Intelligent WEb-Based Interactive System for Education
Système intelligent et interactif pour l'éducation basé sur le Web.
Résumé
The objective of this thesis is to create a new system that can create adaptive and intelligent educational system according learning styles and the state of knowledge of each student. This system is called IWEBISE (Intelligent WEb-Based Interactive System for Education). It is the result of the coupling across five key areas: knowledge engineering, human-computer interaction, cognitive psychology, artificial intelligence and psychology. IWEBISE consists of five parts:
Student Model: This section details how the learning style of each student is modeled using the Felder-Silverman model, which depends on many parameters: Number of examples, number of exercises, examples before or after content and exercises before or after content. Students knowledge is expressed in the system by using the overlay model which considers it a part of the knowledge domain. The IWEBISE also uses an opened student model, which allows students change by themselves their knowledge status related to each concept in domain knowledge; this permits them to study with wide steps without feeling blocked during their learning process. The student model is composed of two parts: Static part: It keeps student's personal information. Dynamic part: It maintains the record of the students' understanding as the course progresses on the basis of their responses. The personalization of navigation through the course content depends on several parameters taken from the interaction of student with the system. These parameters are: number of correct answers (NCA), number of incorrect answers (NICA), time spent to solve a question (TSSQ), time spent to reading or interacting with a specific concept (TSR) and number of attempts to answer a question (NAAQ). Once a student passes a pre-test session, the dynamic part is initiated using these parameters. Using these parameters six methods are employed to symbolize student's knowledge status in six levels (Excellent, very good, good, rather good, weak and very weak) with the objective to determine the best one to be used later within IWEBISE. These methods are: FBAM, ART2, Fuzzy-ART2, HMM and NN/HMM. All previous algorithms performance is evaluated by employing F-measure metric to determine the best one to be used later in our new system. Results show that Fuzzy-ART2 gives best categorization quality (0.281 as it is depicted in the following table), which is considered a very important factor to assure that an appropriate course map is displayed to the student according to his/her knowledge status. This pushes him/her to finish the course completely without feeling boring and lost in it.
Tutor Model: This section explains in details how to model different teachers' strategies in presenting course content to students. This is done by having them in a table consisted of nine fields which allow to store colors utilized to represent students' knowledge status in the course map and the possibility of showing or hiding a learning concept. This model also focuses on a prediction algorithm to foresee the next concepts might be visited by students. The prediction process is achieved by following three phases: Initialization phase: For each student a HMM (λ) is built based on his/her previous concept access sequences. Adjustment phase: Given a new observed sequence and a HMM (λ), the Baum-Welch algorithm is used to adjust the initialized HMM and to maximize the new observed sequence. Prediction phase: The Forward Algorithm is applied to determine the probability distribution of each concept (state) in the course. The highest value represents the next concept will be visited by the student. Finally, the students' actions prediction accuracy is measured with the recall (sensitivity) and precision measures. The sensitivity is defined as the number of correctly predicted concepts (true positives) divided by the number of annotated concepts (actual positives). The precision is the percentage of positive predictions that are correct.
Domain Model: The course content is organized into a concept network to represent learning objectives. A learning objective (LO) concerns several concepts which are classified in: main concepts (MC), prerequisite concepts (PC) and sub-Concepts (SC). Each internal node in the network represents a concept, and external nodes in the lowest level symbolize several types of educational units (EU), which are in the form of interactive flash multimedia files, images, videos, texts, exercises, examples and tests. Three methods are used to model course content with the objective to choose later the best one of them: In the first method the domain knowledge is conceived and modeled using a hierarchical BAM neural network. The first BAM-1 is to associate learning objectives with concepts and while the second BAM-2 is utilized to assign educational units to each concept. The output layer of BAM-1 is the same input layer of BAM-2 which can be seen as an intermediate layer of the whole architecture. Number of nodes of the input, middle and output layers represent number of learning objectives, concepts and educational units. In the second method a relational database is used to represent domain knowledge. It consist of eleven tables (Main Category, Subcategories, subjects, Learning objectives, Prerequisite-learning objectives, concepts, Prerequisite-concepts, attach a sub-concepts with concepts, concept content and test items). A Document Type Definition (DTD) file is constructed in the third method to determine a set of rules to define and describe the organization of knowledge within an XML file. Relational database is selected to be used within our new system IWEBISE due to the following reasons: Some course designers prefer to have their course contents confidential and protected. XML could not treat huge course contents and all kind of data such as images and video. Users Interfaces: This part uses some windows used to facilitate the interaction among different users of IWEBISE. These windows are classified in four levels: Administrator Interface: It permits administrators to create course category, subcategory, users management and subscription process. Designer Interface: It permits course designers to manage learning objectives, learning concepts, subconcepts, concept content and tests questions. It also permits them to package the whole course under SCORM standard. Tutor Interface: Teachers can mange their teaching strategies rules and trace students and give them the appropriate advises when they deviate from the final goal of the course. Student Interface: Students can complete their learning process by using pretest, post-test, “Index Learning Style” questionnaire, glossary, chat and forum windows.
Adaptation Engine: This parts presents the two adaptation algorithms used in tailoring the two following points to student: Concept content concerning students' learning style depending on Felder and Silverman model. Learning concept map according to students' knowledge status. In addition chapter IX shows: How different adaptation technologies are used in IWEBISE such as: Adaptive Presentation, Adaptive Navigation and curriculum sequencing. How constructive theory is applied and used by the intelligent tutor.
The originality of this thesis is based on: 1.The discover and the use of a new neural network architecture called hierarchical HBAM for modeling domain knowledge of a course. This new network can be employed in many other fields such as: pattern recognition. 2.The use of a new hybrid algorithm using a neural network (Fuzzy-ART2) and a statistical method (HMM) in modeling student's knowledge. 3.The comparison of many machine learning algorithms such as: FBAM, ART2, Fuzzy-ART2 and a hybrid structure Fuzzy-ART2/HMM, which are used for categorizing students' thinking and reasoning into six levels; very weak, weak, fair, good, very good and excellent. 4.The use of HMM to predict the next concept, based on the history of concepts, visited by a certain student navigating within the course; 5.Discovering Higher Institute of Languages (University of Aleppo) students' learning styles in learning a language. This is done by using Felder and Silverman model. 6.The comparison of the new system IWEBISE with others adaptive and intelligent educational systems. 7.The ability of the new system IWEBISE to export and package courses according to SCORM standard with the objective to reuse them within others educational platforms such as: MOODLE. 8.The construction and implementation of a new intelligent and adaptive web-based educational system for teaching English grammar.
Student Model: This section details how the learning style of each student is modeled using the Felder-Silverman model, which depends on many parameters: Number of examples, number of exercises, examples before or after content and exercises before or after content. Students knowledge is expressed in the system by using the overlay model which considers it a part of the knowledge domain. The IWEBISE also uses an opened student model, which allows students change by themselves their knowledge status related to each concept in domain knowledge; this permits them to study with wide steps without feeling blocked during their learning process. The student model is composed of two parts: Static part: It keeps student's personal information. Dynamic part: It maintains the record of the students' understanding as the course progresses on the basis of their responses. The personalization of navigation through the course content depends on several parameters taken from the interaction of student with the system. These parameters are: number of correct answers (NCA), number of incorrect answers (NICA), time spent to solve a question (TSSQ), time spent to reading or interacting with a specific concept (TSR) and number of attempts to answer a question (NAAQ). Once a student passes a pre-test session, the dynamic part is initiated using these parameters. Using these parameters six methods are employed to symbolize student's knowledge status in six levels (Excellent, very good, good, rather good, weak and very weak) with the objective to determine the best one to be used later within IWEBISE. These methods are: FBAM, ART2, Fuzzy-ART2, HMM and NN/HMM. All previous algorithms performance is evaluated by employing F-measure metric to determine the best one to be used later in our new system. Results show that Fuzzy-ART2 gives best categorization quality (0.281 as it is depicted in the following table), which is considered a very important factor to assure that an appropriate course map is displayed to the student according to his/her knowledge status. This pushes him/her to finish the course completely without feeling boring and lost in it.
Tutor Model: This section explains in details how to model different teachers' strategies in presenting course content to students. This is done by having them in a table consisted of nine fields which allow to store colors utilized to represent students' knowledge status in the course map and the possibility of showing or hiding a learning concept. This model also focuses on a prediction algorithm to foresee the next concepts might be visited by students. The prediction process is achieved by following three phases: Initialization phase: For each student a HMM (λ) is built based on his/her previous concept access sequences. Adjustment phase: Given a new observed sequence and a HMM (λ), the Baum-Welch algorithm is used to adjust the initialized HMM and to maximize the new observed sequence. Prediction phase: The Forward Algorithm is applied to determine the probability distribution of each concept (state) in the course. The highest value represents the next concept will be visited by the student. Finally, the students' actions prediction accuracy is measured with the recall (sensitivity) and precision measures. The sensitivity is defined as the number of correctly predicted concepts (true positives) divided by the number of annotated concepts (actual positives). The precision is the percentage of positive predictions that are correct.
Domain Model: The course content is organized into a concept network to represent learning objectives. A learning objective (LO) concerns several concepts which are classified in: main concepts (MC), prerequisite concepts (PC) and sub-Concepts (SC). Each internal node in the network represents a concept, and external nodes in the lowest level symbolize several types of educational units (EU), which are in the form of interactive flash multimedia files, images, videos, texts, exercises, examples and tests. Three methods are used to model course content with the objective to choose later the best one of them: In the first method the domain knowledge is conceived and modeled using a hierarchical BAM neural network. The first BAM-1 is to associate learning objectives with concepts and while the second BAM-2 is utilized to assign educational units to each concept. The output layer of BAM-1 is the same input layer of BAM-2 which can be seen as an intermediate layer of the whole architecture. Number of nodes of the input, middle and output layers represent number of learning objectives, concepts and educational units. In the second method a relational database is used to represent domain knowledge. It consist of eleven tables (Main Category, Subcategories, subjects, Learning objectives, Prerequisite-learning objectives, concepts, Prerequisite-concepts, attach a sub-concepts with concepts, concept content and test items). A Document Type Definition (DTD) file is constructed in the third method to determine a set of rules to define and describe the organization of knowledge within an XML file. Relational database is selected to be used within our new system IWEBISE due to the following reasons: Some course designers prefer to have their course contents confidential and protected. XML could not treat huge course contents and all kind of data such as images and video. Users Interfaces: This part uses some windows used to facilitate the interaction among different users of IWEBISE. These windows are classified in four levels: Administrator Interface: It permits administrators to create course category, subcategory, users management and subscription process. Designer Interface: It permits course designers to manage learning objectives, learning concepts, subconcepts, concept content and tests questions. It also permits them to package the whole course under SCORM standard. Tutor Interface: Teachers can mange their teaching strategies rules and trace students and give them the appropriate advises when they deviate from the final goal of the course. Student Interface: Students can complete their learning process by using pretest, post-test, “Index Learning Style” questionnaire, glossary, chat and forum windows.
Adaptation Engine: This parts presents the two adaptation algorithms used in tailoring the two following points to student: Concept content concerning students' learning style depending on Felder and Silverman model. Learning concept map according to students' knowledge status. In addition chapter IX shows: How different adaptation technologies are used in IWEBISE such as: Adaptive Presentation, Adaptive Navigation and curriculum sequencing. How constructive theory is applied and used by the intelligent tutor.
The originality of this thesis is based on: 1.The discover and the use of a new neural network architecture called hierarchical HBAM for modeling domain knowledge of a course. This new network can be employed in many other fields such as: pattern recognition. 2.The use of a new hybrid algorithm using a neural network (Fuzzy-ART2) and a statistical method (HMM) in modeling student's knowledge. 3.The comparison of many machine learning algorithms such as: FBAM, ART2, Fuzzy-ART2 and a hybrid structure Fuzzy-ART2/HMM, which are used for categorizing students' thinking and reasoning into six levels; very weak, weak, fair, good, very good and excellent. 4.The use of HMM to predict the next concept, based on the history of concepts, visited by a certain student navigating within the course; 5.Discovering Higher Institute of Languages (University of Aleppo) students' learning styles in learning a language. This is done by using Felder and Silverman model. 6.The comparison of the new system IWEBISE with others adaptive and intelligent educational systems. 7.The ability of the new system IWEBISE to export and package courses according to SCORM standard with the objective to reuse them within others educational platforms such as: MOODLE. 8.The construction and implementation of a new intelligent and adaptive web-based educational system for teaching English grammar.
L'objectif de cette thèse est de créer un nouveau système qui est capable de gérer des auto-formations intelligentes, interactives et adaptatives aux besoins, styles d'apprentissage et à l'état des connaissances de chaque apprenant. Ce système est nommé IWEBISE (Interactive and Intelligent System for Education). Il est le résultat de l'accouplement entre cinq grands domaines : l'ingénierie des connaissances, l'interaction homme-machine, la psychologie cognitive, l'intelligence artificielle et la psychopédagogie. IWEBISE est constitué de cinq parties :
Modèle de l'apprenant : Cette partie détaille comment le style d'apprentissage des apprenants est modélisé selon le modèle Felder-Silverman, qui dépend de nombreux paramètres : Nombre d'exemples, nombre d'exercices, le lieu des exemples avant ou après le contenu et le lieu des exercices avant ou après le contenu. Les connaissances des étudiants sont exprimées dans le système en utilisant le modèle de recouvrement (Overlay), qui les considère comme une partie du domaine de la connaissance. L' IWEBISE utilise également un modèle ouvert de l'apprenant . Celui-ci permet aux étudiants de changer par eux-mêmes leurs états de connaissances relatives à chaque concept, ce qui leur permet d'étudier à grands pas sans se sentir bloqués par leurs processus d'apprentissage. Le modèle de l'apprenant est composé de deux parties: La partie statique qui stocke les renseignements personnels de l'apprenant. La partie dynamique qui garde les interactions des apprenants avec le système. Elles sont présentées par plusieurs paramètres: nombre de réponses correctes (NCA), nombre de réponses incorrectes (NICA), temps passé à résoudre une question (TSSQ), temps consacré à la lecture ou à l'interaction avec un concept spécifique (TSR) et le nombre de tentatives pour répondre à une question (NAAQ). Une fois qu'un apprenant a passé une séance de pré-test, la partie dynamique est lancée en utilisant ces paramètres. Six méthodes sont employées pour symboliser l'état des connaissances des apprenants dans six niveaux (excellent, très bien, bien, plutôt bien, faibles et très faibles) dans le but de déterminer la meilleure pour être utilisée plus tard dans le nouveau IWEBISE. Ces méthodes sont: FBAM, ART2, Fuzzy-ART2, HMM et NN / HMM. F-mesure métrique est employé pour mesurer la performance des méthodes mentionnées. Les résultats montrent que Fuzzy-ART2 donne la meilleure qualité de catégorisation (0.281 ), qui est considérée comme un facteur très important pour s''assurer qu'une carte de concepts appropriée est affichée à l'apprenant en fonction de son état de connaissances.
Modèle de tuteur : Cette partie détaille la façon de modéliser les stratégies pédagogiques utilisées par les enseignants pendant la présentation du contenu des cours aux étudiants. Elles sont modélisées par une table composée de neuf champs qui permettent de stocker les couleurs utilisées pour présenter l'état des connaissances des apprenants dans le plan du parcours et la possibilité de montrer ou de cacher un concept d'apprentissage. Le modèle de tuteur se concentre également sur un algorithme de prédiction pour prévoir les concepts suivants qui pourraient être visités par les apprenants. Le processus de prédiction est réalisé en suivant trois phases: Phase d'initialisation: Pour chaque apprenant un HMM (λ) est construit à base de sa précédente séquence d'accès aux concepts. Phase d'ajustement: Étant donnée une nouvelle séquence observée et un HMM (λ), l'algorithme de Baum-Welch est utilisé pour ajuster les HMM initialisés et de maximiser la nouvelle séquence observée. Phase de prédiction: l'algorithme Forward est appliqué pour déterminer la distribution de probabilité de chaque concept dans le cours. La plus haute valeur représente le concept suivant qui sera visité par l'apprenant. L'exactitude de prédiction est évaluée par deux critères, la Sensibilité et la Précision. La sensibilité est définie comme le nombre de concepts prédits correctement (vrais positifs) divisé par le nombre de concepts visités (positifs réels). La précision est le pourcentage de prédictions positives qui sont correctes. Les résultats montrent que HMM génère une plus grande précision en utilisant une séquence de concepts plus large qui varie de 20% à 99% et quand la précision est élevée, la sensibilité est élevée aussi.
Modèle de domaine : Le contenu des cours est organisé en un réseau de concepts pour représenter les objectifs d'apprentissage. Un objectif d'apprentissage concerne plusieurs concepts qui sont classés en trois types: des concepts principaux, des concepts pré-requis et des sous-concepts. Chaque nœud interne dans le réseau représente un concept, tandis que les nœuds externes dans le niveau le plus bas symbolisent plusieurs types d'unités d'enseignement, qui sont sous la forme de fichiers multimédia Flash interactive, images, vidéos, textes, exercices, des exemples. Trois différentes méthodes sont utilisées pour décrire le modèle de domaine : HBAM (Hirarchical Bidirectional Associative Memory), une base de données MySql, et XML, Dans la première méthode, le domaine de connaissances est conçu et modélisé en utilisant un réseau de neurones BAM hiérarchique. Le premier BAM-1 associe les objectifs d'apprentissage avec les concepts, mais le second BAM-2 est utilisé pour attribuer des unités d'enseignement à chaque concept. La couche de sortie de BAM-1 est la couche d'entrée du BAM-2, qui peut être vu comme une couche intermédiaire de toute l'architecture. Nombre de nœuds de couche d'entrée, de milieu et de sortie représentent le nombre d'objectifs d'apprentissage, les concepts et les unités d'enseignement respectivement . Dans la seconde méthode une base de données relationnelle est utilisée pour représenter le domaine de connaissance. Il est composé d'onze tableaux (les catégories principales, les sous-catégories, les sujets, les objectifs d'apprentissage, les objectifs d'apprentissage pré-requis, les concepts, les concepts pré-requis, la relation d'un sous-concepts avec un concept, le contenu et les questions pour les post-tests et pré-tests). Un Document Type Définition (DTD) du fichier est construit dans la troisième méthode pour déterminer un ensemble de règles pour définir et décrire l'organisation des connaissances dans un fichier XML. La méthode de base de données relationnelle est sélectionnée pour être utilisée au sein de notre nouveau système IWEBISE car d'une part, certains concepteurs de cours préfèrent avoir leur contenu des cours confidentiels et protégés et de l'autre part, XML n'est pas capable de traiter le contenu de cours énormes et tous les types de données tels que des images et la vidéo.
Le moteur d'adaptation : Il est considéré comme l'une des parties les plus importantes de IWEBISE grâce aux trois raisons suivantes: Il relie les différentes parties du système, il génère la page d'un concept selon le style d'apprentissage de chaque apprenant et il adapte la carte de concepts en fonction de l'état des connaissances de chaque apprenants aussi.
L'interface utilisateur représente les moyens d'interaction disponible sur le système IWEBISE. Il est classé en quatre niveaux : Administrateur: Il permet aux administrateurs de créer une catégorie de cours, sous-catégorie, gérer les utilisateurs et les processus d'abonnement. Concepteur: Il permet aux concepteurs de cours de gérer les objectifs d'apprentissage, les concepts, les sous-concepts, les contenu des concepts et les questions des tests. Elle leur permet également d'exporter leurs cours sous la norme SCORM. Tuteur: Il permet aux enseignants de gérer leurs stratégies d'enseignement et de donner des conseils appropriés aux apprenants. Apprenant: Il permet aux apprenants de compléter leur processus d'apprentissage en utilisant le pré-test, les post-tests, le questionnaire «Index des styles d'apprentissage", les glossaires, le chat et le forum. Le nouveau système IWEBISE est évalué par des concepteurs de cours et par des étudiants, dans le but d'optimiser ses performances au cours de l'enseignement et les processus d'apprentissage. Douze critères sont utilisés pour l'évaluer: la Cohérence, l'évidence, la prévisibilité, la richesse, l'exhaustivité, la motivation, la structure d'Hypertext, l'autonomie, la facilité d'utilisation, l'esthétique, la collaboration et l'interactivité.
L'originalité de cette thèse est basée sur : 1.L'utilisation d'une nouvelle architecture d'un réseau de neurones appelé HBAM pour modéliser le domaine des connaissances d'un cours. Ce nouveau réseau peut être utilisé dans de nombreux autres domaines tels que: la reconnaissance des formes ; 2.L 'utilisation d'un nouvel algorithme hybride qui utilise un réseau de neurones (Fuzzy-ART2) et une méthode statistique (HMM) pour la modélisation des connaissances des apprenants ; 3.L 'utilisation de nombreux algorithmes d'apprentissage tels que: FBAM, ART2, Fuzzy-ART2 et une structure hybride Fuzzy-ART2/HMM, qui sont utilisés pour classer la réflexion des apprenants et leurs raisonnements en six niveaux ; 4.L'utilisation d'un HMM pour prédire le prochain concept, basé sur l'histoire des concepts visités par un apprenant ; 5.La définition des styles d'apprentissage des apprenants à l' Institut Supérieur des Langues (Université d'Alep) par rapport à l'apprentissage d'une langue. Ceci est fait en utilisant le modèle Felder et Silverman ; 6.Le comparaison d'IWEBISE avec d'autres systèmes éducatifs. 7.Le capacité d'l'IWEBISE à l'exportation et la réalisation des cours conformément à la norme SCORM avec l'objectif de les réutiliser dans d'autres plates-formes d'enseignement telle que: Moodle ; 8.La construction et la mise en œuvre d'un nouveau système intelligent et adaptatif pour l'éducation basé sur le Web pour l'enseignement de la grammaire anglaise.
Modèle de l'apprenant : Cette partie détaille comment le style d'apprentissage des apprenants est modélisé selon le modèle Felder-Silverman, qui dépend de nombreux paramètres : Nombre d'exemples, nombre d'exercices, le lieu des exemples avant ou après le contenu et le lieu des exercices avant ou après le contenu. Les connaissances des étudiants sont exprimées dans le système en utilisant le modèle de recouvrement (Overlay), qui les considère comme une partie du domaine de la connaissance. L' IWEBISE utilise également un modèle ouvert de l'apprenant . Celui-ci permet aux étudiants de changer par eux-mêmes leurs états de connaissances relatives à chaque concept, ce qui leur permet d'étudier à grands pas sans se sentir bloqués par leurs processus d'apprentissage. Le modèle de l'apprenant est composé de deux parties: La partie statique qui stocke les renseignements personnels de l'apprenant. La partie dynamique qui garde les interactions des apprenants avec le système. Elles sont présentées par plusieurs paramètres: nombre de réponses correctes (NCA), nombre de réponses incorrectes (NICA), temps passé à résoudre une question (TSSQ), temps consacré à la lecture ou à l'interaction avec un concept spécifique (TSR) et le nombre de tentatives pour répondre à une question (NAAQ). Une fois qu'un apprenant a passé une séance de pré-test, la partie dynamique est lancée en utilisant ces paramètres. Six méthodes sont employées pour symboliser l'état des connaissances des apprenants dans six niveaux (excellent, très bien, bien, plutôt bien, faibles et très faibles) dans le but de déterminer la meilleure pour être utilisée plus tard dans le nouveau IWEBISE. Ces méthodes sont: FBAM, ART2, Fuzzy-ART2, HMM et NN / HMM. F-mesure métrique est employé pour mesurer la performance des méthodes mentionnées. Les résultats montrent que Fuzzy-ART2 donne la meilleure qualité de catégorisation (0.281 ), qui est considérée comme un facteur très important pour s''assurer qu'une carte de concepts appropriée est affichée à l'apprenant en fonction de son état de connaissances.
Modèle de tuteur : Cette partie détaille la façon de modéliser les stratégies pédagogiques utilisées par les enseignants pendant la présentation du contenu des cours aux étudiants. Elles sont modélisées par une table composée de neuf champs qui permettent de stocker les couleurs utilisées pour présenter l'état des connaissances des apprenants dans le plan du parcours et la possibilité de montrer ou de cacher un concept d'apprentissage. Le modèle de tuteur se concentre également sur un algorithme de prédiction pour prévoir les concepts suivants qui pourraient être visités par les apprenants. Le processus de prédiction est réalisé en suivant trois phases: Phase d'initialisation: Pour chaque apprenant un HMM (λ) est construit à base de sa précédente séquence d'accès aux concepts. Phase d'ajustement: Étant donnée une nouvelle séquence observée et un HMM (λ), l'algorithme de Baum-Welch est utilisé pour ajuster les HMM initialisés et de maximiser la nouvelle séquence observée. Phase de prédiction: l'algorithme Forward est appliqué pour déterminer la distribution de probabilité de chaque concept dans le cours. La plus haute valeur représente le concept suivant qui sera visité par l'apprenant. L'exactitude de prédiction est évaluée par deux critères, la Sensibilité et la Précision. La sensibilité est définie comme le nombre de concepts prédits correctement (vrais positifs) divisé par le nombre de concepts visités (positifs réels). La précision est le pourcentage de prédictions positives qui sont correctes. Les résultats montrent que HMM génère une plus grande précision en utilisant une séquence de concepts plus large qui varie de 20% à 99% et quand la précision est élevée, la sensibilité est élevée aussi.
Modèle de domaine : Le contenu des cours est organisé en un réseau de concepts pour représenter les objectifs d'apprentissage. Un objectif d'apprentissage concerne plusieurs concepts qui sont classés en trois types: des concepts principaux, des concepts pré-requis et des sous-concepts. Chaque nœud interne dans le réseau représente un concept, tandis que les nœuds externes dans le niveau le plus bas symbolisent plusieurs types d'unités d'enseignement, qui sont sous la forme de fichiers multimédia Flash interactive, images, vidéos, textes, exercices, des exemples. Trois différentes méthodes sont utilisées pour décrire le modèle de domaine : HBAM (Hirarchical Bidirectional Associative Memory), une base de données MySql, et XML, Dans la première méthode, le domaine de connaissances est conçu et modélisé en utilisant un réseau de neurones BAM hiérarchique. Le premier BAM-1 associe les objectifs d'apprentissage avec les concepts, mais le second BAM-2 est utilisé pour attribuer des unités d'enseignement à chaque concept. La couche de sortie de BAM-1 est la couche d'entrée du BAM-2, qui peut être vu comme une couche intermédiaire de toute l'architecture. Nombre de nœuds de couche d'entrée, de milieu et de sortie représentent le nombre d'objectifs d'apprentissage, les concepts et les unités d'enseignement respectivement . Dans la seconde méthode une base de données relationnelle est utilisée pour représenter le domaine de connaissance. Il est composé d'onze tableaux (les catégories principales, les sous-catégories, les sujets, les objectifs d'apprentissage, les objectifs d'apprentissage pré-requis, les concepts, les concepts pré-requis, la relation d'un sous-concepts avec un concept, le contenu et les questions pour les post-tests et pré-tests). Un Document Type Définition (DTD) du fichier est construit dans la troisième méthode pour déterminer un ensemble de règles pour définir et décrire l'organisation des connaissances dans un fichier XML. La méthode de base de données relationnelle est sélectionnée pour être utilisée au sein de notre nouveau système IWEBISE car d'une part, certains concepteurs de cours préfèrent avoir leur contenu des cours confidentiels et protégés et de l'autre part, XML n'est pas capable de traiter le contenu de cours énormes et tous les types de données tels que des images et la vidéo.
Le moteur d'adaptation : Il est considéré comme l'une des parties les plus importantes de IWEBISE grâce aux trois raisons suivantes: Il relie les différentes parties du système, il génère la page d'un concept selon le style d'apprentissage de chaque apprenant et il adapte la carte de concepts en fonction de l'état des connaissances de chaque apprenants aussi.
L'interface utilisateur représente les moyens d'interaction disponible sur le système IWEBISE. Il est classé en quatre niveaux : Administrateur: Il permet aux administrateurs de créer une catégorie de cours, sous-catégorie, gérer les utilisateurs et les processus d'abonnement. Concepteur: Il permet aux concepteurs de cours de gérer les objectifs d'apprentissage, les concepts, les sous-concepts, les contenu des concepts et les questions des tests. Elle leur permet également d'exporter leurs cours sous la norme SCORM. Tuteur: Il permet aux enseignants de gérer leurs stratégies d'enseignement et de donner des conseils appropriés aux apprenants. Apprenant: Il permet aux apprenants de compléter leur processus d'apprentissage en utilisant le pré-test, les post-tests, le questionnaire «Index des styles d'apprentissage", les glossaires, le chat et le forum. Le nouveau système IWEBISE est évalué par des concepteurs de cours et par des étudiants, dans le but d'optimiser ses performances au cours de l'enseignement et les processus d'apprentissage. Douze critères sont utilisés pour l'évaluer: la Cohérence, l'évidence, la prévisibilité, la richesse, l'exhaustivité, la motivation, la structure d'Hypertext, l'autonomie, la facilité d'utilisation, l'esthétique, la collaboration et l'interactivité.
L'originalité de cette thèse est basée sur : 1.L'utilisation d'une nouvelle architecture d'un réseau de neurones appelé HBAM pour modéliser le domaine des connaissances d'un cours. Ce nouveau réseau peut être utilisé dans de nombreux autres domaines tels que: la reconnaissance des formes ; 2.L 'utilisation d'un nouvel algorithme hybride qui utilise un réseau de neurones (Fuzzy-ART2) et une méthode statistique (HMM) pour la modélisation des connaissances des apprenants ; 3.L 'utilisation de nombreux algorithmes d'apprentissage tels que: FBAM, ART2, Fuzzy-ART2 et une structure hybride Fuzzy-ART2/HMM, qui sont utilisés pour classer la réflexion des apprenants et leurs raisonnements en six niveaux ; 4.L'utilisation d'un HMM pour prédire le prochain concept, basé sur l'histoire des concepts visités par un apprenant ; 5.La définition des styles d'apprentissage des apprenants à l' Institut Supérieur des Langues (Université d'Alep) par rapport à l'apprentissage d'une langue. Ceci est fait en utilisant le modèle Felder et Silverman ; 6.Le comparaison d'IWEBISE avec d'autres systèmes éducatifs. 7.Le capacité d'l'IWEBISE à l'exportation et la réalisation des cours conformément à la norme SCORM avec l'objectif de les réutiliser dans d'autres plates-formes d'enseignement telle que: Moodle ; 8.La construction et la mise en œuvre d'un nouveau système intelligent et adaptatif pour l'éducation basé sur le Web pour l'enseignement de la grammaire anglaise.
Fichier principal
MasunHomsi_Thesis.pdf (3.92 Mo)
Télécharger le fichier
MasunHomsiThesis_En (2).pdf (508.88 Ko)
Télécharger le fichier
Loading...