Dans le cadre du GTnum #IA_EO, l’un des 3 axes de travail concerne l’exploitation intelligible des Learning Analytics par l’utilisateur (apprenant, enseignant, institutions, parents, etc.) et leur combinaison avec les techniques de l’IA.
Des premières pistes de réflexions se sont dégagées autour de l’étude des relations entre décrochage (remédiation, prédiction), interprétabilité, explicabilité et confiance, à l’aide notamment de Tableaux de Bord. Il s’agit notamment d’établir la confiance en rendant transparent la provenance des données et la manière dont elles ont été calculées. En termes d’explicabilité et d’interprétabilité, qu’y a-t-il de spécifique en Éducation sur ce point par rapport à ces mêmes problématiques en Intelligence artificielle ?
Un webinaire le 5 février animé par Luis Galarraga
Afin d’alimenter les réflexions, Luis Galarraga nous a fait le plaisir de présenter les travaux de sa thèse intitulée : Predicting Academic Performance for Term Planning Effects on students’ decisions, behaviors, and preferences.
Le choix des cours est une activité cruciale pour les étudiants car il a un impact direct sur leur charge de travail et leurs performances. Cette tâche peut néanmoins être assistée par des outils informatiques prédisant les performances sur la base de données historiques. Nous nous intéressons aux effets de la présentation des prédictions de notes aux étudiants par le biais d’un outil de visualisation interactif.
Retrouvez dès à présent ici la présentation de Luis Galarraga du 5 février dernier.
D’autres présentations seront disponibles en replay prochainement, restez connectés !
Répondre à cet article
Suivre les commentaires :
|
