Un modèle d’IA peut prédire combien les étudiants apprennent

Des chercheurs de l’Université d’État de Caroline du Nord ont développé un modèle d’intelligence artificielle (IA) capable de prédire la quantité d’apprentissage des étudiants dans les jeux éducatifs. Le modèle repose sur l’apprentissage multi-tâches, un concept de formation d’IA où un modèle effectue plusieurs tâches. Le système peut aider à améliorer l’enseignement et les résultats d’apprentissage.

Jonathan Rowe est le co-auteur de l’article détaillant les travaux et un chercheur scientifique au Centre d’informations éducatives (CEI) de l’Université d’État de Caroline du Nord.

« Dans notre cas, nous voulions que le modèle puisse prédire si un étudiant répondrait correctement à chaque question d’un test, en fonction de son comportement lorsqu’il jouait à un jeu éducatif appelé Crystal Island », déclare Rowe.

« L’approche standard pour résoudre ce problème ne prend en compte que le score global du test, en considérant le test comme une tâche unique », poursuit-il. « Dans le contexte de notre cadre d’apprentissage multi-tâches, le modèle a 17 tâches – car le test comporte 17 questions. »

Les chercheurs ont utilisé des données de jeu et de test de 181 étudiants. L’IA a analysé le comportement de jeu de chaque étudiant et la façon dont ils répondaient à la question 1 du test. L’IA a appris les comportements communs des étudiants qui répondaient correctement à la question 1, et il a ensuite appris les comportements de ceux qui y répondaient incorrectement. Avec ces données, l’IA a pu déterminer comment un nouvel étudiant répondrait à la question 1.

La fonction est effectuée en même temps pour chaque question. Alors que le jeu qui est examiné pour un étudiant est le même, l’IA étudie le comportement dans le contexte de la question 2, de la question 3, etc.

L’approche multi-tâches a été couronnée de succès et a fait la différence. Le modèle multi-tâches était environ 10 pour cent plus précis que les autres modèles qui utilisaient des méthodes de formation d’IA conventionnelles.

Michael Geden est le premier auteur de l’article et un chercheur post-doctoral à NC State.

« Nous nous représentons ce type de modèle étant utilisé de plusieurs manières qui peuvent bénéficier aux étudiants », déclare-t-il. « Il pourrait être utilisé pour avertir les enseignants lorsque le comportement de jeu d’un étudiant suggère que l’étudiant peut avoir besoin d’instructions supplémentaires. Il pourrait également être utilisé pour faciliter des fonctionnalités de jeu adaptatif dans le jeu lui-même. Par exemple, en modifiant l’intrigue pour réexaminer les concepts avec lesquels un étudiant a du mal. »

« La psychologie a longtemps reconnu que les différentes questions ont des valeurs différentes », poursuit Geden. « Nos travaux ici prennent une approche interdisciplinaire qui marie cet aspect de la psychologie avec des approches d’apprentissage profond et d’apprentissage automatique de l’IA. »

Andrew Emerson est le co-auteur de l’article et un étudiant en doctorat à NC State.

« Cela ouvre également la porte à l’intégration de techniques de modélisation plus complexes dans les logiciels éducatifs – en particulier les logiciels éducatifs qui s’adaptent aux besoins de l’étudiant », déclare Emerson.

L’article est intitulé « Modélisation prédictive des étudiants dans les jeux éducatifs avec apprentissage multi-tâches » et sera présenté à la 34e conférence AAAI sur l’intelligence artificielle qui aura lieu du 7 au 12 février à New York. Les co-auteurs de l’article étaient James Lester, professeur distingué d’informatique et directeur du CEI à NC State, ainsi que Roger Azevedo de l’Université de Floride centrale.

Les travaux ont été soutenus par la National Science Foundation et le Conseil de recherches en sciences sociales et humaines du Canada.