Résumé:
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.
