Academic literature on the topic 'Problèmes d'apprentissage en ligne'

L’éducation change en termes de ce qui est appris et de contexte dans lequel l'apprentissage a lieu. Cela peut être en grande partie lié aux exigences en constante évolution du marché du travail actuel. En outre, la disponibilité des technologies de l'information a modifié les limites traditionnelles de l'éducation en matière de temps, d'espace et d'accès à l'information. Du point de vue de la pédagogie, la combinaison de ces deux phénomènes constitue un grand défi pour les chercheurs et les pédagogues qui doivent mettre en œuvre une pédagogie qui réponde aux exigences du contexte actuel de l'apprentissage (Ng, 2015). Le modèle de conception pédagogique à quatre composantes (modèle 4C/ID; van Merriënboer et al., 2002) est un modèle de conception pédagogique basé sur la recherche qui s'est avéré efficace pour promouvoir l’ apprentissage complexe. Néanmoins, offrir un environnement d'apprentissage en ligne basé sur un modèle de conception pédagogique basé sur la recherche n'est pas nécessairement une garantie de son efficacité. Comme l'apprenant est un agent actif dans le processus d'apprentissage en ligne, l'efficacité des environnements d'apprentissage dépend largement des caractéristiques cognitives et motivationnelles-affectives de l'étudiant. Afin d'étudier les caractéristiques qui peuvent influencer l'efficacité d'un cours en ligne basé sur les 4C/ID et la manière dont l'efficacité peut être facilitée, le projet de recherche actuel a été divisé en deux pistes de recherche. Sur la base de trois études, la première piste de recherche a examiné l'influence des caractéristiques cognitives et motivationnelles-affectives des étudiants sur l'efficacité des environnements d'apprentissage en ligne. Plus particulièrement, les études 1 et 2 ont examiné l'influence de l'acceptation de la technologie par les étudiants et la perception de la qualité de l'enseignement par les étudiants. En outre, l'étude 3 a examiné l'influence des connaissances antérieures et des caractéristiques motivationnelles des élèves sur les différentes utilisations des composantes et les résultats de l'apprentissage. Les résultats des études 1 et 2 révèlent l'importance de l'acceptation des technologies par les étudiants et de la perception de la qualité de l'enseignement sur respectivement la quantité et la qualité de l'utilisation et les résultats d'apprentissage des étudiants. En outre, les résultats de l'étude 3 indiquent que (1) les connaissances antérieures et la motivation intrinsèque des étudiants peuvent influencer les différences d'utilisation et que (2) les connaissances antérieures des étudiants et les différences d'utilisation des composantes influencent positivement les résultats d'apprentissage des étudiants. Par conséquent, la piste de recherche 1 indique que les différences individuelles peuvent influencer l'efficacité d'un environnement d'apprentissage en ligne. Néanmoins, des recherches antérieures indiquent que l'influence des différences individuelles peut être modéré en alignant l'environnement d'apprentissage sur les besoins d'apprentissage des étudiants. Afin d'aligner le cours en ligne sur les besoins d'apprentissage des étudiants, nous devrions être en mesure de détecter le processus d'apprentissage au cours de l'apprentissage complexe en ligne. Par conséquent, la deuxième piste de la recherche a examiné dans deux études si des données physiologiques liées à la peau (études 4 et 5) et les données physiologiques cardiovasculaires (étude 5) peuvent être utilisées pour évaluer la charge cognitive pendant le processus de résolution de problèmes en ligne. Les résultats de l'étude 4 révèlent que les changements de charge cognitive peuvent être détectés par l'EDA lorsque les différences de charge cognitive sont élevées. Les résultats de l'étude 5 semblent indiquer que la surcharge cognitive induit un stress qui a été évalué via la température de la peau et la fréquence cardiaque<br>The current learning landscape is evolving in terms of what is learned and the context in which learning takes place. This can largely be related to the continuously changing requirements of today’s labor market. Additionally, the availability of information technology has changed the traditional educational boundaries of time, space, and informational access. From an instructional design perspective, the combination of both phenomena poses a great challenge for researchers and instructional designers to implement instruction that meets the requirements of the current learning landscape (Ng, 2015). A research-based instructional design model that has proven to be effective in promoting complex learning is the four-component instructional design model (4C/ID-model; van Merriënboer et al., 2002). Nonetheless, offering an online learning environment based on a research-based instructional design model is not necessarily a guarantee for its effectiveness. As the learner is an active agent in the online learning process, the effectiveness of learning environments largely depends on student cognitive and motivational-affective characteristics. In order to investigate characteristics that can influence the effectiveness of a 4C/ID-based online course and how effectiveness can be facilitated, the current research project was divided into respectively research track 1 and 2. On the basis of three studies, research track 1 examined the influence of students’ cognitive and motivational-affective characteristics. More particularly, Study 1 and 2 investigated the influence of students’ technology acceptance and students’ perceptions of instructional quality. Additionally, study 3 investigated the influence of students’ prior knowledge and motivational characteristics. Findings of study 1 and 2, reveal the importance of students’ technology acceptance and perceived instructional quality on respectively the quantity and quality of use and students’ learning outcomes. Additionally, findings of study 3 indicate that (1) students’ prior knowledge and task value can influence differences in use and that (2) students’ prior knowledge and differences in use positively influences students’ learning outcomes. As a result, research track 1 indicates that individual differences can influence the effectiveness of a 4C/ID-based online course. Nonetheless, former research indicates that the influence of individual differences can be reduced by aligning the learning environment with students’ learning needs. In order to align the online course with students’ learning needs, we should be able to detect learning process during online complex learning. Consequently, research track 2 explored in two studies whether physiological measures such as skin response measures (Study 4 and 5) and cardiovascular measures (Study 5) can be used to assess cognitive load during the online problem-solving process. Findings of study 4 reveal that changes in cognitive load can be detected by electrodermal activity when differences in cognitive load are high. Findings of study 5 appear to indicate that cognitive overload induces stress which was assessed via skin temperature and heart rate

Ce travail s'inscrit dans le cadre de l'enseignement/ l'apprentissage du français au lycée HORVÁTH Mihály de Szentes en Hongrie. Il porte sur la méthodologie, la science de la pédagogie, les difficultés de prononciation du français chez les élèves hungarophones. Dans le processus de l'enseignement/apprentissage nous trouvons important de mettre l'accent sur le métier du professeur, le rôle du professeur, la correction qui ne doit pas être négligée dès le premier temps de l'enseignement, ainsi que les caractéristiques phonétiques et phonologiques du hongrois et du français. Les apprenants hongrois sont confrontés aux difficultés dans le domaine de la prononciation. Les écarts prosodiques par rapport aux habitudes langagières des français apparaissent surtout dans la prononciation de certaines voyelles, de consonnes, dans la mélodie des phrases interrogatives, dans la rythmicité de la phrase française, dans l'enchaînement. Nous, professeurs de français, nous devons connaître les problèmes de nos élèves qu'ils rencontrent dans la réalisation des sons français, dans l'acquisition de la prosodie. De longues années d'expérience passées à l'école nous ont permis de connaître les problèmes, les points faibles de nos élèves lors de l'apprentissage du français. Nous avons analysé les erreurs commises et nous avons proposé des exercices pour la correction. Nous espérons que ce travail, notre analyse, nos propositions aideront les professeurs hongrois de français à atteindre avec plus de facilité le but de l'enseignement et nous espérons aussi que les français s'intéressant à notre langue auront un aperçu sur les caractéristiques prosodiques de la langue hongroise<br>The present work is part of the framework of teaching/learning French in the Mihaly Horvath High-school in Szentes, Hungary. Methodology, the science of teaching, the difficulties of French pronunciation for the Hungarian-speaking students are the major themes of the present work. .

L'objectif de cette Thèse est d'apporter une contribution au problème de l'apprentissage statistique, notamment en développant des méthodes pour prendre en compte des données fonctionnelles. Dans la première partie, nous développons une approche de type plus proches voisins pour la régression fonctionnelle. Dans la deuxième, nous étudions les propriétés de la méthode de quantification dans des espaces de dimension infinie. Nous appliquons ensuite cette méthode pour réaliser une étude comportementale de bancs d'anchois. Enfin, la dernie��re partie est dédiée au problème de l'estimation des ensembles de niveaux de la fonction de régression dans un cadre multivarié<br>The goal of this thesis is to contribute to the domain of statistical learning, and includes the development of methods that can deal with functional data. In the first section, we develop a Nearest Neighbor approach for functional regression. In the second, we study the properties of a quantization method in infinitely-dimensional spaces. We then apply this approach to a behavioral study of schools of anchovies. The last section is dedicated to the problem of estimating level sets of the regression function in a multivariate context

L'objectif de cette Thèse est d'apporter une contribution au problème de l'apprentissage statistique, notamment en développant des méthodes pour prendre en compte des données fonctionnelles. Dans la première partie, nous développons une approche de type plus proches voisins pour la régression fonctionnelle. Dans la deuxième, nous étudions les propriétés de la méthode de quantification dans des espaces de dimension infinie. Nous appliquons ensuite cette méthode pour réaliser une étude comportementale de bancs d'anchois. Enfin, la dernière partie est dédiée au problème de l'estimation des ensembles de niveaux de la fonction de régression dans un cadre multivarié.

La presente these se propose de montrer l'interet et la pertinence de la description linguistique pour la resolution des problemes d'enseignement et d'apprentissage poses par les particules verbales accentuees de l'allemand. Elle se situe dans une perspective synchronique. Dans la premiere partie de notre etude, nous analysons les problemes souleves par la nature, le statut syntaxique et les fonctions de l'element preverbe. Nous soulignons egalement la necessite de privilegier la relation semantique entre la base verbale et son preverbe dans l'unite par eux recreee. Mais l'element cle de notre etude est l'hypothese d'un continuum de signification en langue, reliant les valeurs non spatiales d'un meme preverbe a une valeur spatiale centrale (signifie spatial), cette derniere etant l'expression d'un deplacement en reference a une limite. Dans une perspective didactique, la reconnaissance de l'unite semantique &lt;&lt; particule + verbe &gt;&gt; est la condition sine qua non de tout apprentissage. Mais, contrairement a la transparence du systeme des particules spatiales, on compte de nombreux composes abstraits ou lexicalises dont le sens n'est pas directement reperable par l'apprenant et devra etre deduit du contexte dans lequel ils apparaissent ou de l'equivalent francais (inference). Cela nous amene a formuler l'hypothese d'un seuil d'enseignabilite, au-dela duquel la reference a l'analyse linguistique constituerait un inutile detour. Il faut alors concevoir le verbe a particule comme une simple unite lexicale a apprendre, sans l'analyser. La necessite s'impose donc de developper des strategies d'apprentissage, qui puissent mobiliser l'ensemble des capacites cognitives de l'apprenant et favoriser l'assimilation de nouveaux verbes a particules<br>This thesis highlights the interest and pertinence of linguistic description in solving teaching and learning problems with stressed phrasal verbs in contemporary german. In the first part of this study, we analyse the different issues raised by the nature, syntaxical state and functions of the particle component. We also emphasize the necessity of according greater importance to the semantic relationship between the base verb and its particle in the unit which they recreate. But the focus of this study is the hypothesis of a continuum of meaning which links non spatial meanings of a given particle with the spatial or basic meaning. The latter generally expresses movement with reference to a limit. For didactic purposes, the acknowledgment of the semantic unit + particle + verb ; is the requisite for all learning. Whereas the spatial particle system is easily understood there are a lot of abstract or lexicalised compositions whose meanings are not directly identifiable by the learner and can be perceived only from the context in which they occur or from the french word (inference). This leads us to formulate the hypothesis of a limit of teachability which cannot be extended by linguistic analysis. In this case the phrasal verb must be regarded as a single lexical unit to be learnt and not analysed. Consequently, it will be necessary to develop learning strategies which utilise all the cognitive capacities of the learner's mind and increase his ability to assimilate new phrasal verbs

Cette thèse présente des avancées dans les algorithmes d'apprentissage par renforcement (RL) pour la gestion des ressources et des politiques dans les problèmes de bandit multiarmé sans repos (RMAB). Nous développons des algorithmes à travers deux approches dans ce domaine. Premièrement, pour les problèmes avec des actions discrètes et binaires, ce qui est le cas original de RMAB, nous avons développé QWI et QWINN. Ces algorithmes calculent les indices de Whittle, une heuristique qui découple les différents processus RMAB, simplifiant ainsi la détermination de la politique. Deuxièmement, pour les problèmes avec des actions continues, qui se généralisent aux processus de décision de Markov faiblement couplés (MDP), nous proposons LPCA. Cet algorithme utilise une relaxation lagrangienne pour découpler les différents PDM.Les algorithmes QWI et QWINN sont présentés comme des méthodes à deux échelles de temps pour le calcul des indices de Whittle pour les problèmes RMAB. Dans nos résultats, nous montrons mathématiquement que les estimations des indices de Whittle de l'algorithme QWI convergent vers les valeurs théoriques. QWINN, une extension de QWI, incorpore des réseaux neuronaux pour calculer les valeurs Q utilisées pour calculer les indices de Whittle. Grâce à nos résultats, nous présentons les propriétés de convergence locale du réseau neuronal utilisé dans QWINN. Nos résultats montrent que QWINN est plus performant que QWI en termes de taux de convergence et d'évolutivité.Dans le cas de l'action continue, l'algorithme LPCA applique une relaxation lagrangienne pour découpler les processus de décision liés, ce qui permet un calcul efficace des politiques optimales sous contrainte de ressources. Nous proposons deux méthodes d'optimisation différentes, l'évolution différentielle et les stratégies d'optimisation gourmande, pour gérer efficacement l'allocation des ressources. Dans nos résultats, LPCA montre des performances supérieures à d'autres approches RL contemporaines.Les résultats empiriques obtenus dans différents environnements simulés valident l'efficacité des algorithmes proposés.Ces algorithmes représentent une contribution significative au domaine de l'allocation des ressources dans le cadre de l'apprentissage par renforcement et ouvrent la voie à de futures recherches sur des cadres d'apprentissage par renforcement plus généralisés et évolutifs<br>This thesis presents advances in Reinforcement Learning (RL) algorithms for resource and policy management in Restless Multi-Armed Bandit (RMAB) problems. We develop algorithms through two approaches in this area. First, for problems with discrete and binary actions, which is the original case of RMAB, we have developed QWI and QWINN. These algorithms compute Whittle indices, a heuristic that decouples the different RMAB processes, thereby simplifying the policy determination. Second, for problems with continuous actions, which generalize to Weakly Coupled Markov Decision Processes (MDPs), we propose LPCA. This algorithm employs a Lagrangian relaxation to decouple the different MDPs.The QWI and QWINN algorithms are introduced as two-timescale methods for computing Whittle indices for RMAB problems. In our results, we show mathematically that the estimates of Whittle indices of QWI converge to the theoretical values. QWINN, an extension of QWI, incorporates neural networks to compute the Q-values used to compute the Whittle indices. Through our results, we present the local convergence properties of the neural network used in QWINN. Our results show how QWINN outperforms QWI in terms of convergence rates and scalability.In the continuous action case, the LPCA algorithm applies a Lagrangian relaxation to decouple the linked decision processes, allowing for efficient computation of optimal policies under resource constraints. We propose two different optimization methods, differential evolution and greedy optimization strategies, to efficiently handle resource allocation. In our results, LPCA shows superior performance over other contemporary RL approaches.Empirical results from different simulated environments validate the effectiveness of the proposed algorithms.These algorithms represent a significant contribution to the field of resource allocation in RL and pave the way for future research into more generalized and scalable reinforcement learning frameworks

Cette thèse se situe dans le domaine de la création de contenus pédagogiques par une approche basée sur une structuration à base d'objets d'apprentissage et leur réutilisation au sein d'objets plus complexes. Les modèles récents d'objets pédagogiques comme SCORM ou SIMBAD permettent aux auteurs de construire de nouveaux objets par assemblage d'objets existants. La difficulté pour les auteurs est de concevoir de tels objets en maitrisant la complexité de la composition et en pouvant garantir un haut niveau de qualité, y compris pédagogique. Nous proposons dans ce travail une approche d'assistance aux auteurs basée sur un ensemble d'outils d'analyse permettant de mieux qualifier l'objet composé et d'en vérifier la conformité. Ces analyses portent tant sur le contenu de l'objet, ses métadonnées notamment celles issues de la norme LOM, que sur la structure de composition elle-même. L'objectif est de générer une cartographie détaillée sur l'objet en question. Il s'agit d'offrir à l'auteur des indicateurs divers et variés qui vont lui permettre d'avoir une meilleur vue sur les différentes facettes de l'objet d'apprentissage en cours de conception. En particulier, il aura une analyse de la vue système et de la vue apprenant. Une fois que l'analyse est satisfaisante, des métadonnées complémentaires sont calculées automatiquement par notre environnement en se basant sur les métadonnées éducatives des objets utilisés dans la composition de l'objet. La composition d'un objet peut être guidée par des règles de conformité. Celles-ci permettent de décrire certains critères structurels et sémantiques recherchés. Cette approche offre ainsi un moyen pour la promotion de la réutilisation des objets d'apprentissage. Elle offre le support théorique et les éléments pratiques permettent de rendre la composition par réutilisation pleinement sous contrôle de l'auteur et capable de produire par conséquence des objets d'apprentissage respectant des critères de qualité.

Ce travail s'intéresse aux problèmes de décision pour lesquels on cherche une solution optimale ou quasi-optimale et dont il faut résoudre plusieurs instances successives (problèmes récurrents) lesquelles sont des variantes d'un même problème d'origine.On analyse la structure de tels problèmes afin de dégager les caractéristiques pouvant être exploitées efficacement et transférées d'une résolution à l'autre, afin d'améliorer incrémentalement la qualité de l'optimisation.On se place donc dans le cadre d'une interaction entre un processus d'apprentissage automatique (fouille de données d'optimisation) et un processus d'optimisation.D'une part, étant donné l'expérience de résolutions passées, on cherche à apprendre ce que l'on peut généraliser au problème courant.D'autre part, on cherche à utiliser ces connaissances au sein de l'algorithme d'optimisation afin de rendre son exécution plus efficace.En particulier, cette thèse présente trois contributions. La première introduit une méthode pour générer des sous-problèmes plus simple pour un instance d’un problème récurrent, en utilisant la classification multi-étiquette. Un sous-ensemble de variables décision est sélectionné et figé à une valeur de référence.La solution au sous-problème qui reste, même en étant pas garantie optimale pour le problème originale, peut être obtenu plus rapidement.La deuxième, emploie l’apprentissage supervisé, classification et régression, pour prédire et ajouter une contrainte additionnelle au problème récurrent modélisé par programmation mathématique. Au moment de résoudre une nouvelle instance, le modèle prédit en quelle mesure la solution au problème de référence est applicable, en permettant d’obtenir une résolution plus rapide.Dans la troisième, le contrôle dynamique de paramètres d’un algorithme évolutionnaire est encadré comme un problème d’apprentissage par renforcement. Les politiques de contrôle ainsi obtenues garantissent que l’algorithme d’optimisation atteint, en moyenne, la solution optimale dans le plus court délai<br>The interest is on those decision problems for which an optimal or quasi-optimal solution is sought, and for which it is necessary to solve successive instances (recurrent problems) that are variations of a common original problem.The structure of such problems is analysed to identify the characteristics that can be exploited and transferred from one resolution to another, to incrementally improve the quality of the optimization process. The research is characterized by the interaction between a process of statistical learning (from optimization data) and a process of optimization. The information extracted from past resolutions is generalized to the current problem and integrated into the optimization algorithm to make its execution more resource-efficient.In particular, this thesis presents three contributions.The first, introduces a method that generates a simpler sub-problem to an instance of a recurrent problem, using multi-label classification. A subset of decision variables is selected and set to a reference value. The solution to the remaining sub-problem, while not guaranteed to be optimal for the original problem, can be obtained faster.The second employs Supervised Learning, classification and regression, to predict an additional constraint to a reference recurrent problem modelled via Mathematical Programming. When a new instance is solved, the model predicts how much of the solution to the reference problem is still applicable, allowing for a more rapid resolution.In the third, the dynamic control of the parameters of Evolutionary Algorithms is framed as a Reinforcement Learning problem. The control policies obtained guarantee that the optimization algorithm reaches an optimal solution within the shortest, average time