Classification hybride (Hard et Soft) d’items éducatifs similaires avec ajustement bayésien des réponses en utilisant l’IRT / Abdou Abarchi ,Aboubacar  

Public ISBD 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

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0505	MAI/0505	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

Classification d’items éducatifs similaires en utilisant les / Sinacer, Kaouthar  

Public ISBD Titre : Classification d’items éducatifs similaires en utilisant les Type de document : texte imprimé Auteurs : Sinacer, Kaouthar, Auteur ; Harbouche ,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (64 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep clustering Apprentissage supervisé Résumé : Les techniques du data mining éducative sont très utiles pour analyser les performances de l’apprenant afin d’optimiser l’approche du mappage des compétences.cette dernière regroupent les éléments similaires dans la même composante de connaissance (KC), le calcul d’un degré de similarité entre les éléments éducatifs aide à optimiser la réussite de l’apprenant en identifiant la composante de connaissance, ce degré peut être utilisé comme une donnée pour le regroupement ou la visualisation future, la similarité entre les éléments est calculée avec différentes mesures basées sur la justesse de la réponse (correcte / incorrecte). On a proposé un modèle deep clustering des items par l’apprentissage des caractéristiques en utilisant le CNN. L’architecture à été tester sur deux bases de données éducatives différentes .Et les résultats on été comparer avec les méthodes de regroupement traditionnelle basé sur les méthodes de calcule de similarité et le K-means . Les résultats obtenu sont très prometteuse avec une différence de performance remarquable . Côte titre : MAI/0529 En ligne : https://drive.google.com/file/d/1fWhvx_N33Sx6PYe_6DuTQQ4MPfwUC-xH/view?usp=shari [...] Format de la ressource électronique : pdf Classification d’items éducatifs similaires en utilisant les [texte imprimé] / Sinacer, Kaouthar, Auteur ; Harbouche ,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (64 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Deep clustering Apprentissage supervisé Résumé : Les techniques du data mining éducative sont très utiles pour analyser les performances de l’apprenant afin d’optimiser l’approche du mappage des compétences.cette dernière regroupent les éléments similaires dans la même composante de connaissance (KC), le calcul d’un degré de similarité entre les éléments éducatifs aide à optimiser la réussite de l’apprenant en identifiant la composante de connaissance, ce degré peut être utilisé comme une donnée pour le regroupement ou la visualisation future, la similarité entre les éléments est calculée avec différentes mesures basées sur la justesse de la réponse (correcte / incorrecte). On a proposé un modèle deep clustering des items par l’apprentissage des caractéristiques en utilisant le CNN. L’architecture à été tester sur deux bases de données éducatives différentes .Et les résultats on été comparer avec les méthodes de regroupement traditionnelle basé sur les méthodes de calcule de similarité et le K-means . Les résultats obtenu sont très prometteuse avec une différence de performance remarquable . Côte titre : MAI/0529 En ligne : https://drive.google.com/file/d/1fWhvx_N33Sx6PYe_6DuTQQ4MPfwUC-xH/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0529	MAI/0529	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 2 / 2)