Titre :	Classification hybride (Hard et Soft) d’items éducatifs similaires avec ajustement bayésien des réponses en utilisant l’IRT
Type de document :	texte imprimé
Auteurs :	Abdou Abarchi ,Aboubacar, Auteur ; Harbouche ,Khadidja, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2021
Importance :	1 vol (121 f .)
Format :	29 cm
Langues :	Français (fre)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Exploration de données éducatives Modèle d’apprenant
Résumé :	Les modèles de la théorie des réponses au items et les méthodes d’exploration de données éducatives sont très utilisés pour analyser les performances des apprenants sur des questionnaires et la différence qui existe entre les questionnaires (items) comme le degré de difficulté. Ces méthodes sont largement utilisées pour optimiser la réussite et améliorer l’environnement (le système) dans lequel les utilisateurs apprennent. L’inférence bayésienne appliquer aux modèles IRT permet de capter les attributs du sujet (sa compétence) et les propriétés des items (sa difficulté, son pouvoir de discrimination, la probabilité de deviner la réponse correcte) pour pouvoir prédire la probabilité de réussite et ainsi comparer les prédictions des modèles et les scores collecter. La comparaison entre les scores prédit des apprenants et ceux observés et surtout les valeurs des paramètres permettent d’évaluer les échelles des mesures qui sont utilisés par le système, la qualité des données collecter et améliorer potentiellement la notation des scores des apprenants. Une fois les critères précédents valider, les données peuvent donc être utilisé avec les méthodes d’exploration de données éducatives qui permettent de transformer des données brutes de grande quantité en informations utiles pour découvrir des modèles et établir des tendances et des relations pour résoudre des problèmes et de prédire les tendances futures. Les méthodes EDM (Educational Data Mining) comme le clustering peuvent être utilisé pour regrouper les items en composante de connaissance en utilisant des approches basées sur des modèles et des approches basées sur la similarité entre items et ainsi séquencer l’apprentissage afin que les apprenants maitrisent les compétences préalables avant de passer aux compétences qui en dépendent. Ce projet de mémoire propose une approche pour évaluer la qualité des données éducative avec des modèles IRT (modèle de Rasch, modèle logistique a deux et trois paramètres) et un regroupement des items en composante de connaissances avec des méthodes de clustering hiérarchique, partitionel et floue respectivement le clustering hiérarchique agglomératif, k-means clustering, c-means clustering, et le nombre de réponse correcte et incorrecte avec aide et sans aide comme critère pour la construction de la matrice de similarité.
Côte titre :	MAI/0505
En ligne :	https://drive.google.com/file/d/15Q744DeUsGywTqXoFYpVvCXNv2jtoVxj/view?usp=shari [...]
Format de la ressource électronique :	pdf

Classification hybride (Hard et Soft) d’items éducatifs similaires avec ajustement bayésien des réponses en utilisant l’IRT [texte imprimé] / Abdou Abarchi ,Aboubacar, Auteur ; Harbouche ,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (121 f .) ; 29 cm.
Langues : Français (fre)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Exploration de données éducatives Modèle d’apprenant
Résumé :	Les modèles de la théorie des réponses au items et les méthodes d’exploration de données éducatives sont très utilisés pour analyser les performances des apprenants sur des questionnaires et la différence qui existe entre les questionnaires (items) comme le degré de difficulté. Ces méthodes sont largement utilisées pour optimiser la réussite et améliorer l’environnement (le système) dans lequel les utilisateurs apprennent. L’inférence bayésienne appliquer aux modèles IRT permet de capter les attributs du sujet (sa compétence) et les propriétés des items (sa difficulté, son pouvoir de discrimination, la probabilité de deviner la réponse correcte) pour pouvoir prédire la probabilité de réussite et ainsi comparer les prédictions des modèles et les scores collecter. La comparaison entre les scores prédit des apprenants et ceux observés et surtout les valeurs des paramètres permettent d’évaluer les échelles des mesures qui sont utilisés par le système, la qualité des données collecter et améliorer potentiellement la notation des scores des apprenants. Une fois les critères précédents valider, les données peuvent donc être utilisé avec les méthodes d’exploration de données éducatives qui permettent de transformer des données brutes de grande quantité en informations utiles pour découvrir des modèles et établir des tendances et des relations pour résoudre des problèmes et de prédire les tendances futures. Les méthodes EDM (Educational Data Mining) comme le clustering peuvent être utilisé pour regrouper les items en composante de connaissance en utilisant des approches basées sur des modèles et des approches basées sur la similarité entre items et ainsi séquencer l’apprentissage afin que les apprenants maitrisent les compétences préalables avant de passer aux compétences qui en dépendent. Ce projet de mémoire propose une approche pour évaluer la qualité des données éducative avec des modèles IRT (modèle de Rasch, modèle logistique a deux et trois paramètres) et un regroupement des items en composante de connaissances avec des méthodes de clustering hiérarchique, partitionel et floue respectivement le clustering hiérarchique agglomératif, k-means clustering, c-means clustering, et le nombre de réponse correcte et incorrecte avec aide et sans aide comme critère pour la construction de la matrice de similarité.
Côte titre :	MAI/0505
En ligne :	https://drive.google.com/file/d/15Q744DeUsGywTqXoFYpVvCXNv2jtoVxj/view?usp=shari [...]
Format de la ressource électronique :	pdf