Sélection de question et choix de classificateur pour questionnaires adaptatifs

Les environnements d'apprentissage prennent une place de plus en plus grande dans les techniques modernes d'éducation. L'évaluation des connaissances d'un individu est au coeur de ces environnements. Pour déterminer ecacement ce niveau de connaissances, le recours aux systèmes de test assistés par ordinateurs est de plus en plus fréquent. Notamment, on cherche généralement à minimiser la longueur des questionnaires et donc le nombre de questions posées. Ces systèmes nécessitent la création d'un modèle de connaissance qui peut être créé par des experts du domaine ou par une approche statistique tirant parti de données existantes. Parmi ces approches statistiques, les réseaux bayésiens restent très largement utilisés. Cependant, certains auteurs démontrent qu'il existe des techniques qui semblent plus pertinentes et on observe par ailleurs que des techniques basiques de la fouille de données ne sont pas utilisées dans ce cadre.

Abstract

Adaptive learning environments are based on the modeling and the evaluation of a student. There are many approaches to handle this problematic. For instance, probabilistic and learning techniques are convenient because they allow to automatize the process and to describe the student skill with uncertainty. In previous articles, authors claimed that a solution with a Bayesian framework called POKS (for Partial Order Knowledge Structure) can outperform Bayes network for this type of work. But the comparison between this techniques and classical datamining techniques doesn't exist.