CNEPRU : Towards intelligent assistance for Predicting learners at risk of dropping out in MOOCs based on artificial intelligence and deep learning

Project Code	Period
C00L07UN410120230003	2023-2026

Project Leader

Samia DRISSI Professor Faculty of Science and Technology University of Souk Ahras, Souk Ahras : s.drici@univ-soukahras.dz : https://www.univ-soukahras.dz/en/profile/samdrici

Members

Full name	Position	Field
Soufiane KHEDAIRIA	Senior Lecturer
Aida CHEFROUR	Senior Lecturer
Ayman CHIBOUTI	PhD student
Abdennour REDJAIBIA	PhD student
Zouleikha BETAITIA	PhD student

Project Description

Depuis fin 2019, la pandémie de COVID-19 a forcé presque toutes les universités à adopter l’enseignement en ligne comme une seule solution existante pour continuer le processus éducatif. La plupart des formations qui avaient débuté en mode présentiel, en classe, se sont poursuivies à distance en utilisant des plateformes informatiques dédiées à l’apprentissage en ligne grâce à des systèmes de gestion de l\\\\\\\'apprentissage (LMS) et à des cours en ligne ouverts et massifs (MOOCs). Malgré le progrès constaté dans le domaine de l\\\\\\\'éducation, les universités sont confrontées à des défis liés aux taux d\\\\\\\'attrition élevés et à l\\\\\\\'augmentation des taux d\\\\\\\'abandon des étudiants dans les MOOCs. Pour pallier à ces problèmes, la détection des étudiants à risque d’abandon peut offrir des avantages avancés parementant d’améliorer les taux de rétention des étudiants.

L\\\\\\\'une des solutions les plus utiles pour augmenter le taux de rétention des étudiants dans n\\\\\\\'importe quel établissement universitaire consiste à surveiller les progrès des étudiants et à identifier par la suite ceux ayant des besoins spéciaux ou à détecter les étudiants à risque d’abandon afin d’aider les instructeurs à exécuter des interventions précoces, opportunes et nécessaires. Ceci pourrait aider les étudiants à rester stables pendant le processus d’apprentissage.

La prédiction efficace des statuts d\\\\\\\'abandon des étudiants dans le MOOC pour une intervention précoce est devenue un sujet pertinent au sein de la communauté des chercheurs travaillant sur les MOOCs.

La prédiction des étudiants à risque d\\\\\\\'abandon dans un MOOC examine la possibilité d\\\\\\\'abandon de cours en fonction du comportement d\\\\\\\'apprentissage des apprenants. Pour cela, actuellement, il existe deux principales méthodes issues de l’intelligence artificielle : les méthodes d\\\\\\\'apprentissage automatique (machine learning) et les méthodes d\\\\\\\'apprentissage profond (deep learning).

A cet égard, des recherches récentes ont été menées d’où les résultats ont indiqué que diverses techniques d\\\\\\\'apprentissage automatique sont utilisées pour comprendre et surmonter les défis sous-jacents, en construisant des modèles de prédiction à l\\\\\\\'aide de l\\\\\\\'analyse de l\\\\\\\'apprentissage pour bien prédire les étudiants à risque et aussi les étudiants qui abandonnent leurs formations à travers le MOOC. Cependant, seules quelques études ont proposé une assistance intelligente personnalisée offrant des solutions correctives pour fournir une rétroaction en temps utile aux étudiants, aux instructeurs et aux éducateurs pour minimiser les taux d’abandon.

En résumé, dans ce projet PRFU, nous allons franchir une première étape pour optimiser les performances des modèles de prédiction vers la personnalisation de l\\\\\\\'intervention pour les étudiants à risque d’abandon dans les MOOCs. Plus précisément, ce projet propose une assistance intelligente qui utilise les algorithmes d’apprentissage automatique (machine learning) et les modèles d\\\\\\\'apprentissage profond (deep learning). En tirant parti de la puissance de l\\\\\\\'apprentissage profond, cette assistance construira non seulement des modèles de prédiction d\\\\\\\'abandon plus précis, mais proposera également une approche pour personnaliser et hiérarchiser l\\\\\\\'intervention aux étudiants à risque d’abandon dans les MOOCs en leur offrant des solutions correctives pour fournir une rétroaction en temps utile.

Donc, l’objectif principal de ce projet PRFU permettrait de traiter la problématique de l’assistance intelligente dans les MOOCs. Premièrement, nous identifions et classons les différents facteurs ayant provoqués les risques d\\\\\\\'apprentissage et plus particulièrement ceux conduisant à un risque d’abandon des étudiants en différents types. Deuxièmement, nous construisons des modèles basés sur le machine learning et le deep learning pour la prédiction des étudiants à risques d’abandon en analysant les différentes traces d’apprentissage effectuées par les étudiants dans ces Moocs. Troisièmement, nous classifions (clustering) les apprenants confrontant aux mêmes risques d’abandon en classes similaires (cluster).

Enfin, nous fournissons une intervention personnalisée effectuée en fonction du type de risque pour chaque classe (cluster) sous formes d’une rétroaction ou un feedback automatisé.

Pour ce faire, plusieurs questions de recherche peuvent être dégagées et qui méritent d’être bien étudiées dans ce projet de recherche :

- Comment identifier les facteurs liés aux risques d’apprentissage et qui peuvent conduire les étudiants à un risque d’abandon dans un MOOC?

- Comment classifier les facteurs déjà identifiés en différents types sous forme de cluster ?

- Comment construire des modèles de prédiction des étudiants à risque d’abandon à l’aide de l’apprentissage automatique ou l’apprentissage profond en se basant sur les traces des étudiants enregistrées dans un MOOC?

- Comment classifier en cluster les étudiants à risque d’abandon en groupes ?

- Comment assurer une assistance intelligente en offrant une intervention personnalisée ou un feedback automatisé pour chaque groupe ?

- Est-ce que l’intégration des techniques issues de l’intelligence artificielle comme l’apprentissage automatique et l’apprentissage profond auront un impact positif sur la réduction des risques d’abandon des étudiants dans un MOOC ?