Les techniques d’orchestration des activités d’apprentissage mobile

L’apprentissage mobile

L’apprentissage mobile ou le m-learning est devenu un thème de recherche très populaire car il existe de nombreux domaines de recherche qui abordent le sujet à partir de différents points de vue. En 1916, Dewey a donné une définition très précoce de l’apprentissage mobile comme: «A society which is mobile, which is full of channels for the distribution of a change occurring anywhere, must see to it that its members are educated to personal initiative and adaptability» (Dewey, 1916).
Ally et Traxler définissent le m-learning comme un apprentissage basé sur les technologies d’accès et de diffusion de contenus. Ces technologies permettent la diffusion des supports électroniques d’apprentissage sur des appareils informatiques mobiles pour en permettre l’accès à partir de n’importe où et à tout moment (Ally, 2004) (Traxler, 2005).
A. Derycke considère l’apprentissage mobile comme une version e-Learning adaptée aux usages mobiles des apprenants pour délivrer des formations à distance sur d’autres supports que les postes informatiques. Ainsi, grâce aux nombreuses applications disponibles, l’apprenant peut poursuivre sa formation où qu’il soit grâce à un appareil mobile que ce soit un Smartphone, un lecteur multimédia comme l’iPod, une tablette mobile telle l’iPad ou encore depuis une console de jeux portative (Derycke, 2006). Selon M. Sharples, l’apprentissage mobile peut être défini comme le processus (à la fois personnel et public) permettant d’arriver à la connaissance à travers l’exploration et la mise en relation de différents contextes impliquant d’autres personnes et des technologies interactives (Sharples, Sanchez, Milrad, & Vavoula, 2009).
M. Laroussi, quant à elle pense que l’apprentissage mobile n’est qu’une partie d’un tout qui est constitué des outils d’apprentissage, de l’infrastructure de support, des contextes et des personnes qui se distribuent dans le temps et l’espace. Il permet notamment d’apprendre en contexte, mais aussi au travers des contextes (Laroussi, 2011). A notre avis, la définition de l’apprentissage mobile est toujours en train d’évoluer car elle doit s’adapter à chaque fois à des nouveaux contextes physiques, technologiques et pédagogiques qui sont étroitement liés aux différents domaines d’application. Dans le cadre de notre thèse, nous nous intéressons aux caractéristiques de l’apprentissage mobile. Ces caractéristiques sont décrites par Laouris sous forme d’une fonction qui dépend de plusieurs paramètres comme le temps, l’espace, l’environnement d’apprentissage, le contenu, la technologie, le profil de l’apprenant et la méthode utilisée (Laouris, 2005) .

L’apprentissage ubiquitaire

Le terme «informatique ubiquitaire» est équivalent aux termes «informatique ambiante» ou «informatique omniprésente» et il vient de l’anglais «ubiquitous computing». Ce dernier est inventé par Mark Weiser au début des années 1990 qui le décrit comme suit : « les technologies les plus profondes sont celles qui sont devenues invisibles. Celles qui, nouées ensemble, forment le tissu de notre vie quotidienne au point d’en devenir indissociables ». Par conséquent, sa vision permet aux gens et à l’environnement avec la combinaison des diverses technologies informatiques d’échanger des informations et des services à tout moment et n’importe où (Weiser, 1999).
Sakamura et Koshizuka, pensent que l’informatique ubiquitaire peut être considérée comme «une nouvelle tendance des technologies de l’information et de la communication (TIC)» (Sakamura & Koshizuka, 2005). Ces technologies détectent le contexte de l’utilisateur afin de lui fournir des services dépendants de sa situation courante. Ce type d’adaptation dynamique donne naissance à une forme d’intelligence ambiante (Zaidenberg, 2010). Dans ce contexte, l’informatique ubiquitaire devient la troisième ère de l’histoire de l’informatique, qui succède à l’ère des ordinateurs personnels et celle des ordinateurs centraux (Waldner, 2007). Dans cette ère, l’utilisateur a à sa disposition une gamme de petits appareils informatiques tels que les Smartphones ou les tablettes, et leurs utilisations font partie de sa vie quotidienne. Ces appareils facilitent l’accès à l’information pour tout le monde, n’importe où et n’importe quand. Les utilisateurs ont alors la possibilité de s’échanger des données facilement, rapidement et sans effort, quelle que soit leurs positions géographiques (Hansmann, 2003).

Les différentes dimensions du contexte d’apprentissage mobile

Dans le cadre de cette thèse, nous nous intéressons à la compréhension du comportement des apprenants en situation de mobilité qui passe par la collecte des traces d’activités et de déplacements. En effet, ces traces permettent de visualiser les parcours empruntés mais aussi de fournir des modèles statistiques de leurs évolutions (Benayoune & Lancieri, 2005). Des travaux ont par exemple montré les propriétés de self-similarités permettant de décrire la cohérence de ces déplacements (Lancieri, 2007).
En effet, plusieurs travaux se basent sur plusieurs éléments comme la localisation géographique, le profil de l’apprenant ou l’historique des visites pour décrire le contexte de l’apprenant dans le cadre des scénarios d’apprentissage mobile. Ces éléments peuvent être divisés en deux :
les dimensions qui sont indépendantes du domaine d’application comme la localisation, le type de Smartphone utilisé, etc. (Chen & Kotz, 2000).
les dimensions qui concernent le contexte du processus d’apprentissage comme le profil de l’apprenant, les activités à faire, les aspects sociaux, etc. (Lonsdale, 2004).
Dans ce qui suit, nous allons commencer par nous focaliser sur la prise en compte du contexte de l’apprenant pendant son apprentissage en mobilité. Pour répondre à cet objectif, nous recensons les cinq dimensions suivantes :
La dimension temporelle :Cette dimension peut être utilisée pour déterminer le fuseau horaire ainsi que l’heure à laquelle se déroule l’activité de l’apprenant. Elle permet de préciser aussi le début et la fin d’une visite, la durée des activités, le moment de consultation d’une ressource ainsi que le planning de travail. Par exemple, nous pouvons annoter toutes les photos et vidéos associées à une sortie pédagogique par leurs moments de création liés à leurs localisations. Nous pouvons aussi utiliser des relations temporelles comme par exemple : après, avant, dans, à partir de, depuis, etc. pour faire la gestion en temps réel et la planification des tâches d’apprentissage mobile (Moldovan, Clark, & Harabagiu, 2005).
La dimension spatiale :Cette dimension décrit la localisation physique d’un apprenant dans un système à l’aide de technologies comme le GPS3 , RFID4 , NFC5 ou QR code6 . Elle peut aussi spécifier un emplacement virtuel dans un réseau grâce à une adresse IP.
La dimension matérielle :Cette dimension concerne les dispositifs mobiles (PDA, le Smartphone, l’ordinateur portable, la tablette, etc.) et les dispositifs pervasifs (des grands écrans LCD, des bornes, des capteurs fixes, des hauts parleurs, etc.). Elle décrit aussi les ressources informatiques (puissance du processeur, la bande passante, les pilotes, les systèmes d’exploitation,…).
La dimension contexte d’apprentissage :Dans certains systèmes, il est nécessaire de mesurer les caractéristiques de l’environnement de l’utilisateur afin de déclencher une alarme ou de régulariser le fonctionnement du système. L’acquisition des informations contextuelles peut être faite par des techniques et des capteurs tels que : photodiodes, capteurs de couleur, capteurs infrarouge et d’ultraviolet, thermomètres numériques, microphones, etc. (Pham Nguyen, 2010).
La dimension ressources pédagogiques :Le terme «objet d’apprentissage» (ressource d’apprentissage) émerge au milieu des années 1990 ce qui amènera à proposer un standard, le LOM (Learning Object Metadata ), au début des années 2000. L’objectif est alors de rentabiliser la production et de développer la réutilisation.
À la fin des années 1990, l’apparition des LMS conduit à se poser la question de l’exploitation technique des objets d’apprentissage avec internet, d’où l’apparition de SCORM8 (Sharable Content Object Reference Model) qui enrichit le standard LOM avec notamment un modèle d’agrégation un peu différent et un environnement d’exécution qui permet de surveiller l’activité d’un apprenant dans un LMS (Pernin, 2004). Dix ans plus tard, l’intégration des activités au lieu des objets dans la conception de situations d’apprentissage devient centrale. Pour cela, le modèle IMS-LD9 (IMS Learning Design) a été créé pour permettre la conception de scénario de formation autour des activités à réaliser par les apprenants (Pernin, 2005).
La dimension utilisateur :Les utilisateurs dans notre système d’apprentissage sont les apprenants, les visiteurs, les instructeurs (les enseignants), les tuteurs (guides), etc. Ces acteurs peuvent être décrits grâce à deux types d’informations : des informations générales comme le nom, le prénom, l’âge, la date de naissance, la nationalité, la langue maternelle, etc. et des informations qui concernent le scénario d’apprentissage mobile comme le but recherché par les apprenants, leurs préférences, leurs centres d’intérêt, leurs pré requis, etc.
La dimension des activités du scénario :Dans la littérature, nous pouvons trouver plusieurs formalismes pour modéliser les activités à réaliser dans un scénario d’apprentissage. Citons par exemple : le modèle IMS LD (Burgos, Arnaud, Neuhauser, & Koper, 2005), le modèle de tâches hiérarchiques (Tetchueng, Garlatti, & Laube, 2008),  le modèle de workflow d’activités (Giemza, Bollen, Seydel, Overhagen, & Ulrich Hoppe, 2010, etc. Le choix de l’un de ces modèles dépend du type d’orchestration des activités à adopter pour le scénario d’apprentissage.

Les types de sorties pédagogiques 

Dans le cadre de cette thèse, nous allons faire la distinction entre deux types de sortie pédagogiques : sortie pédagogique avec support mobile et sans support technologique (Nouri, 2014).
La sortie pédagogique sans support informatique : Dans ce type de visite, les activités d’apprentissage traditionnelles sont divisées en trois catégories d’activités : des activités d’introduction, de découverte sur le terrain et  d’analyse et de débriefings. Le but de l’activité d’introduction est de laisser les apprenants comprendre les objectifs d’apprentissage visés par l’enseignant et les tâches à réaliser pendant la visite. Pendant le déroulement du scénario, l’enseignant explique aux apprenants les activités à réaliser et fournit des informations sur les différentes questions posées tout en laissant la possibilité aux apprenants de poser leurs propres questions. Les apprenants doivent être assistés par l’enseignant pendant la prise des photos, la collecte des échantillons, etc.
Après la visite, l’enseignant invite les apprenants à examiner les activités réalisées (échantillons collectés, les photos prises, …) et à discuter sur l’expérience vécue par chaque participant à la visite (Nouri, 2014). Par exemple, à leurs arrivées dans une ville, beaucoup de touristes font appel à des guides pour les aider à visiter les monuments historiques, les musées, etc. Ce type d’apprentissage nécessite la présence physique des guides et engendrent des contraintes comme la prise de rendez-vous, le coût, le suivi des activités proposées au groupe, etc.
La sortie pédagogique avec support informatique mobile : Dans ce type de scénario, les activités d’apprentissage mobile sont aussi divisées en trois activités principales :  l’activité d’introduction qui fournit aux étudiants l’occasion de se familiariser avec la technologie utilisée et de comprendre les tâches à effectuer pendant la visite guidée,  les activités sur le terrain que les apprenants doivent réaliser à l’aide du support mobile (Smartphone, tablette, …) et l’activité d’interaction avec l’enseignant qui permet d’assister les étudiants seulement quand ils demandent son aide (Nouri, 2014).
Dans ce contexte, les technologies mobiles permettent aux enseignants et aux apprenants d’apprendre loin de la salle de classe. Cela peut être réalisé grâce à un dispositif mobile qui permet la collecte de données, l’enregistrement des images ou des vidéos tout en intégrant la composante de localisation.
D’autre part, les technologies mobiles offrent aux apprenants la possibilité de prendre des notes sur le terrain pour l’analyse en classe. Cela permet de remplacer le carnet de terrain traditionnel (Nouri, 2014).
En outre, au cours des dernières années, la démocratisation des appareils numériques nomades (Smartphones, tablettes) a poussé les touristes vers des guides dématérialisés (des applications mobiles) qui permettent de répondre aux contraintes des scénarios de type sorties pédagogiques grâce à l’utilisation des fonctionnalités suivantes :
Le GPS : le système d’apprentissage basé sur le GPS est en mesure de guider les apprenants dans le monde réel en détectant leurs emplacements, il peut ainsi fournir en temps réel des supports d’apprentissage (par exemple, des conseils, des avertissements ou des documents complémentaires) pour les participants à la sortie pédagogique.
Le Multimédia : les apprenants peuvent à chaque moment prendre des photos et enregistrer des notes en texte simple, en audio ou en vidéos. Cela facilite la collecte de données à partir du site visité et permet à chaque apprenant de faire sa propre évaluation de la visite.
L’accès à Internet : la disponibilité d’un accès permanent à l’internet permet aux apprenants de partager leurs expériences en temps réel, de consulter les informations sur des objets qui les intéressent et de communiquer entre eux (chat, forum).

Les systèmes de recommandations et les réseaux sociaux

Les techniques de recommandation qui utilisent les données issues d’un réseau social sont nommées SNBLs (Social Network-Based Recommendation). La majorité de ces techniques se basent sur les approches traditionnelles de filtrage de contenus ou de filtrage collaboratif avec des améliorations et des extensions qui permettent d’intégrer facilement des données sociales. Dans ce qui suit, nous présentons les trois approches principales associées à ce type de recommandation.

Recommandation basée sur la confiance

Ces dernières années, la croissance des réseaux sociaux a permis le développement des techniques basées sur la confiance (trust-based recommendation). Citons à titre d’exemple, «FilmTrust» et «TrustedOpion» qui sont des systèmes de recommandation de restaurants, cafés, bars et films à travers un site web. Ces formes de recommandation sociales sont organisées en deux étapes principales : la construction d’un modèle de confiance et l’utilisation d’un modèle de calcul pour estimer le niveau d’intérêt d’un objet pour un individu (Le Tran, 2011).
Dans la littérature, la notion de « confiance » peut être définie grâce à la relation d’amitié décrite à l’aide du graphe social. En effet, dans un réseau social, les éléments communs entre deux individus (l’appartenance aux mêmes communautés, les objets qu’ils aiment,…) peuvent être utilisés pour calculer une valeur de confiance. Les systèmes de recommandation comme SoNARS adoptent cette définition pour faire un filtrage collaboratif classique basé sur la relation de similarité entre les individus (Carmagnola, Vernero, & Grillo, 2009).
D’autre part, O’Donovan et Smyth intègrent la notion de « réputation » dans la mise en place des systèmes de recommandation. Cette notion est un indicateur de la confiance globale acquise par un utilisateur sur la base de son comportement passé. Cependant, pour améliorer la qualité des recommandations, la notion de « confiance » est introduite au niveau de l’objet (item-level trust) pour exploiter de façon précise la connaissance de chaque individu sur un domaine ou sur une classe d’objets à recommander (O’Donovan & Smyth, 2005).

Exploitation des données textuelles dans le Web social

Parmi les données textuelles générées par les utilisateurs dans le Web social, les tags sont les plus utilisés pour la recommandation. Un tag (ou étiquette) est un mot-clé ou un terme associé à de l’information (par exemple une image, un article, ou un clip vidéo). Les tags sont habituellement choisis de façon personnelle par le créateur ou le consommateur de l’objet. De nombreux réseaux sociaux permettent aux utilisateurs d’ajouter des tags aux objets pour qu’ils puissent les retrouver facilement plus tard. Citons à titre d’exemple, les travaux qui ont montré que les tags sont de bonnes représentations des intérêts des utilisateurs et qu’ils peuvent être utilisés pour retrouver leurs préférences (Le Tran, 2011). Dans (Szomszor, Alani, Cantador, O’Hara, & Shadbolt, 2008), la notion de folksonomie (folksonomy en anglais) est considérée comme un système de classification de tags représentant une vue de l’utilisateur sur l’ensemble des contenus d’un système. Dans ce contexte, les auteurs présentent une méthode pour la consolidation automatique des profils des utilisateurs, en fonction de leurs tags à travers plusieurs folksonomies. Cette méthode permet la construction de profil sémantique d’intérêt au travers de quatre étapes : identification des comptes détenus par un individu particulier sur différents réseaux sociaux  récolte de l’historique complet des tags relatif à cet individu au sein de chaque réseau  filtrage des tags en éliminant les fautes d’orthographe, les synonymes,… et la génération sémantique du profil d’intérêt des utilisateurs à partir des tags filtrés (Le Tran, 2011).

Table des matières

Introduction générale
Objectifs de la thèse 
Organisation du mémoire
Partie I. État de l’art
Chapitre I. L’apprentissage mobile et les sorties pédagogiques
I.1. Introduction
I.2. L’apprentissage mobile
I.3. L’apprentissage ubiquitaire
I.4. Les différentes dimensions du contexte d’apprentissage mobile
a). La dimension temporelle
b). La dimension spatiale
c). La dimension matérielle
d). La dimension contexte d’apprentissage
e). La dimension ressources pédagogiques
f). La dimension utilisateur
g). La dimension des activités du scénario
I.5. L’adaptation au contexte d’apprentissage mobile
a) Adaptation générale
b) Adaptation des Feedbacks et des supports
c) Adaptation de navigation
d) Adaptation des communications et des interactions
I.6. Évolution des méthodes d’apprentissage
I.7. Les sorties pédagogiques
I.7.1.Les phases d’une sortie pédagogique
I.7.2.Les types de sorties pédagogiques
a) La sortie pédagogique sans support informatique
b) La sortie pédagogique avec support informatique mobile
I.7.3.Travaux existants sur les sorties pédagogiques
I.8. Conclusion du chapitre I
Chapitre II. Les techniques d’orchestration des activités d’apprentissage mobile
II.1. Introduction
II.2. L’orchestration et les sorties pédagogiques
II.3. Les techniques d’orchestration des sorties pédagogiques
II.3.1. L’extension des plateformes d’apprentissage existantes
a) Utilisation des plugins dans les LMS
b) Intégration des technologies Web 2.0 dans les LMS
c) Utilisation des CSCBLs
d) Le langage IMSLD
e) Les plateformes d’agrégation de services
f) Synthèse
II.3.2. Les plateformes d’apprentissage de type ad hoc
II.3.2.1. Les applications dépendantes du domaine d’étude
II.3.2.2. Les applications indépendantes du domaine d’étude
II.4. Discussions sur les techniques d’orchestration
II.4.1.L’orchestration à l’aide des SMAs
II.4.2.L’orchestration sémantique à l’aide des ontologies
II.5. Conclusion du chapitre II
Chapitre III. Recommandation des activités d’apprentissage mobile 
III.1. Introduction
III.2. Les systèmes de recommandations
III.2.1.Filtrage basé sur le contenu (Content-based Filtering)
III.2.2.Filtrage collaboratif (Collaborative Filtering)
III.2.3.Synthèse
III.3. Les systèmes de recommandations et la mobilité
III.4. Les systèmes de recommandations et la formation
III.5. Les systèmes de recommandations et les réseaux sociaux
III.5.1.Recommandation basée sur la confiance
III.5.2.Exploitation des données textuelles dans le Web social
III.5.3.Exploitation du profil déclaratif
III.5.4.Synthèse
III.6. Les systèmes de recommandations et les sorties pédagogiques
III.6.1.Les techniques de filtrage collaboratif
III.6.2.Les techniques de recommandation sociale
III.6.3.Les techniques de recommandation chronologique
III.6.4.Synthèse
III.7. Conclusion du chapitre III
Partie II. Contributions 
Chapitre IV. Modélisation du scénario d’apprentissage mobile
IV.1. Introduction
IV.2. Modélisation du scénario d’apprentissage mobile
IV.2.1.Phases du scénario
IV.2.2.Modélisation par POI
IV.2.3.Les acteurs et les cas d’usage
IV.3. Exemples de modélisation
IV.3.1. Scénario pédagogique contraint par l’instructeur
IV.3.2. Scénario pédagogique avec degré de liberté
IV.4. Prise en compte de la Variabilité du scénario
IV.5. Cycle de vie du dispositif d’apprentissage mobile
IV.5.1. Collecte des scénarios
IV.5.2. Choix d’un modèle comportemental
IV.5.3. Adoption d’une stratégie d’apprentissage
IV.5.4. Définition des paramètres d’évaluation du dispositif réalisé
IV.6. Conclusion du chapitre IV
Chapitre V. Elaboration de notre modèle de comportement pour la simulation 
V.1. Introduction
V.2. Orchestration des scénarios d’apprentissage mobile
V.2.1.Orchestration selon le voisinage des POIs
V.2.2.Orchestration selon le plus court chemin
V.2.3.Orchestration selon le chemin le plus fréquenté
V.2.4.Orchestration selon la durée de visite
V.2.5.Orchestration selon la pédagogie de l’enseignant
V.2.6.Orchestration selon le score des apprenants
V.2.7.Synthèse
V.3. Recommandation par rayon de recherche
V.4. Recommandation bio-inspirée
V.4.1.L’algorithme ACO et l’optimisation du parcours des POIs
V.4.2.Définition des dimensions à intégrer dans la recommandation
V.5. Description de notre système de recommandation
V.5.1.Recommandation selon le voisinage des POIs
a) La recommandation de la solution majoritaire (RSM)
b) La recommandation du voisin le plus proche (RVPP)
c) La recommandation Collaborative (RC)
V.5.2.Recommandation selon la pédagogie de l’instructeur
a) La recommandation de la solution majoritaire (RSM)
b) La recommandation pédagogique (RP)
c) La recommandation collaborative (RC)
V.5.3.Recommandation selon le score des apprenants
a) La recommandation de la solution majoritaire (RSM)
b) La recommandation pédagogique (RP)
c) La recommandation collaborative (RC)
V.6. Simulation du comportement des apprenants
V.6.1.Simulation de la recommandation selon le voisinage des POIs
V.6.2.Simulation de la recommandation selon la pédagogie de l’instructeur
V.6.3.Simulation de la recommandation selon le score des apprenants
V.6.4.Synthèse
V.7. Conclusion du chapitre V
Chapitre VI. Implémentation et expérimentations
VI.1. Introduction
VI.2. Implémentation du système
VI.3. Expérimentation : scénario de visite de campus
VI.3.1.Scénario de la visite du campus
VI.3.2.Protocoles d’expérimentation
VI.4. Discussions
VI.5. Conclusion du chapitre VI
Conclusion et perspectives

Télécharger le rapport complet