Un modèle de personnalisation des aspects éducatif et ludique pour les jeux sérieux - Mémoire Pierre Valentin Maîtrise en informatique - avec ...

Un modèle de personnalisation des aspects éducatif et
 ludique pour les jeux sérieux

 Mémoire

 Pierre Valentin

 Maîtrise en informatique - avec mémoire
 Maître ès sciences (M. Sc.)

 Québec, Canada

 © Pierre Valentin, 2019

Un modèle de personnalisation des aspects éducatif et
 ludique pour les jeux sérieux

 Mémoire

 Pierre Valentin

 Sous la direction de :

 Laurence Capus, directrice de recherche

Résumé

L’utilisation des jeux en éducation, appelés jeux sérieux, se développe de plus en plus, mais pour être
performants, ces jeux doivent être personnalisés en fonction de la progression des apprentissages tout en
conservant leur aspect ludique. Un état de l’art sur le domaine de l’analyse de l’apprentissage a été effectué
pour comprendre comment personnaliser de tels jeux. Cependant, les travaux actuels prennent peu en compte
les deux aspects pédagogiques et ludiques. L’objectif de cette recherche a été de proposer un modèle de
personnalisation du contenu pédagogique et ludique pour les joueurs-apprenants dans les jeux sérieux. Le
modèle proposé organise le savoir du domaine à apprendre et indique les télémétries à enregistrer sur
l’apprenant pour personnaliser son parcours en fonction de ses performances. Le modèle a été validé par la
création d’un prototype qui a permis de vérifier sa fonctionnalité. Ainsi, avec ce modèle, le jeu peut proposer le
contenu le plus pertinent pour l’apprenant, lui montrer sa progression et interagir avec lui selon la mécanique
de jeux qui lui correspond le mieux. Bien que la personnalisation ludique soit limitée, le modèle est assez flexible
pour s’adapter à toute forme de matériel pédagogique et tout domaine d’étude. Des tests impliquant des
apprenants permettraient une validation plus avancée.

 ii

Abstract

The use of games in education, called serious games is growing, but to be effective, these games must be
personalized according to the progress of learning while keeping their playful aspect. A state-of-the-art on the
field of learning analytics was conducted to understand how to customize such games. However, the current
works do not cover educational and entertainment aspects. The objective of this research project was to propose
a model for the personalization of educational and playful content for players-learners in serious games. The
proposed model organizes the knowledge of the field to be learned and indicates the telemetry to be recorded
on the learner in order to personalize his or her path according to his or her performance. The model was
validated by creating a prototype that verified its functionality. Thus, with this model, the game can offer the most
relevant content for the learner, show him his or her progress and interact according to the game mechanics
that best match him or her. Although playful customization is limited, the model is flexible enough to adapt to
any form of educational content and any field of study. Tests involving learners would allow a more advanced
validation.

 iii

Table des matières

Résumé ............................................................................................................................................................... ii
Abstract............................................................................................................................................................... iii
Table des matières ............................................................................................................................................. iv
Liste des figures .................................................................................................................................................. vi
Liste des tableaux .............................................................................................................................................. vii
Remerciements ................................................................................................................................................... ix
Introduction ......................................................................................................................................................... 1
Chapitre 1 : L’état de l’art .................................................................................................................................... 3
 1.1 Analyse de l’apprentissage....................................................................................................................... 3
 1.2 Ludification ............................................................................................................................................... 5
 1.3 Techniques basées sur le processus de rétention de l’information .......................................................... 6
 1.3.1 La répétition espacée ........................................................................................................................ 6
 1.3.2 La courbe d’apprentissage ................................................................................................................ 8
 1.4 Les tuteurs intelligents .............................................................................................................................. 9
 1.4.1 Modèle du domaine........................................................................................................................... 9
 1.4.2 Modèle de l’apprenant..................................................................................................................... 15
 1.4.3 Modèle du tuteur ............................................................................................................................. 18
 1.5 Personnaliser les jeux en fonction des traits psychologiques ................................................................. 21
 1.5.1 Les profils psychologiques du joueur .............................................................................................. 21
 1.5.2 Application des typologies psychologiques avec des jeux .............................................................. 23
 1.6 La problématique .................................................................................................................................... 24
Chapitre 2 : Modèle de personnalisation du contenu éducatif et ludique d’un jeu sérieux................................ 26
 2.1 Objectif de recherche ............................................................................................................................. 26
 2.2 Architecture proposée ............................................................................................................................ 26
 2.3 Les Structures de données..................................................................................................................... 29
 2.3.1 Les données du domaine ................................................................................................................ 29
 2.3.2 Les données de l’apprenant ............................................................................................................ 32
 2.3.3 Les Règles pédagogiques ............................................................................................................... 32
 2.4 Les agents .............................................................................................................................................. 32
 2.4.1 L’agent de télémétrie....................................................................................................................... 33
 2.4.2 L’agent de personnalisation ............................................................................................................ 36
 2.4.3 L’agent de visualisation ................................................................................................................... 41
Chapitre 3 : Expérimentation, mise en place du modèle................................................................................... 45
 3.1 Le contexte d’expérimentation................................................................................................................ 45

 iv

3.2 Architecture du prototype. ...................................................................................................................... 46
 3.3 Les Structures de données..................................................................................................................... 47
 3.4 Interaction des agents avec l’apprenant ................................................................................................. 48
Chapitre 4 : Résultats et discussion.................................................................................................................. 55
 4.1 Résultats ................................................................................................................................................ 55
 4.2 Discussion .............................................................................................................................................. 56
Conclusion ........................................................................................................................................................ 57
Bibliographie ..................................................................................................................................................... 58
Annexe 1 : Questionnaire Hexad ...................................................................................................................... 64
Annexe 2 : Codes source.................................................................................................................................. 66

 v

Liste des figures
Figure 1 : Système de Leitner, traduit de (« Flashcard » 2018) ..................... 7
Figure 2 : Exemple de Réseaux Bayésien (« Bayesian Network » 2018) ........ 16
Figure 3 : Architecture de l'ITS CanadarmTutor tirée de (Dubois et al. 2005) 20
Figure 4 : Représentation du modèle hexad tirée de (Tondello et al. 2016) ... 22
Figure 5 : Architecture d'un jeu sérieux .................................................... 27
Figure 6 : Architecture du modèle ............................................................ 28
Figure 7 : Graphe des thèmes du cours .................................................... 30
Figure 8 : Exemple de graphe pour un thème donné .................................. 31
Figure 9 : Attribution d’une « note » au chapitre en cours d’apprentissage .... 34
Figure 10 : Exemple des télémétries à la suite de l’action de l’agent de télémétrie
........................................................................................................... 36
Figure 11 : Exemple de situation de calcul de cote ..................................... 37
Figure 12 : Exemple de chapitre avec des cotes......................................... 39
Figure 13 : Les chapitres du domaine une fois ordonné par l’agent de
personnalisation .................................................................................... 40
Figure 14 : Exemple de visualisation des données de l’apprenant................. 41
Figure 15 : Capture d’écran d’un jeu de PédagoSoft ................................... 45
Figure 16 : Schématisation du prototype réalisé ........................................ 46
Figure 17 : Représentation graphique d’une partie de la structure de donnée
dans l’outil graphique de Neo4J ............................................................... 47
Figure 18 : Enregistrement de l’apprenante Jeanne .................................... 48
Figure 19 : Questionnaire psychologique .................................................. 49
Figure 20 : Capture de la visualisation ...................................................... 49
Figure 21 : Exemple d’exercice d’apprentissage ......................................... 50
Figure 22 : Écran de fin d’exercice ........................................................... 50
Figure 23 : Visualisation à la suite de l’exercice ......................................... 51
Figure 24 : Exemple d’interaction avec l’apprenant .................................... 52
Figure 25 : Visualisation d’un graphe d’apprenant ...................................... 53
Figure 26 : Réponse de l’agent de visualisation à la question de l’apprenant. 53

 vi

Liste des tableaux
Tableau 1 : Échelle des cotes .................................................................. 35
Tableau 2 : Équivalence entre cote et Score .............................................. 38
Tableau 3 : Relation entre un score de chapitre et une cote ........................ 39
Tableau 4 : Intervalles pour le calcul des probabilités de chaque cote........... 43

 vii

À tous mes proches

viii

Remerciements

Je voudrais exprimer ma plus sincère gratitude à Laurence Capus pour la qualité de son encadrement tant sur
le plan scientifique qu'humain.

Je remercie Francois Guite et la société PédagoSoft pour leurs aides et participations.

Je remercie l’université de Laval pour l’accueil chaleureux, ainsi que l’ISEP de m’avoir fait confiance pour ce
premier double diplôme.

Merci à Christopher De Boisvilliers et l'ensemble des étudiants du laboratoire ERICAE.

Je tiens également à remercier mes amis, qui m'ont toujours supportés, ainsi que les encouragements constants
de ma famille qui m’a toujours soutenu pour avancer.

 ix

Introduction

Améliorer l’expérience d’apprentissage des apprenants peut se concrétiser de manière différente. Les
enseignants peuvent changer leur manière de travailler (« Ludification » 2018), changer de support (Nkambou
et al. 2010) ou diminuer la taille des classes pour améliorer les performances des apprenants et augmenter leur
engagement. Les efforts récents aussi bien sur les méthodes que le contenu donnent des résultats positifs
(« Montessori Education » 2019; « Singapore Math » 2018). Une autre piste consiste à utiliser les outils
informatiques pour se rapprocher du tutorat individuel. Des chercheurs et entreprises ont développé des
plateformes éducatives qui s’adaptent aux apprenants. Une des approches consiste à utiliser les mécaniques
popularisées dans les jeux vidéo au service de l’éducation, on parle de jeux sérieux. Utiliser ces mécaniques
transforme l’expérience d’apprentissage. Notre motivation est de continuer à travailler sur ces outils pour encore
améliorer l’expérience du joueur-apprenant. Nous avons eu la chance de collaborer avec PédagoSoft, une
entreprise qui travaille sur une plateforme de jeux sérieux destinée à l’enseignement du français. Ainsi notre
cadre de travail s’inscrit dans l’apprentissage des langues à l’aide des jeux sérieux.

Pour commencer notre travail, nous avons fait un méta analyse de « l’analyse de l’apprentissage ». Ce domaine
cherche à comprendre et modéliser les mécaniques d’apprentissage dans tous les contextes où l’éducation a
lieu. Les contextes sont variés, allant de la plateforme de mathématique en ligne à la simulation de chirurgie.

Cependant, l’état de l’art que nous avons effectué montre que les travaux couvrent peu le spectre des jeux
sérieux. Les chercheurs tentent d’optimiser soit la personnalisation pédagogique, soit la personnalisation des
mécaniques de jeux. Peu de travaux tentent de faire le lien entre ces deux types de personnalisation (Loh et al.
2015). Dans un jeu sérieux, c’est l’ensemble composé des mécaniques de jeux et de contenus pédagogiques
qui donne une expérience d’apprentissage unique. Il nous semble alors intéressant de travailler sur ce point.

Notre question de recherche se résume ainsi : est-il possible de personnaliser le jeu et le contenu pédagogique
? Pour répondre à cette problématique, nous nous sommes fixé l’objectif suivant : proposer un modèle pour jeux
sérieux de personnalisation du contenu pédagogique et des mécaniques de jeux.

Pour réaliser notre travail, nous avons d’abord fait une revue de littérature pour comprendre les techniques
existantes et réutiliser les plus intéressantes pour l’apprentissage des langues dans un jeu sérieux. Ensuite nous
avons proposé un modèle qui combinait les techniques vues dans l’état de l’art pour tenir compte du contexte
joueur-apprenant. Pour valider notre modèle au vue de notre objectif de recherche, nous avons créé un
prototype avec le contenu prêté par PédagoSoft.

Nos résultats sont positifs, le prototype a pu être implémenté et il réalise son objectif de départ. En effet, il
enregistre les télémétries (temps de réaction, ratio succès/échec) de l’apprenant et adapte le jeu à sa

 1

progression et à ses préférences de joueur. Notre modèle propose une manière de structurer le domaine
pédagogique, puis des heuristiques de personnalisation vont automatiquement personnaliser l’apprentissage
en fonction des télémétries mesurées. Notre modèle peut être réutilisé sur les jeux sérieux de tout domaine car
nous ne l’avons pas optimisé pour l’apprentissage des langues uniquement. Malgré notre travail sur la
personnalisation des mécaniques de jeux, nous pensons que les futurs travaux devraient s’intéresser encore
plus à la personnalisation des mécaniques de jeux. Notre modèle permet de savoir comment interagir avec
l’apprenant, mais ne donne pas d’indice si un type de jeu plutôt qu’un autre est adapté (par exemple: un casse
brique ou un jeu de courses).

Dans le chapitre 1, nous présentons l’état de l’art et définissons la problématique sur laquelle nous avons
travaillé. Le chapitre 2 détaille le modèle qui répond à nos objectifs de recherche. Puis le chapitre 3 décrit la
mise en pratique du modèle avec un prototype. Nous présentons et discutons nos résultats dans le chapitre 4.
Une conclusion termine ce mémoire.

 2

Chapitre 1 : L’état de l’art
Notre motivation dans ce mémoire est d’améliorer l’expérience du joueur apprenant. Pour que notre travail
s’imbrique dans les travaux existants, nous avons réalisé un état de l’art qui permettra aux lecteurs de
comprendre les concepts et solutions déjà apportés par les chercheurs du domaine. Avec ces éléments, nous
avons pu mettre en lumière quels sont, parmi les travaux cités, les plus intéressants aux yeux de notre motivation
et contexte.

Cet état de l’art porte sur les techniques d’analyse de l’apprentissage. Chatti et al. (2012) proposent une revue
de littérature qui introduit bien le sujet de ces techniques et en présentent les branches les plus importantes.
Les chercheurs définissent le concept et les contextes dans lesquels cela s’applique. Après avoir défini l’analyse
de l’apprentissage, nous introduisons la notion de « ludification », afin de souligner les enjeux de ce contexte
particulier d’éducation.

Ensuite, nous présentons trois ensembles de techniques utilisées pour l’analyse de l’apprentissage et qui nous
semblent les plus pertinentes pour répondre aux défis de notre travail de recherche. Le premier ensemble
rassemble des techniques qui sont utilisées dans un environnement ludique d’apprentissage des langues et qui
s’appuient sur la manière dont l’apprenant retient les notions éducatives au cours du temps. Ces techniques se
limitent à personnaliser le contenu pédagogique et les environnements d’apprentissage intègrent la ludification
mais ne sont pas vraiment des jeux à part entière.

Le deuxième ensemble porte sur les tuteurs intelligents, soit des systèmes complets de tutorat personnalisé qui
représentent une partie conséquente de l’analyse de l’apprentissage (Chatti et al. 2012). Ils ont été autant utilisés
pour l’apprentissage des langues que pour d’autres contextes et apportent des éclaircissements sur la manière
d’analyser l’apprentissage.

Enfin, dans le troisième ensemble, nous verrons comment les travaux sur la psychologie peuvent permettre de
personnaliser l’expérience de jeu selon le profil de l’apprenant. Ses travaux sont importants car ils proposent
des solutions pour la personnalisation des aspects ludiques.

Pour compléter ce chapitre, nous présentons la problématique que nous nous sommes proposé de résoudre
dans ce travail de recherche.

1.1 Analyse de l’apprentissage
L’analyse de l’apprentissage (learning analytics) englobe tous les modèles qui visent à utiliser les données
(mesurées ou déduites) des apprenants pour améliorer ou personaliser tous les systèmes compris dans un
contexte d’apprentissage. Par exemple, nous utilisons le terme d’apprenant et non d’étudiant pour aussi inclure

 3

les systèmes éducatifs en dehors des milieux scolaires classiques (Universitaire, Elémentaire etc.). L’analyse
de l’apprentissage est définie de manière générale comme : la mesure, collection, l’analyse et la présentation
des données des apprenants et leur contexte dans l’objectif d’optimiser l’apprentissage et l’environnement
d’apprentissage (« Stanford Learning Analytics Summer Institute | Learning and Knowledge Analytics » 2011).

Chatti et al. (2012) listent les techniques utilisées pour l’analyse de l’apprentissage :

 • Analyse Académique (Academic Analytics) :
 Ce terme a été utilisé pour la première fois dans Goldstein et Katz (2005). Cette catégorie d’analyse
 de l’apprentissage regroupe les applications d’intelligence d’affaires aux données des universités pour
 prévenir les échecs des étudiants (dans les MOOCS par exemple).
 • Forage de données pour l’éducation (Educational data mining) :
 Romero et al. (2010) regroupent toutes les techniques de forage de données pour aider tous les acteurs
 du système éducatif.
 • L’apprentissage adaptatif (Personalized adaptative learning) :
 L’adaptativité est la capacité à personnaliser le contenu pédagogique selon des règles prédéfinies. On
 retrouve cette fonctionnalité principalement dans les systèmes de tuteurs intelligents.

Après avoir présenté ces grands concepts, Chatti et al. (2012) proposent une méthode de réflexion pour mener
à bien un projet d’analyse d’apprentissage. Ils identifient quatre questions qui peuvent se poser pour chaque
projet :

 • Quelles données mesurons-nous ?
 Les données peuvent être les télémétries du logiciel ou tirées de plusieurs médias comme dans les
 systèmes hypermédia (« Hypermédia » 2019). Les télémétries correspondent à la liste des actions
 horodatées menées par l’utilisateur, à la manière du journal d’un système Linux.
 • Qui est l’acteur visé pour l’analyse des données ?
 Un système vise souvent à améliorer l’expérience de l’apprenant mais certaines approches visent aussi
 d’autres acteurs. Par exemple des enseignants ou des institutions peuvent utiliser le système pour
 obtenir des informations sur leur groupe d’apprenants. Ils peuvent adapter leur matériel pédagogique
 et prévenir les apprenants qui sont en échec (Campbell et al. 2007).
 • Quel est l’objectif de la mesure des données ?
 Les objectifs sont très divers dans la littérature. Cela va de la visualisation de données jusqu’au
 système de recommandation pour personnaliser l’expérience d’apprentissage pour l’apprenant.
 • Comment le système mesure et traite les données ?

 4

Souvent les chercheurs se reposent sur les méthodes de forage de données massives (Han et al.
 2011) comme utilisée en intelligence d’affaires (Business Intelligence ou BI). Les techniques BI sont
 notamment utilisées pour segmenter où trouver des classes de client ou de fournisseur. Utiliser ces
 mêmes techniques sont utiles dans le contexte éducatif ou on souhaite avoir des informations sur des
 groupes d’apprenant.

Tous les points précédents sont très généraux mais s’appliquent à tous les projets liés à l’éducation dans tous
ces contextes. Voyons maintenant les contextes de ludification.

1.2 Ludification
Le lien entre joueur et apprenant n’est en effet pas présent dans la revue de Chatti et al (2012). En effet dans
les jeux sérieux, deux mécaniques ne font qu’une : la mécanique pédagogique et la mécanique ludique. Dans
le livre de Loh et al. (2015), les chercheurs s’intéressent tout particulièrement aux jeux sérieux. Ils définissent le
jeu sérieux comme : « Un jeu dont l’objectif premier lors de sa conception est moins le divertissement mais plutôt
l’optimisation de l’apprentissage du contenu visé ». L’auteur donne cette définition pour le séparer de la
ludification.

La ludification selon Zichermann et Cunningham (2011) est l’application de mécaniques de jeux dans un
système qui n’est pas un jeu. Par exemple, une application de sport peut utiliser des médailles et un système
de scores pour motiver ses utilisateurs comme dans un jeu. Cependant dans ce cas, la ludification n’est qu’un
outil pour augmenter la rétention des utilisateurs et non celle de proposer une alternative par le jeu. La distinction
doit être faite car la réflexion est différente et ne se pose pas dans le même contexte. Pour illustrer ce point, Loh
et al. (2015) donnent des exemples de problématique particulière aux jeux. Par exemple, les jeux se déroulent
en temps réel, un bon jeu sérieux devrait donc réagir en même temps que le joueur joue et pas seulement en
fin de partie de manière asynchrone. De même, un jeu génère des télémétries différentes d’un logiciel classique.
Le jeu peut mesurer toutes les interactions du joueur avec le jeu mais il reste encore à trouver des modèles qui
utilisent pleinement toutes les traces du joueur. Malgré les points soulevés par Loh et al. (2015), la plupart des
techniques d’analyse de l’apprentissage peuvent s’appliquer sur un jeu sérieux. Cependant ces techniques se
concentrent souvent sur la partie « éducative » du logiciel, en laissant de côté l’aspect ludique.

 5

1.3 Techniques basées sur le processus de rétention de
l’information
Pour personnaliser l’expérience d’apprentissage, il faut que les contenus suivent au plus près la progression de
l’élève. Si l’apprenant comprend et retient une règle grammaticale rapidement, nous pouvons raccourcir son
agenda de révision. Ce type de comportement n’est possible que dans un type d’enseignement un à un.
L’enseignant dans une classe ne peut adapter le rythme d’apprentissage de toute la classe au détriment des
élèves aux besoins particuliers. En plus de la question pédagogique, il y a une question d’engagement de l’élève.
Si le rythme d’enseignement ne lui correspond pas, l’élève risque de s’ennuyer en classe et son engagement
envers le contenu va diminuer. Pour remédier ce problème des techniques pédagogiques ont été créées et
automatisées par ordinateur.

Dans cette section, nous allons présenter les approches simples de personnalisation du rythme d’apprentissage.
Notamment la répétition espacée et la courbe d’apprentissage. Enfin nous allons montrer comment elles ont été
perfectionnées avec les ordinateurs et le traitement de données massives.

1.3.1 La répétition espacée

La répétition espacée est un concept éducatif qui tente d’optimiser le temps passé à apprendre (« Répétition
espacée » 2018). Le premier constat a été réalisé par Ebbinghaus (1885). Le chercheur a comparé deux
méthodes de travail. Son objectif était d’apprendre une liste de syllabes construites au hasard. Dans un premier
temps, il apprend la suite de 12 mots en une journée complète de travail. Ensuite dans une deuxième tentative,
il remarque qu’il peut obtenir le même résultat avec deux fois moins d’efforts. Pour cela, il a réparti son effort
sur trois jours. Spitzer (1939) montre que la méthode est effective avec une population de 3600 étudiants. C’est
dans les années 1970 que la méthode est utilisée de manière commerciale et validée dans le cas de
l’apprentissage des langues (Atkinson 1972). Cette méthode est le système Leitner (« Répétition espacée »
2018). Il est l’amélioration du système de « flash-cards » tel qu’illustré figure 1. Les « flash-cards » est une
méthode où l’apprenant tente de mémoriser des concepts écrits sur des cartes. La carte comporte la question
sur une face et la réponse sur l’autre. L’apprenant tente de répondre seul à ces questions. S’il réussit la question
au temps t, il met la carte dans une section qu’il révisera à un temps t+ 1. À chaque succès, l’intervalle de temps
augmente. Si l’apprenant échoue à se souvenir de la réponse, la carte passe dans la section précédente pour
être revue plus tôt. Avec cette méthode de travail, l’étudiant personnalise seul son apprentissage.

 6

Figure 1 : Système de Leitner, traduit de (« Flashcard » 2018)

Cependant cette approche fonctionne par paliers. Nous pouvons peut-être être plus précis dans la répartition
dans le temps des cartes ou notions. Settles et Meeder (2016) ont amélioré cette méthode avec le jeu de
données des apprenants du système Duolingo. Duolingo est un programme qui vise à enseigner les langues
étrangères avec une approche ludique (« Learn a Language for Free with Duolinguo » 2018). Puisque le
système est utilisé par des centaines de milliers d’utilisateurs, les chercheurs ont pu réaliser un modèle
d’apprentissage automatique pour personnaliser le système de répétition espacée en fonction du vocabulaire
enseigné et des performances des utilisateurs. Les chercheurs ont pour objectif de modéliser la « demi-vie »
des mots enseignés dans l’application. La demi-vie correspond au moment t où l’apprenant a une chance sur
deux d’oublier le mot. Il faut remémorer les mots avant cet instant t pour poursuivre l’apprentissage et éviter
l’oubli. Les chercheurs ont modélisé la probabilité de se souvenir du mot avec la formule suivante :

 (1)

 • p est la probabilité que l’apprenant se souvienne du mot.
 • Δ représente le temps qui s’est écoulé depuis la dernière interaction avec le mot.
 • h représente la demi-vie du mot en cours d’apprentissage.

Ainsi avec cette formule, p = 0.5 si Δ = h, c’est-à-dire que la dernière interaction est assez éloignée pour que
l’apprenant n’est qu’une chance sur deux de se souvenir du mot. Pour déterminer la demi-vie de chaque mot,
les chercheurs ont réalisé une descente de gradient. Les chercheurs ont sélectionné deux « éléments » : les
interactions et le type du mot. Par exemple, pour chaque mot, ils prennent en compte le nombre d’interactions,
les succès ou échecs. Enfin, le type de mot correspond au lexème, c’est-à-dire au rôle du mot dans la phrase.
Avec cet élément, les chercheurs pensent capturer la difficulté d’apprendre le mot. En réalisant la descente de
gradient, les chercheurs obtiennent les poids associés à chaque élément dans le calcul de la demi-vie. Les

 7

résultats donnés dans l’article montrent de meilleures prédictions par rapport au système de « flash-cards »
existant. Une fois déployé, le système de demi-vie a augmenté la proportion des apprenants hebdomadaires
sur Duolingo (Settles et Meeder 2016). Cependant l’utilisation du lexème dans les éléments a entrainé des
surapprentissages, les utilisateurs l’ont remonté aux concepteurs de l’application. Utiliser des caractéristiques
plus fines comme des vecteurs de mots (« Word Embedding » 2018) pourrait être une solution. Les vecteurs de
mots permettent de capturer plus d’information sur la nature du mot en plus de son lexème (Lai et al. 2016).

Le modèle de demi-vie est une première approche à la problématique de courbe d’apprentissage.

1.3.2 La courbe d’apprentissage

La répétition espacée peut être un des éléments de la courbe d’apprentissage. Ebbinghaus (1913), en même
temps qu’il étudie la répétion espacée, formalise la courbe d’apprentissage. Dans cette section, nous allons
présenter un exemple d’utilisation des courbes d’apprentissage sur le même jeu de données de Duolingo.

La courbe d’apprentissage est la fonction qui représente l’évolution de la probabilité que l’apprenant fasse une
erreur en fonction du temps (« Learning Curve » 2018). Dans Streeter (2015), l’auteur modélise les courbes
d’apprentissage des apprenants et les catégorise par profil (clustering). Avant de modéliser les courbes
d’apprentissage, Streeter (2015) montre que les systèmes de tuteurs intelligents doivent faire des assomptions
sur la manière dont les apprenants apprennent avec le système. Par conséquent, le système doit a priori estimer
que tous les apprenants évoluent de la même manière. Le modèle proposé par Streeter (2015) vise à améliorer
le système de trace d’apprentissage (knowledge tracing) utilisé dans les tuteurs intelligents. Dans le système
de trace d’apprentissage, on applique le théorème de Bayes pour déterminer si l’apprenant a maîtrisé un concept
éducatif. Streeter (2015) montre que dans les tuteurs intelligents « classiques », tel que décrit dans (Pavlik et
Anderson 2008) et (Xu et Mostow 2012), les probabilités de rétention, d’oubli, ou de glissement (une erreur
même si l’étudiant maitrise le concept) sont identiques pour chaque exercice du domaine d’apprentissage.
Comme pour le travail sur la répétition espacée, Streeter a utilisé les données enregistrées sur les utilisateurs
de Duolingo pour déterminer les courbes d’apprentissage de chaque mot pour chaque étudiant. Pour déterminer
les courbes d’apprentissage, Streeter regroupe les échecs de l’apprenant dans un vecteur binaire (échecs ou
succès), ensuite applique le théorème de Bayes pour déterminer la distribution probabiliste (échec, succès,
glissement) exacte des apprenants pour chaque exercice du logiciel. Avec l’ensemble des courbes
d’apprentissage, trois actions peuvent être réalisées :

 1. personnaliser les courbes d’apprentissage a priori pour chaque exercice ;
 2. étudier les groupes d’apprenants qui ont la même courbe d’apprentissage ;
 3. déterminer l’agenda d’entrainement en fonction des résultats précédents (Pavlik et Anderson 2008).

 8

En conclusion de son modèle, Streeter (2015) met en avant des groupes d’apprenants qui échouent les tests
oraux de l’application. Après investigation, on a constaté que l’application ne prenait pas en compte les moments
où les apprenants ne peuvent pas parler et utiliser leur micro.

Pour conclure, l’analyse de l’apprentissage permet d’adapter le rythme d’apprentissage pour chaque apprenant.
De plus, après avoir personnalisé le contenu, de nouveaux comportements peuvent être détectés comme le
montre le travail de Streeter (2015).

1.4 Les tuteurs intelligents

Les tuteurs intelligents ou ITS (Intelligent Tutoring System) en anglais font partie de l’écosystème de la
recherche en « éducation assistée par ordinateur » (EAD). La définition d’ITS selon Psotka et al. (1988) est un
système qui vise à donner un retour et des indications personnalisées à l’apprenant en fonction de ses
performances. Le système se comporte comme un tuteur, sans intervention humaine. C’est pourquoi ces
logiciels sont nommés tuteur intelligent.

Nous présentons les systèmes ITS même s’ils ne font pas partie des jeux sérieux puisque certains de leurs
aspects peuvent nous intéresser lors de la création d’un jeu sérieux. En effet les ITS sont conçus pour s’adapter
à leur utilisateur. Ainsi ils personnalisent leur fonction tuteur face à chaque apprenant, cette fonctionnalité est
une forme de personnalisation.

Chaque tuteur intelligent est composé de trois systèmes : un modèle apprenant, un modèle tuteur et enfin un
modèle du domaine. Ces trois modèles communiquent entre eux mais sont indépendants. Leur étude permet
donc d’extraire les techniques et architectures qui peuvent être ensuite réutilisées.

Ainsi dans un premier temps, nous verrons comment sont construits les modèles du domaine et de l’apprenant.
Leurs constructions s’appuient sur des techniques d’ingénierie des connaissances classiques. Enfin nous
verrons en quoi consiste le modèle tuteur et donnerons un exemple d’architecture simple.

1.4.1 Modèle du domaine

Dans cette section, nous allons étudier la modélisation du domaine, la première brique du tuteur intelligent. Dans
un ITS, la modélisation du domaine représente le savoir que possède un expert ou un enseignant sur un sujet.
La modélisation du domaine consiste en une structure de données associée à un agent. L’agent ou algorithme
en parcourant cette structure de données peut prendre des décisions de manière autonome sur le sujet dont il
est expert. Par exemple, l’agent peut inférer de nouvelles règles et adapter la réaction du tuteur à toutes les
solutions proposées par les apprenants. Les chercheurs en intelligence artificielle et en sciences de l’éducation
ont plusieurs approches pour essayer de construire le modèle du domaine. Nous allons dans un premier temps

 9

revenir sur les objectifs auxquels répond le modèle du domaine puis enfin quels sont les différents modèles
utilisés, enfin nous discuterons les techniques appliquées.

1.4.1.1 Types de modèles

La tâche d’un professeur ou d’un tuteur peut se résumer par : aider l’apprenant au meilleur moment en apportant
les meilleurs conseils. Pour apporter le meilleur conseil, le tuteur doit reconnaitre un mauvais raisonnement ou
une erreur commise par l’étudiant. La problématique du tuteur consiste à : détecter les mauvaises et les bonnes
réponses de l’élève et réagir en conséquence. On distingue alors deux objectifs : connaitre le domaine à
enseigner et connaitre les bonnes actions pédagogiques à prendre. Pour répondre à cet objectif les chercheurs
ont utilisé le travail de l’ingénierie des connaissances comme le montrent les premiers tuteurs intelligents avec
EMYCIN (Clancey 1985). Les chercheurs ont développé un ITS en ajoutant des fonctions pédagogiques au
système expert MYCIN. Le système expert à base de règles est ainsi devenu un tuteur intelligent à base de
règles. Puisque le module expert est la base de l’analyse pédagogique (Corbett et Bhatnagar 1997), il est
important de bien le choisir. Dans l’ingénierie des connaissances, les méthodologies et représentations utilisées
varient, il en est de même dans les ITS avec leurs avantages et inconvénients.

Le cœur de la modélisation du domaine repose sur sa structure de données et son moteur d’inférence. Le
moteur d’inférence est la logique utilisée pour prendre des décisions (inférer) à l’aide du savoir inscrit dans le
module expert. Par exemple, un tuteur en mathématique va résoudre une équation polynomiale en utilisant les
règles mathématiques inscrites dans sa représentation du domaine. En fonction du type de représentation, on
distingue trois types de modèles dans les ITS (Nkambou 2010):

 - les modèles « boîte noire » :

Les modèles en boîte noire ne sont pas explicites. Ils ne présentent que le résultat final. Le modèle n’est pas
capable de donner une trace intelligible de sa déduction (Nwana 1990).

 - les modèles « boîte transparente » (glass box) :

Les modèles en boîte transparente se rapprochent plus de l’expertise humaine. En effet, dans ces systèmes
chaque étape du raisonnement de la machine est vérifiable. Par exemple le système GUIDON (Clancey 1982)
est un tuteur intelligent pour les diagnostics médicaux. Ce système fut construit autour du système populaire
MYCIN. Le système expert MYCIN est construit à l’aide d’un ensemble de règles probabilistes « SI ALORS ».
Ces règles représentent le même raisonnement qu’un docteur pourrait utiliser pour diagnostiquer un patient.
Ainsi le système GUIDON compare la suite des actions de l’apprenant avec celles présentes dans MYCIN. Si
les deux diffèrent, le système va critiquer ou conseiller l’étudiant pour lui indiquer les « bonnes

 10

règles ». L’étudiant peut demander à voir l’enchainement des règles pour obtenir le raisonnement de la machine.
Les règles étant explicites, le modèle est dit transparent.

 - les modèles « cognitifs » :

Enfin, il existe des modèles dits cognitifs qui tentent d’égaler à la fois le formalisme et la logique d’inférence sur
celui des humains. Selon Corbett et Bhatnagar (1997), si le savoir est au maximum représenté comme un
humain, le tuteur intelligent pourra réagir comme un étudiant qui résoudra les exercices. Nkambou (2010) donne
l’exemple le plus populaire : ACT-R, Adaptative Control of Thought (Hope [2012] 2018). L’outil ACT-R permet
aux enseignants et ingénieurs de créer des modules experts à base de règles. Cependant, les règles capturent
aussi la problématique pédagogique. Les règles sont écrites pour couvrir toute la pensée de l’apprenant, c’est-
à-dire ses réussites mais aussi ses échecs possibles. Ainsi vient l’adjectif cognitif qui vise à reproduire ou
comprendre la pensée humaine. Cette approche tente d’aller plus loin que de seulement modéliser le domaine.

Les trois types de modèles experts définis précédemment englobent la totalité des implémentations dans les
ITS. Nous allons maintenant revenir en détail sur deux des implémentations les plus courantes dans les tuteurs
intelligents : les modèles à base de règles et ceux à raisonnement avec contraintes. Pour chacun de ces
exemples, nous allons donner un aperçu de leur implémentation au sein de l’ITS, le moteur d’inférence et des
exemples d’implémentation.

1.4.1.2 Techniques d’implémentation les plus courantes

Dans Aleven (2010), l’auteur décrit en détail l’usage de la méthode à base de règles dans le cas des tuteurs
cognitifs. Comme nous l’avons décrit précédemment, le terme cognitif correspond à la volonté de reproduire la
méthode de travail et de réflexion de l’humain. L’auteur y inclut deux approches, celle à base de règles et celle
à base de contraintes.

Approche à base de règles

L’approche à base de règles est très populaire car beaucoup d’outils libres et gratuits de création comme CTAT
(Cognitive Tutor Authoring Tools. 2018) sont disponibles sur internet. Par exemple, 500000 étudiants américains
l’utilisent tous les jours pour apprendre les mathématiques (« Carnegie Learning Math Curriculum & Software »
2018).

En utilisant un exemple simple, on peut comprendre comment les systèmes à base de règles peuvent inférer
au bon moment la bonne donnée. L’exemple populaire pour décrire les systèmes à base de règles est un tuteur
en mathématique (Aleven 2010). Notre tuteur n’a qu’une seule tâche à enseigner : additionner deux fractions.

 11

Dans un premier temps, nous devons découper le problème en tâches plus simples. Pour additionner deux
fractions, il y a trois sous-objectifs :

 - convertir les fractions pour qu’elles aient le même dénominateur ;
 - additionner les fractions ;
 - si nécessaire, réduire la fraction au plus petit dénominateur.

Pour réussir une addition de fractions, l’étudiant doit suivre ces trois sous-objectifs dans l’ordre. Cependant au
sein de ces sous-objectifs, l’apprenant peut avancer tel qu’il le souhaite. Pour cela, les règles doivent être
rédigées et assemblées de manière flexible. Dans un premier temps, voyons comment s’exécute une règle.
Pour cela le système enregistre l’état du tuteur dans « la mémoire de travail » (Aleven 2010). Ensuite c’est dans
la mémoire que les règles vont s’appliquer.

Voici en exemple la première règle en pseudo code de notre tuteur en mathématique extrait de (Aleven 2010) :

DETERMINER le PDC (Plus petit dénominateur commun)

 SI

 Il n’y a pas de sous-objectif

 ET D1 est le dénominateur de la première fraction

 ET D2 est le dénominateur de la deuxième fraction

 ALORS

 Initialiser la variable PDC comme le plus petit dénominateur commun de D1 et D2

 Ajouter le sous-objectif : Convertir les fractions pour PDC soit le dénominateur

 Ajouter le sous-objectif : Additionner les deux fraction convertis

La première règle du tuteur de mathématique s’exécute dès le départ. En effet, il n’y a pas encore de sous-
objectif. Cette règle réalise trois actions. En premier lieu, elle lit la mémoire de travail pour trouver les deux
dénominateurs. La mémoire de travail contient tous les éléments courants du problème avec lesquels

 12

l’apprenant peut interagir. Après avoir associé l’état de la mémoire avec cette règle, elle s’exécute. Ensuite, la
règle réalise les deux dernières tâches. Elle modifie la mémoire de travail en initialisant la variable PDC et ajoute
deux sous-objectifs. La mémoire de travail est la partie cognitive du système, elle représente ce que l’étudiant
devrait schématiser dans son esprit. L’étudiant identifie les dénominateurs et va tenter de les convertir. Ainsi la
règle capture le comportement idéal de l’apprenant. Cependant la règle ne capture pas les mauvaises
stratégies. Pour compléter le domaine, les concepteurs ajoutent des « règles erronées » qui permettent au tuteur
de détecter les erreurs. Nous avons vu comment une règle s’exécute mais le tuteur doit enchaîner les règles
pour pouvoir mener à bien son objectif. Pour pouvoir comprendre le raisonnement de l’étudiant, le tuteur va
tenter de « chainer » un maximum de règles qui vérifient l’historique de la mémoire de travail. Le chainage des
règles se comporte comme un graphe. Le tuteur va explorer en profondeur le graphe pour trouver le
raisonnement le plus long qui vérifie l’état de la mémoire de travail. Si la dernière feuille du graphe est une règle
erronée alors le tuteur pourra intervenir et présenter des conseils ou un rappel de la règle à l’étudiant.

Enfin, c’est en ajoutant les règles correctes et erronées d’autres exercices qu’un auteur crée un tuteur intelligent.
Malgré la présence d’outils reconnus (Cognitive Tutor Authoring Tools. 2018; « Jess, the Rule Engine for the
Java Platform » s. d.) pour aider à la construction d’ITS à base de règles, Aleven (2010) indique qu’il faut 200
heures de travail à des experts du domaine pour produire une heure de contenu pour l’ITS. Une solution a été
trouvée pour répondre à ce problème de temps de rédaction avec les systèmes à base de contraintes. Nous
allons présenter cette nouvelle méthode dans la section suivante.

Approche à base de contraintes

L’autre approche cognitive populaire est le module expert à base de contraintes. Lors de sa première
introduction par Ohlsson (1992), l’approche par règles est la plus populaire (Mitrovic 2010). Cette nouvelle
approche avait pour but de contourner certaines limites du modèle de règles. Notamment contourner la
complexité de l’écriture des règles (Ohlsson 1992). En effet, comme nous l’avons vu dans le système à base de
règles, des règles correctes et incorrectes doivent être rédigées. Cette rédaction demande beaucoup de travail
et de considération pour les ingénieurs et experts du domaine. A première vue, l’approche par contraintes peut
sembler similaire. Cependant au lieu de représenter tous les aspects du domaine cognitif (les règles correctes
et incorrectes), les contraintes ne vont représenter que les aspects corrects du domaine. En d’autres mots, dans
une bonne solution au problème, toutes les contraintes doivent être vérifiées. En effet, si le domaine correct est
représenté au complet, tout ce qui ne lui appartient pas ou ne le vérifie pas est faux. Une contrainte est constituée
de deux conditions, la condition de pertinence et la condition à satisfaire (Cp et Cs respectivement). Cp s’assure
que la contrainte s’active au bon moment, toutes les contraintes ne sont pas vérifiables en début de problème.
Si la condition Cp est vérifiée alors la contrainte Cs doit être vérifiée. Si Cs est vérifiée l’apprenant avance
correctement. Si elle ne l’est pas alors le tuteur détecte une erreur et intervient pour la souligner à l’élève et

 13