons pas avoir couramment avec d’autres outils d’apprentissage. Ils permettent notam- ment d’acc ´eder `a des contenus n’importe o `u et en tout temps, et de vivre de nouvelles situations d’apprentissage dans diff ´erents lieux (Droui et al., 2014).
Cette variabilit ´e du contexte en apprentissage mobile n ´ecessite d’une part, de lever des verrous sur la mod ´elisation du contexte, mais aussi de trouver des solutions pour pr ´eserver les objectifs p ´edagogiques du processus d’apprentissage, malgr ´e les varia- tions du contexte de l’apprenant. Pour r ´epondre `a ces objectifs, de nombreux travaux de recherche ont ´et ´e men ´es ses 15 derni `eres ann ´ees :
Tout d’abord, dans le domaine de l’apprentissage mobile, o `u l’obtention d’un consen- sus pour une d ´efinition pr ´ecise de l’apprentissage mobile reste difficile. Ensuite, plus sp ´ecifiquement dans le domaine de la mod ´elisation contextuelle, qui n’est pas propre `a l’apprentissage mobile. La d ´efinition d’un contexte est une t ˆache difficile, compos ´ee de nombreux param `etres. L’identification de ses param `etres et leur mod ´elisation dans un tout coh ´erent `a destination de l’apprentissage mobile demande un grand travail de clas- sification. Enfin, dans le domaine des syst `emes hyperm ´edia adaptatifs, qui propose des architectures de recommandation dont le but est de limiter la surcharge cognitive de l’uti- lisateur par une s ´election appropri ´ee d’un item ou d’une combinaison d’item.
Notre ´etat de l’art est ainsi compos ´e de trois grands chapitres d ´edi ´es `a chacun des do- maines pr ´ecis ´es.
Le premier chapitre est un ´etat de l’art de l’apprentissage mobile.
Ce chapitre pr ´esente une br `eve description de l’ ´evolution de l’apprentissage mobile ainsi que les nombreuses d ´efinitions associ ´ees. L’apprentissage mobile caract ´erise tout type d’apprentissage qui se produit lorsque l’apprenant n’est pas `a un endroit fixe, pr ´ed ´etermin ´e, et lorsque ce dernier utilise des technologies de l’information et de la com- munication mobiles pour se former (O’Malley et al., 2005).
Certaines approches consid `erent que l’apprentissage mobile est simplement une exten- sion de l’apprentissage ´electronique. Toutefois, nous verrons que les besoins et les at- tentes des apprenants dans une situation de mobilit ´e diff `erent de ceux des apprenants dans un contexte d’enseignement classique.
Afin de mieux adapter l’apprentissage aux besoins des apprenants en mobilit ´e, ce cha- pitre pr ´esentera une ´etude des caract ´eristiques des environnements mobiles et du com- portement des syst `emes d’apprentissage dans ces environnements. La mobilit ´e est tra- duite par les notions de contexte d’apprentissage et de sensibilit ´e au contexte.
Le second chapitre se concentre naturellement sur la notion decontexte et la notion de sensibilit ´e au contexte.
Nous avons en tant qu’humains une compr ´ehension intuitive du contexte. Nous r ´eagissons diff ´eremment en fonction d’ ´el ´ements tels que l’heure, la localisation, la m ´et ´eo, le niveau de bruit, etc. Ainsi, en fonction des informations rec¸ues nous adaptons notre comportement aux conditions externes. Il en est de m ˆeme pour les nouveaux syst `emes
informatiques.
Dans les deux derni `eres d ´ecennies, l’ ´evolution de l’informatique mobile, a donn ´e lieu
`a de nombreux travaux sur la notion de contexte. En apprentissage mobile le but est d’am ´eliorer l’efficacit ´e de l’exp ´erience d’apprentissage, en recommandant les contenus appropri ´es au contexte actuel de l’apprenant et aux changements de l’environnement.
Vu la complexit ´e du contexte et les diff ´erentes informations contextuelles qui pourraient influencer les syst `emes mobiles, il est n ´ecessaire de classifier les diff ´erents types de contexte et les fac¸ons de r ´eagir au contexte. La sensibilit ´e au contexte est un concept indispensable dans la conception d’un syst `eme d’apprentissage mobile. L’objectif est de rendre le syst `eme capable de r ´eagir de fac¸on pertinente aux changements de l’environ- nement de l’apprenant. On en arrive ainsi `a l’adaptation ou encore la recommandation de contenus d’apprentissage dans un contexte mobile.
Le troisi `eme chapitre de l’ ´etat de l’art est une ´etude des syst `emeshyperm ´edia adaptatifs, dont l’utilisation est r ´epandue dans le domaine de l’apprentissage ´electronique.
De nombreuses architectures sont propos ´ees pour construire de tels syst `emes. Elles sont toutes construites `a partir d’une architecture pivot, n ´ecessaire et suffisante pour la r ´ealisation d’un syst `eme adaptatif (Picot-Cl ´emente, 2011) ; Cette architecture est ar- ticul ´ee en trois couches : une couche qui repr ´esente (1) l’utilisateur et le contexte, (2) une couche qui repr ´esente le domaine et (3) une couche qui repr ´esente les m ´ecanismes d’adaptation.
Le but des syst `emes hyperm ´edia adaptatifs est de r ´esoudre deux probl `emes : le probl `eme de perte dans l’hyperespace (perte de rep `eres au sein de la structure du r ´eseau hypertexte) et le probl `eme de surcharge cognitive (surcharge par l’abondance d’informa- tions et par l’exc `es de t ˆaches `a r ´ealiser). Dans un environnement d’apprentissage mobile, l’objectif est de proposer `a l’apprenant des contenus adapt ´es, sans que ce dernier se perde dans la multitude de propositions.
Une sous-classe des syst `emes hyperm ´edia adaptatifs charg ´es de r ´esoudre le probl `eme de surcharge cognitive est appel ´ee syst `emes de recommandation. La seconde partie de ce chapitre pr ´esente les diff ´erentes cat ´egories de syst `emes de recommandation et surtout leurs limites par rapport aux objectifs de recommandation d’un syst `eme d’ap- prentissage en mobilit ´e.
12
1
M OBILE L EARNING
L’objectif des travaux en mobile learning est de construire un environnement d’apprentis- sage o `u les activit ´es doivent s’adapter `a la situation de mobilit ´e de l’apprenant `a l’aide des nouvelles technologies num ´eriques.
Ce chapitre pr ´esente un ´etat de l’art de l’apprentissage en situation de mobilit ´e (appren- tissage mobile ou mobile learning ou m-learning) articul ´e en trois parties. La premi `ere partie pr ´esente un bref historique de l’ ´evolution de l’apprentissage ´electronique vers l’ap- prentissage mobile ainsi qu’une ´etude des d ´efinitions de l’apprentissage mobile et de ses caract ´eristiques. La seconde partie est une analyse des diff ´erentes strat ´egies et pla- teformes d ´evelopp ´ees dans le cadre de l’apprentissage mobile. La troisi `eme partie se focalise sur l’impact du contexte sur l’apprentissage mobile.
Sommaire
1.1 Introduction `a l’apprentissage en situation de mobilit´e . . . . 13 1.1.1 Du d-learning au m-learning . . . . 14 1.1.2 Le m-learning dans les entreprises . . . . 17 1.1.3 D´efinition du m-learning . . . . 20 1.1.4 Caract´eristiques du m-learning . . . . 22 1.2 Plateformes m-learning . . . . 24 1.3 Le m-learning, une activit´e en contexte . . . . 28 1.4 Conclusion . . . . 28
1.1/ INTRODUCTION A L` ’APPRENTISSAGE EN SITUATION DE MOBI-
LITE´
L’acc `es `a la connaissance et sa transmission sont des pr ´eoccupations majeures depuis que l’homme est Homme. Avec le d ´eveloppement du tout connect ´e, cet acc `es et cette transmission se sont d ´emultipli ´es de fac¸on exponentielle ces 30 derni `eres ann ´ees. Pro- puls ´ees par les nouvelles technologies, les th ´eories et les m ´ethodes se succ `edent pour
1.1. INTRODUCTION `A L’APPRENTISSAGE EN SITUATION DE MOBILIT ´E
´elaborer et mettre en place des outils susceptibles de rendre plus efficaces et pertinents les processus d’apprentissage. N ´eanmoins, efficaces et pertinents signifient aussi en ad ´equation avec leur ´epoque et en prise avec les soci ´et ´es qu’ils doivent instruire (Li ´enard, 2010).
Dans la suite, nous pr ´esenterons tout d’abord, un r ´esum ´e de l’histoire de l’ ´evolution de la transmission du savoir dans le domaine de l’apprentissage `a distance. Ensuite, nous focaliserons notre ´etude sur l’usage du e-learning au sein des entreprises. L’apprentis- sage dans un environnement professionnel est un enjeu strat ´egique pour l’ ´economie des entreprises. C’est dans cet environnement que de nombreuses ´etudes et avanc ´ees ont
´et ´e r ´ealis ´ees pour proposer des solutions d’apprentissage mobile. Chacune avec leur propre objectif et leur propre vision de l’apprentissage mobile. Enfin nous profiterons de cette h ´et ´erog ´en ´eit ´e pour identifier la principale contrainte qui peut diff ´erencier l’appren- tissage ´electronique classique (e-learning) de l’apprentissage en situation de mobilit ´e (m-learning) ; l’impact du contexte de l’apprenant en situation d’apprentissage.
1.1.1/ DU D-LEARNING AU M-LEARNING
Historiquement, l’apprentissage `a distance, ou d-learning, est apparu apr `es l’apprentis- sage classique il y a plus de deux cent ans. L’apprentissage `a distance, est≪l’utilisation de techniques p ´edagogiques, de ressources et de moyens de communication sp ´ecifiques qui facilitent l’apprentissage, impliquant des apprenants et des formateurs s ´epar ´es dans le temps et dans l’espace≫1. Les premi `eres formations `a distance ont vu le jour `a l’Uni- versit ´e de Londres, au 19 `eme si `ecle, avec des cours par correspondance destin ´es aux citoyens britanniques qui ´etaient dans l’impossibilit ´e de s’inscrire `a cause de la distance.
Plus pr ´ecis ´ement, l’apprentissage `a distance par correspondance est n ´e avec l’inven- tion de la poste. Ensuite, avec l’apparition de chaque nouvelle technologie (la radio, le t ´el ´ephone, la t ´el ´evision, etc.) qui permettait de faciliter la communication, cette techno- logie ´etait utilis ´ee pour enrichir l’apprentissage `a distance. Il en a ´et ´e de m ˆeme avec l’ ´emergence des nouvelles Technologies d’Information et de Communication (TIC).
Avec l’apparition des TIC, l’apprentissage `a distance a ´evolu ´e pour devenir un appren- tissage rapide et efficace, avec un minimum de probl `emes d’organisation, et de perte de temps. Ce mode d’apprentissage est bas ´e sur l’acc `es `a des formations en ligne, in- teractives et parfois personnalis ´ees, diffus ´ees par l’interm ´ediaire d’un r ´eseau (Internet ou Intranet) ou d’un autre m ´edia ´electronique2. Cet acc `es permet de d ´evelopper les comp ´etences des apprenants, tout en rendant le processus d’apprentissage ind ´ependant du temps et du lieu. Ce nouveau mode d’apprentissage est l’apprentissage ´electronique, plus connu sous l’appellation e-learning.
Il existe une grande diversit ´e de d ´efinitions et de mani `ere de nommer l’e-learning (forma-
1. http ://www.unesco.org/new/fr/unesco/themes/icts/lifelong-learning/open-and-distance-learning/
2. http ://eduscol.education.fr/numerique/dossier/archives/eformation/e-formation-e-learning
14
1.1. INTRODUCTION `A L’APPRENTISSAGE EN SITUATION DE MOBILIT ´E
tion en ligne, site web ´educatif, t ´el ´e-formation, e-training, etc.). Certaines d ´efinitions sont centr ´ees sur le support technologique, d’autres sur la distance, d’autres insistent sur les aspects p ´edagogiques, tandis que d’autres insistent sur les types d’interactions.
La d ´efinition la plus r ´epandue de l’e-learning est celle propos ´ee par la Commission Eu- rop ´eenne,≪c’est l’utilisation des nouvelles technologies multim ´edias et de l’Internet pour am ´eliorer la qualit ´e de l’apprentissage en facilitant l’acc `es `a des ressources et des ser- vices, ainsi que les ´echanges et la collaboration `a distance≫3. Cette d ´efinition pr ´esente l’e-learning comme une nouvelle technique d’apprentissage ne consistant simplement qu’ `a mettre sur internet des ressources p ´edagogiques ou des applications d’ ´evaluation de connaissances. M ˆeme si on peut effectivement classer ce genre d’apprentissage dans le domaine du e-learning, cette vision est tr `es r ´eductrice et nous renvoie aux syst `emes d’apprentissage des ann ´ees 60-70, appel ´es aussi syst `emes d’Enseignement Assist ´e par Ordinateur (EAO) (Blanchard, 2007).
Le guide de l’e-learning4pr ´ef `ere s’appuyer sur la d ´efinition propos ´ee par le LabSET5(La- boratoire de Soutien `a l’Enseignement T ´el ´ematique). Le LabSET a structur ´e la d ´efinition du e-learning autour de questions simples mais essentielles. Ces questions sont d ´ecrites dans un rapport du LabSET(Balancier et al., 2006) comme suit :
– Qui ? L’e-learning s’adresse `a toute personne soucieuse de se former, d’apprendre, d’acqu ´erir de nouvelles comp ´etences, de nouvelles capacit ´es, de compl ´eter ses sa- voirs et savoir-faire, etc.
– Quand ?A la meilleure convenance de l’apprenant et tout au long de sa vie.`
– O `u ?L’e-learning doit ˆetre accessible `a distance, sur un r ´eseau priv ´e ou public (Internet, Intranet, etc.).
– Quoi ?L’e-learning porte sur le transfert de connaissances et de contenus, l’acquisition de comp ´etences et de savoir-faire.
– Pourquoi ? L’e-learning vise `a rendre l’apprentissage plus accessible et plus souple et
`a am ´eliorer les performances et l’efficacit ´e de l’apprentissage.
– Comment ?L’e-learning doit se concentrer sur l’apprenant en lui donnant acc `es `a une information actualis ´ee et en lui offrent la possibilit ´e de varier ses apprentissages.
– Avec qui ?L’e-learning vise un apprentissage interactif, collaboratif et personnalisable, construit autour des apprenants avec l’aide de r ´eseaux de personnes : des tuteurs (des experts, des formateur, etc.) et des pairs (d’autres stagiaires ou apprenants).
– Avec quoi ?L’e-learning doit exploiter un r ´eseau de ressources mat ´erielles : contenus, support multim ´edia, etc. int ´egr ´es dans une plateforme d’apprentissage.
La d ´efinition propos ´e par le LabSET est alors la suivante :≪e-learning ou electronic lear- ning : apprentissage en ligne centr ´e sur le d ´eveloppement de comp ´etences par l’appre- nant et structur ´e par les interactions avec le tuteur et les pairs≫.
3. http ://www.awt.be/web/edu/index.aspx ?page=edu,fr,gui,080,010 4. http ://www.awt.be/
5. http ://www.labset.ulg.ac.be/portail/
