Méthodes Et Traces Au service de l’Apprentissage des Langues
Le projet e-FRAN METAL (Méthodes et Traces au service de l’apprentissage des Langues) vise à accompagner la transformation numérique des établissements scolaires français par la conception de nouveaux outils d’intelligence artificielle (fouille de données, apprentissage automatique, traitement automatique de la langue ou de la parole). Les recherches s’appuient sur une équipe multidisciplinaire et s’organisent autour de deux axes principaux : (1) conception, développement et évaluation d’outils de suivi pédagogique individualisé et multidisciplinaire destinés aux élèves ou aux enseignants (Learning Analytics) et (2) conception et développement de technologies innovantes pour un apprentissage personnalisé des langues à l’écrit (grammaire française) et à l’oral (prononciation de langues vivantes). Les résultats sont à la fois scientifiques et technologiques : un plan de collecte de traces d’usage éthique, un entrepôt de données pour les données éducatives ; un baromètre éducatif pour motiver les élèves dans leur apprentissage ; un tableau de bord pour accompagner les enseignants en leur fournissant des recommandations engageantes pour les élèves ; un système de recommandation compatible avec l’entrepôt de données ; une étude des données oculométriques ; la génération semi-automatique d’exercices de grammaire française ; la prononciation de l’allemand par une tête parlante et la reconnaissance des prononciations de l’élève.
Responsable projet :
Anne BOYER
Quelques chiffres
Académie de Nancy-Metz
1 334 K€ de subventions
16 collèges
1 lycée professionnel
328 élèves
Résultats obtenus
Le projet METAL a produit les outils suivants : 1) un entrepôt de données METALrs permettant le stockage de données éducatives ; 2) un baromètre éducatif co-conçu avec des collégiens, intégrant un algorithme innovant capable d’identifier les motifs comportementaux fréquents des apprenants baptisé G_SPM et un nouvel algorithme de recommandation de ressources éducatives à l’élève « au bon moment » ; 3) un tableau de bord « enseignants » développé suite à une co-conception réalisée en partenariat avec le projet e-FRAN e-Tac. Il intègre des algorithmes innovants de mesure et prédiction automatiques de l’effort de l’apprenant et un nouveau modèle de recommandations maximisant l’effort des apprenants en leur proposant d’effectuer les bonnes activités au bon moment ; 4) un corpus de données physiologiques et comportementales, subjectives et de performance de 120 collégiens de 6 collèges de la région effectuant différentes activités d’apprentissage ; 5) un corpus pour 158 collégiens (81 filles, 77 garçons) de Meurthe-et-Moselle issus de 4 établissements et munis de lunettes d’eye-tracking de traces collectées lors d’une expérience d’apprentissage de l’Esperanto ; 6) la génération semi-automatique d’exercices de grammaire française en fonction d’un but pédagogique, du niveau de l’apprenant, voire de contraintes spécifiées par l’enseignant. L’outil repose sur des méthodes neuronales pour la génération de phrases ; 7) la prononciation d’une langue vivante étrangère par une tête parlante virtuelle 3D et la reconnaissance des prononciations de l’élève, avec le développement d’un professeur virtuel (tête parlante parlant allemand) et des techniques d’évaluation de la prononciation. Une plateforme d’apprentissage des langues sur le web comprenant les deux applications a été développée.
Préconisations
Des préconisations seront énoncées à la fin du projet.
Prolongements du projet
Les recherches et les développements réalisés dans le cadre du projet METAL ont conduit à différentes actions comme notamment :
- Le projet LOLA (Laboratoire Ouvert en Learning Analytics), soutenu en particulier par le MENJS, exploite les travaux autour de METALrs pour proposer un environnement sécurisé de partage de données et d’évaluation d’algorithmes de Learning Analytics pour la recherche et le développement. L’entrepôt de données éducatives et les méthodes d’évaluations développées dans LOLA sont à la base des travaux menés par le LORIA dans le projet ERASMUS + AI4T.
- Des thèses poursuivent, complètent ou approfondissent des travaux initiés dans METAL. Citons par exemple la thèse financée par le rectorat Nancy-Metz sur la recommandation multi-échelle de ressources éducatives.
- Les outils développés dans METAL seront expérimentés en situation réelle dans le cadre des e-lab mis en place dans le projet FEDER PLANETE, en collaboration avec l’académie Nancy-Metz.
- Une réflexion sur la possible création d’une start-up autour de l’exerciseur de la grammaire française est en cours avec les services concernés.
Ressource(s) associée(s)
Non renseigné pour le moment.
Travaux de recherche associés
Modélisation de la coarticulation multimodale : vers l’animation d’une tête parlante intelligible
Théo BIASUTTO-LERVAT
Dans ces travaux, nous cherchons à simuler par un algorithme l’influence d’un phonème sur la production des phonèmes voisins, phénomène connu sous le nom de coarticulation, dans le but de prédire les mouvements articulatoires nécessaires à la production d’une séquence phonétique. Il faut en effet savoir
+ Afficher la
suite du texte
Dans ces travaux, nous cherchons à simuler par un algorithme l’influence d’un phonème sur la production des phonèmes voisins, phénomène connu sous le nom de coarticulation, dans le but de prédire les mouvements articulatoires nécessaires à la production d’une séquence phonétique. Il faut en effet savoir que nous ne pouvons considérer l’articulation comme une simple concaténation de mouvements articulatoires correspondant aux phonèmes. Dans le domaine d’étude de la production de la parole, il est bien établis que la production d’un phonème est largement influencé par son contexte. Par exemple, la forme des lèvres est très différentes pendant la production du /k/ de "qui" et "quoi, car ce phonème subis une influence de la voyelle suivante. In fine, notre modèle permet de contrôler une tête parlante virtuelle, afin de synchroniser son animation à un segment de parole prononcé par un adulte.
Nous cherchons ici à proposer un nouveau modèle de coarticulation basé sur les techniques récentes d’intelligence artificielle (deep learning) avec pour principal objectif une modélisation indépendante de la langue et de la modalité. Par modalité, nous entendons l’aspect visuelle et articulatoire de la parole, c’est-à-dire les mouvements du visage induits par l’articulation d’un locuteur (modalité visuelle), mais aussi les mouvements des principaux articulateurs internes comme la langue, la mâchoire ou le vélum (la modalité articulatoire). Finalement, nous souhaitons appliquer ce modèle de coarticulation à la langue Allemande afin de proposer un système de synchronisation labiale automatique pour cette langue, capable d’animer un visage virtuelle depuis la voix de l’enseignant.
- Masquer
la suite du texte
Cliquer sur une étiquette pour accéder à la liste des articles avec la même étiquette
Généralisation de motifs séquentiels pour la fouille de données multi-sources
Julie BU DAHER
L’objectif général de ce travail de recherche est d’améliorer l’apprentissage scolaire. D’une part, il vise à aider les élèves à comprendre, évaluer leurs performances scolaires et suivre leurs progrès. D’autre part, il vise à aider les élèves à améliorer leurs acquis en fournissant à chacun des recommandations personnalisé
+ Afficher la
suite du texte
L’objectif général de ce travail de recherche est d’améliorer l’apprentissage scolaire. D’une part, il vise à aider les élèves à comprendre, évaluer leurs performances scolaires et suivre leurs progrès. D’autre part, il vise à aider les élèves à améliorer leurs acquis en fournissant à chacun des recommandations personnalisées. Afin de répondre à nos objectifs, notre travail de recherche s’intéresse à une phase amont : l’analyse et à la compréhension des données d’activité des apprenants ainsi qu’à l’extraction d’informations de comportement-type.
Notre question de recherche principale était : les sources multiples d’informations sur les apprenants, leur comportement et les ressources pédagogiques permettent-elles d’identifier des comportements-type riches, dans un contexte où la quantité de traces et d’informations est limitée ?
- Masquer
la suite du texte
Cliquer sur une étiquette pour accéder à la liste des articles avec la même étiquette
Publications
Publications du projet
Publications liées au projet
Machado, G. M., Bonnin, G., Castagnos, S., Hoareau, L., Thomas, A. et Tazouti, Y. (2020). An Approach to Model Children’s Inhibition During Early Literacy and Numeracy Acquisition. Dans International Conference on Artificial Intelligence in Education (p. 203-207). Springer. https://doi.org/10.1007/978-3-030-52240-7_37
2S. Zhang, X. You, Z. Jin et X. Wu (2009). Mining globally interesting patterns from multiple databases using kernel estimation. Expert Systems with Applications, 36(8), 10863–10869. https://doi.org/10.1016/j.eswa.2009.01.030
C. Zolynski (à paraître). Intelligence artificielle et droit de l’Union européenne : de l’éthique au droit. Dans B. Bertrand et J. Sirinelli (dir.), La politique européenne du numérique. Larcier-Bruylant.
Chatelier, R. (2017). Learning Analytics : quelles sont les données du problème ? CNIL. Récupéré le 14 octobre 2021 de : https://linc.cnil.fr/fr/learning-analytics-quelles-sont-les-donnees-du-probleme
R. Syed, K. Collins-Thompson, P.N. Bennett, M. Teng, S. Williams, W.W. Tay et S. Iqbal. Improving Learning Outcomes with Gaze Tracking and Automatic Question Generation. Dans Proceedings of the Web Conference 2020 (WWW’20) (p. 1693-1703). https://doi.org/10.1145/3366423.3380240
Partenaires