Une Architecture Basée Sur Le Cloud Computing Mobile Pour L’apprentissage Intelligent

Abstract

L’émergence des cours en ligne introduit un nouveau paradigme d’apprentissage, grâce auquel l’acquisition de la connaissance en dehors des écoles est garantie, mais la plupart des plateformes d’apprentissage en ligne souffrent de plusieurs limites, qui peuvent dans certains cas atteindre un abandon total des cours, car elles se basent sur un seul discours pédagogique ce qui ne pourra jamais être valable pour tout le monde. En effet, ces dernières années, les environnements d’apprentissage en ligne font l’objet de plusieurs recherches scientifiques, en raison de son association avec d’autres technologies qui ont des fonctionnalités robustes d’adaptation et de recommandation et qui répondent aux nouvelles exigences des utilisateurs, permettant ainsi d’adopter une variation dans les méthodes d’apprentissage. L’objectif de notre travail est de construire une plateforme adaptative d’apprentissage mobile, basé sur le Cloud Computing mobile, robuste, fiable et permet la prise en compte de plusieurs scénarios pédagogiques selon l’apprenant, ses exigences, son contexte et son environnement. L’architecture de la plateforme proposée regroupe quatre modules complémentaires, il s’agit de : un module de gestion de profil, un module d’adaptation du cours, un module de gestion du contexte en temps réel, et un module pour la personnalisation du contenu. Les données sont collectées via les traces de l’apprenant et ses capteurs mobiles. L’architecture a été comparée avec d’autres modèles de système d’apprentissage en ligne, certains d’entre eux ont été implémentés et d’autres sont représentés comme des propositions détaillées, les résultats de comparaison montrent que notre architecture couvre plus d’aspects et prend plus de scénarios en considération. Nous avons aussi implémenté une partie du module d’adaptation du profil, par un système automatique basé sur les réseaux de neurones convolutifs, pour la classification des états facials des apprenants, qui permet par la suite de définir leurs émotions d’apprentissage, en présentant une nouvelle démarche pour la classification de ce types de données. Le système est basé sur deux étapes fondamentales ; la première consiste à une phase de traitement d’images qui donne comme résultats une nouvelle base de données des états facials, qui représente un ou plusieurs états d’actions, ces données vont par la suite dans la deuxième étape servir comme entrée de système de classification, le regroupement de différentes unités d’actions permet de définir les émotions d’apprentissage choisi pour la classification. Les résultats d’expérimentations montrent que notre classificateur offre d’excellentes performances et surpasse les autres classificateurs de littérature, avec un taux de reconnaissance de 98.36% sur le même jeu de données.