Contribution de l'Intelligence Artificielle à la discrimination des émotions favorables à la performance des apprenants du secondaire second cycle de l'Enseignement Général

Kouamé Abel ASSIELOU, Denon Arthur Richmond GONO, Kouakou Daniel YAO, Karim SIDIBE

Résumé


Une récente étude sur l’évaluation de la qualité des systèmes éducatifs en Afrique subsaharienne montre clairement que les apprenants Ivoiriens (Côte d’Ivoire) ne disposent pas des compétences en langue et en mathématiques pour le cycle primaire. Aussi, l’on constate une évolution irrégulière des résultats scolaires avec des variations ponctuées par des hausses et des baisses. Face à ce constat, plusieurs études ont été menées en vue d’améliorer le rendement des apprenants. Cependant, ces études visent en général à revoir les curricula, les contenus d’apprentissage, les méthodes d’évaluation sans prendre en compte l’état émotionnel des apprenants durant les séances de cours et d’évaluation qui constituent également un facteur important dans le processus d’apprentissage. La présente contribution, s’inscrivant dans le champ de l’utilisation de l’Intelligence Artificielle pour l'apprentissage, la formation et l'éducation, vise donc à apporter une solution à ce problème d’amélioration des rendements scolaires en utilisant une approche d’Intelligence Artificielle qui combine une Régression Linéaire Multiple (modélisant l’impact émotionnel) et un modèle de Factorisation Matricielle Multi-Relationnelle Pondérée (WMRMF) pour tirer profit tant des facultés cognitives qu’émotionnelles des apprenants. Elle vise à discriminer les émotions favorables au rendement des apprenants du secondaire second cycle de l'Enseignement Général. L’étude menée ici, prend en compte non seulement les relations qui existent entre les apprenants, les tâches et les compétences mais aussi les émotions de ces derniers et s’appuie sur la théorie du contrôle et de la valeur des émotions d’accomplissement de Pekrun. Pour évaluer notre approche et discuter de la discrimination des émotions favorables à la performance des apprenants, nous avons effectué une enquête sur des apprenants du second cycle secondaire de l’enseignement général, inscrits en classe de Terminale, au Lycée Moderne Khalil (Daloa, Côte d’Ivoire). Les données sur les émotions (joie, espoir, fierté, soulagement, colère, anxiété, honte, désespoir) ont été recueillies au moyen du questionnaire AEQ (Achievement Emotions Questionnaire) distribué aux apprenants volontaires à participer à cette recherche. L’échantillon était composé de 250 apprenants. Ces apprenants ont été évalués par ailleurs, lors des examens blancs, dans plusieurs disciplines : Mathématiques, Français, Anglais, Histoire-Géographie, Philosophie et Science de la Vie et de la Terre. Les résultats expérimentaux de cette étude ont montré que les émotions influençaient différemment les réalisations dans les disciplines scolaires. Il ressort aussi de cette étude que les émotions à valences positives sont plus avantageuses dans les différentes réalisations en Lettres qu’en Sciences.


Mots-clés


Intelligence Artificielle, Amélioration du rendement des apprenants; Factorisation Matricielle; Impact Emotionnel; Discrimination des émotions, Approche Par Compétences

Texte intégral :

PDF

Références


PASEC, "Synthèse du rapport PASEC2019 – Performances du système éducatif ivoirien : Performances et environnement de l’enseignement-apprentissage au primaire," 2019, Available: https://pasec.confemen.org/ressource/synthese-du-rapport-pasec2019-performances-du-systeme-educatif-ivoirien-performances-et-environnement-de-lenseignement-apprentissage-au-primaire/.

D. A. R. Gono, B. T. Goore, Y. Tiecoura, and K. A. Assielou, "Multi-relational Matrix Factorization Approach for Educational Items Clustering," International Journal of Information and Education Technology, vol. 13, no. 1, pp. 42-47, 2023.

V. Shuman and K. R. Scherer, "Concepts and structures of emotions," in International handbook of emotions in education.(Educational psychology handbook series., New York, NY, US: Routledge/Taylor & Francis Group, 2014, pp. 13-35.

C. Méndez-Aguado, J. M. Aguilar-Parra, J. F. Álvarez, R. Trigueros, and J. A. Fernández-Archilla, "The Influence of Emotions, Motivation and Habits in the Academic Performance of Primary Education Students in French as a Foreign Language," Sustainability, vol. 12, no. 6, 2020.

K. A. Assielou, C. T. Haba, B. T. Gooré, T. L. Kadjo, and K. D. Yao, "Emotional Impact for Predicting Student Performance in Intelligent Tutoring Systems (ITS)," International Journal of Advanced Computer Science and Applications, vol. 11, no. 7, 2020.

K. A. Assielou, C. T. Haba, T. L. Kadjo, B. T. Goore, and K. D. Yao, "A New Approach to Modelling Students’ Socio-Emotional Attributes to Predict Their Performance in Intelligent Tutoring Systems," Journal of Education and e-Learning Research, vol. 8, no. 3, pp. 340-348, 2021.

R. Pekrun, "The Control-Value Theory of Achievement Emotions: Assumptions, Corollaries, and Implications for Educational Research and Practice," Educational Psychology Review, vol. 18, no. 4, pp. 315-341, 2006.

N. Thai-Nghe, L. Drumond, A. Krohn-Grimberghe, and L. Schmidt-Thieme, "Recommender system for predicting student performance," Procedia Computer Science, vol. 1, no. 2, pp. 2811-2819, 2010.

Y. Koren, R. Bell, and C. Volinsky, "Matrix Factorization Techniques for Recommender Systems," Computer, vol. 42, no. 8, pp. 30-37, 2009.

A. Krohn-Grimberghe, L. Drumond, C. Freudenthaler, and L. Schmidt-Thieme, "Multi-relational matrix factorization using bayesian personalized ranking for social network data," presented at the Proceedings of the fifth ACM international conference on Web search and data mining, 2012.

C. Lippert, S.-H. Weber, V. Tresp, M. Schubert, and H.-P. Kriegel, "Relation Prediction in Multi-Relational Domains using Matrix Factorization," presented at the NIPS 2008 Workshop on Structured Input - Structured Output., 2008.

N. Thai-Nghe and L. Schmidt-Thieme, "Multi-relational Factorization Models for Student Modeling in Intelligent Tutoring Systems," presented at the 2015 Seventh International Conference on Knowledge and Systems Engineering (KSE), 2015.

N. Thai-Nghe, M. Nhut-Tu, and H.-H. Nguyen, "An Approach for Multi-Relational Data Context in Recommender Systems," in Asian Conference on Intelligent Information and Database Systems, 2017, pp. 709-720.

K. A. Assielou, C. T. Haba, T. L. Kadjo, K. D. Yao, and B. T. Gooré, "Multi-Relational and Social-Influence Model for Predicting Student Performance in Intelligent Tutoring Systems (ITS)," International Journal of Engineering and Advanced Technology, vol. 9, no. 3, pp. 2058-2066, 2020.

P. Nedungadi and T. K. Smruthy, "Personalized Multi-relational Matrix Factorization Model for Predicting Student Performance," Advances in Intelligent Systems and Computing, vol. 384, 2016.

S. Rendle, "Factorization Machines with libFM," ACM Transactions on Intelligent Systems and Technology, vol. 3, no. 3, pp. 1-22, 2012.

S. Theodoridis, "Stochastic Gradient Descent," in Machine Learning, 2015, pp. 161-231.

N. Satish et al., "Navigating the maze of graph analytics frameworks using massive graph datasets," presented at the Proceedings of the 2014 ACM SIGMOD international conference on Management of data - SIGMOD '14, 2014.

L. Soulier and P. Largy, "Chapitre 7. Émotions et langage écrit," in Émotions et apprentissages, 2021, pp. 205-228.

M. Van Brederode, "Les textes de savoirs dans les cahiers de SVT des élèves de 6e. Problématisation et inégalités," Recherches en didactiques, vol. N° 28, no. 2, pp. 89-100, 2019.

P. Bourdieu and J.-C. Passeron, É. d. Minuit, Ed. La reproduction : Eléments pour une théorie du système d'enseignement. 1970, p. 284


Renvois

  • Il n'y a présentement aucun renvoi.