Profilage d’étudiants pour l’apprentissage de l’anatomie

Équipe SICAL : Situated Interaction, Collaboration, Adaptation and Learning

Le stage s’inscrit dans le projet ANR MODELI+, qui vise la conception d’un outil 3D interactif innovant pour l’apprentissage de l’anatomie, adaptable aux apprenants et soutenu par les principes des Learning Analytics. Le projet MODELI+ s’adresse particulièrement aux étudiants de première année de licence STAPS, où les taux de réussite sont souvent faibles. L’objectif est d’analyser les traces d’activité des apprenants sur l’outil numérique pour comprendre leurs comportements, identifier des profils types et proposer des recommandations pédagogiques adaptées.

Le stagiaire travaillera sur le profilage d’étudiants à partir de leurs traces d’utilisation de l’outil 3D et d’autres données collectées (oculométrie, données physiologiques, questionnaires).

Plus précisément, les missions incluent :
1. Appropriation de l’application 3D d’apprentissage de l’anatomie et de son système de collecte de traces.
2. Revue de littérature sur les indicateurs comportementaux et les méthodes de clustering pour le profilage d’apprenants.
3. Préparation et prétraitement des données issues des traces et d’autres sources multimodales.
4. Application de méthodes non supervisées (clustering, réduction de dimension, factorisation, etc.) pour identifier des profils d’apprenants et explorer les similarités et différences dans les comportements.
5. Analyse et visualisation des résultats, création de personas représentant les profils types d’étudiants et interprétation avec l’aide des experts pédagogiques.

Le stage permettra d’expérimenter des techniques de data mining et d’apprentissage non supervisé, et de contribuer à la compréhension des facteurs influençant la réussite des étudiants.

Étudiant(e) en Master 2 en informatique, intelligence artificielle, sciences des données, EIAH ou domaines connexes.
Connaissances en machine learning, particulièrement en méthodes non supervisées.
Compétences en Python, pandas, scikit-learn, visualisation de données.