Panorama of Recommender Systems to Support Learning Hendrik Drachsler, Katrien Verbert, Olga C. Santos, and Nikos Manouselis Presenté par Alexandre Dos Santos

Introduction Le but de l’article est de regrouper et trier les systèmes de recommandation dans le domaine de l’éducation (TEL) Par la suite, ils donnent une standardisation de la classification des articles dans le domaine du TEL Finissent par classifier les articles selon chaque grande catégories En recherche, une grosse partie du travail est souvent la revue de littérature, et la comparaison des performances les critères d’évaluation sont souvent disparates. Le but

Plan Brève description de TEL 7 grands types de contributions depuis 2000 Présentation du framework de classification des systèmes proposé Analyse utilisant le framework

Technology Enhanced Learning (TEL) Regroupe les systèmes de recommandation dédiés à l’apprentissage et l’éducation. Aussi bien l’apprentissage aux groupes qu’aux individus et organisations La plupart des systèmes proposent un plan d’apprentissage basé sur des résultats de tests réalisé par l’utilisateur La recherche dans le milieu est très hétérogène Donner exemples de systèmes: Pousser du contenu basé sur la connaissance de l’auditoire (comme vu en cours)

7 grands types de contributions depuis 2000 Les auteurs ont classé les derniers articles du domaines en 7 catégories. Permet d’identifier les tendances et donner des idées quant-à l’évolution de la recherche dans le domaine Permet aussi de pouvoir comparer plus facilement deux systèmes Ces systèmes sont évalués purement sur les données (Precision, Recall, F1) Il y a donc un besoin pour une méthode d’évaluation plus qualitative comme l’efficacité et la performance du procédé d’apprentissage

7 grands types de contributions depuis 2000 Utilisation des filtres collaboratif Optimisation des filtres collaboratifs pour le domaine Utilisation de contraintes éducationnelles Alternatives aux filtres collaboratifs Utilisation de l’information contextuelle Évaluation de l’impact éducationnel des recommandations Recommandation de classes Examples: 1 analyse de sentiment dans les commentaires pour ajuster les notes, ajout de techniques de graphes Ajout de règles, d’ontologies, relations sémantiques, etc. pour mieux cibler les buts éducationnels et réduit le besoin de grosse db. Ici, se sont les méthodes qui utilisent des méthodes de logique floue, data mining, web mining, chaînes de Markov pour représenter le comportement de l’utilisateur, quelle prochaine ressource il consultera Ajout de méthodes hybrides utilisant les features des items et users évaluer les recommandeurs sur des critères plus qualitatif et user-centered, comme le niveau de progression, les niveaux de completion, le temps prit pour répondre. Recommander des classes en fonction du curriculum de l’utilisateur au lieu de tâches spécifiques

Classification framework Problème: comparer les pommes avec les pommes et les oranges avec les oranges Effectivement, il existe énormément de types d’articles sur les systèmes de recommandation Les auteurs proposent donc un framework de classification des articles pour pouvoir par la suite comparer les articles similaires.

Tiré de l’article Panorama of Recommender Systems to Support Learning

Exemple de Classification Classification au regard des tâches supportés Exemple: recommandation du bon item, recommandation d’un partenaire de révision. Graphe montrant la popularité dans le temps

Conclusion Encore certains challenges dans le domain sont cités dans les articles et sont: Besoin et attentes pédagogiques concernant les recommandeurs Systèmes de recommandation basé sur le context Visualisation et explication de la recommandation Demande pour plus de dataset éducationnels diverses Construire des approches centrées sur l’utilisateur et recommander des activités d’apprentissage qui favorisent la communication et la métacognition utiliser des analyses de sentiment, capteurs, etc. pour enrichir les recommendations La visualisation peut aider à expliquer les résultats en exposant explicitement les relations entre les content et users. Plus de confiance en la recommandation