Boughida Adil

Dans les environnements informatiques pour l’apprentissage humain, l’adaptation deviant de plus en plus importante, elle était considéré comme une solution de la diversité des niveaux et des compétences des apprenants. Pourtant, la majorité de ces systèmes dits adaptatifs ne tient pas compte de l’état émotionnel de l’apprenant lors de la recommandation des activités à entreprendre dans le cas des difficultés d’apprentissage, toutes sortes de blocages ou de démotivation. L’émotion joue un rôle significatif, il est donc essentiel de la prendre en consideration dans la conception de ces systèmes adaptatifs. De ce fait, ce travail vise à répondre à cette problématique de recherche en proposant une nouvelle approche d’adaptation à base d’émotion dans le cadre des environnements d’apprentissage social et collaboratif. L’approche va permettre de recommander des ressources/activités qui peuvent motiver et soutenir l’apprenant dans son processus d’apprentissage.
 

Notre première contribution consiste à modéliser l’émotion de l’apprenant en exploitant les expressions faciales générées pendant les activités pédagogiques. Pour cela, un algorithme de quantification de l’émotion basé sur les probabilités a été proposé. Afin de reconnaître les expressions faciales, une nouvelle méthode basée sur les filtres de Gabor et les algorithmes génétiques a été suggérée. Les caractéristiques de Gabor sont extraites des régions d’intérêt du visage humain détectées à l’aide de points des landmarks. En outre, un algorithme génétique a été conçu pour optimiser les hyperparamètres des SVM et sélectionner les meilleures caractéristiques simultanément. Les résultats expérimentaux montrent la surperformance de la méthode et des taux de reconnaissance de 96,30 %, 94,20 % et 94,26 % pour les datasets JAFFE, CK et CK+, respectivement.
 

Pour recommander les ressources de soutien, nous avons présenté notre approche d’adaptation qui exploite un ensemble de critères d’adaptation adoptés. Ces derniers prennent en compte en plus du profil émotionnel de l’apprenant, ses compétences cognitives et comportementales et ses préférences, aussi, l’historique des degrés de pertinence des ressources de soutien. Les poids de ces critères diffèrent d’une ressource de soutien à l’autre, pour cela, un tableau de bord pour la pondération des coefficients d’importance a été mis à disposition.
 

Pour valider l’approche, les fonctionnalités du système ont été implémentées et intégrées dans une plateforme d’apprentissage social et collaboratif. En effet, cinq expérimentations visant à valider l’approche ont été menées sur deux groupes d’étudiants de l’université de Guelma : test et contrôle. Les résultats montrent l’impact de notre approche sur l’amélioration du niveau cognitif de l’apprenant, sa durée d’engagement et par conséquent sa motivation.