Une Approche Intelligente pour l’apprentissage distant

Abstract

Abstract This research provides one cohesive and comprehensive deep learning framework adaptable to many of the technical intelligence and adaptability enhancements required by Massive Open Online Course (MOOC) platforms across four key aspects, classification, personalized course recommendation, learner behaviour modeling and semantic content retrieval. Given the exponential growth and diversity of MOOCs and shortcomings of traditional systems' limitations to pedagogical relevance and learner context, we present new architectures that incorporate neural networks with an attention mechanism and bio-inspired optimization. My first contribution is CNN-LOA, a convolutional neural network optimized with the Lion Optimization Algorithm that makes dynamic hyperparameter adjustments that can enhance course classification which results in improvements in course categorization. The next architecture, HMHA-C-BERT, which utilizes contextual embeddings from BERT, BiLSTM encodings and multiple head attention provides highly personalized course recommendations based on learner interaction patterns. To better model the temporal evolution of learners' engagement, we develop TSA-GRU, a GRU-based architecture using temporal sparse attention that allows the model to selectively attend to important time steps with respect to educational significance. The last model we contribute is a Multi-Head Bi-Encoder, a semantic course retrieval model that demonstrates competitive performance in matching learners' queries to content from large-scale course repositories. The models are tested, using authentic datasets from MOOCs, established experimental protocols including cross-validation and statistical tests on results, and evaluated by accuracy, F1-score, precision, and semantic ranking. Results show the feasibility and scalability of the models that can be integrated into building intelligent, adaptive, personalized, and pedagogically intelligent MOOC systems for learners. This work offers strong groundwork for a foundation for the next generation of adaptive education platforms about design for the learner, semantic enrichment, and continual engagement over time in online learning environments. Résumé Ce travail propose un cadre unifié et complet au service de l’apprentissage profond, pour améliorer l’intelligence et l’adaptabilité des plateformes de MOOCs en quatre principales directions : le besoin de classifier les cours, le besoin de recommandations personnalisées de cours, le besoin de modélisation des comportements des apprenants, et le besoin de faire de la recherche sémantique de contenus. Face à l’ampleur et la diversité croissantes des MOOCs, le cadre classique de recommandations personnalisées des MOOC ne semble plus suffisant pour capter la richesse et la diversité de la pertinence des contenus pédagogiques qui seront et devront être proposés aux apprenants selon les caractéristiques de leur contexte d’apprentissage, nous proposons de nouvelles architectures intégrant réseaux neuronaux, mécanismes d’attention, et optimisation bio-inspirée. La première contribution porte sur CNN-LOA, un réseau de neurones convolutifs dont l’optimisation par Lion Optimization permet d’améliorer la classification des cours par ajustement dynamique des hyperparamètres. La seconde architecture HMHA-C- BERT exploite les représentations contextuelles et procédurales de BERT, d’un encodage BiLSTM et d’une attention multi-têtes, afin de fournir des recommandations des cours fortement personnalisées, intégrant les interactions des apprenants. Pour modéliser le comportement temporel des apprenants, nous avons proposé TSA-GRU, une architecture reposant sur GRU, enrichie d’un mécanisme d’attention temporelle clairsemée pour permettre au modèle de se focaliser sur des moments pédagogiques pertinents. Enfin, un modèle Multi- Head Bi-Encoder a été développé pour la recherche sémantique des cours, montrant de robustes performances dans l’appariement des requêtes des apprenants avec les contenus pertinents au sein de grands corpus. Chaque modèle a fait l’objet d’une évaluation rigoureuse via des jeux de données réels issus de MOOCs selon des protocoles expérimentaux stricts (validation croisée, tests de significativité statistique, etc.) en ayant recours à des métriques (précision, F1-score, rappel, mesure du classement sémantique). Les résultats obtenus montrent l’efficacité et la scalabilité des modèles proposés qui peuvent être intégrés pour construire des systèmes MOOC intelligents, personnalisés et pédagogiquement pertinents. Globalement, ce travail constitue une méthodologie cible pour les futures plateformes éducatives adaptatives, avec des retombées directes pour les approches centrées sur l’apprenant, l’enrichissement sémantique, et l’adhésion au processus d’apprentissage en ligne.