|
Résumé :
La modélisation de comportements cognitifs s'effectue souvent à partir de la trace laissée par le sujet sur une procédure ou une interface informatique. Lorsque cette modélisation est appuyée par un apprentissage machine, un problème central est d'identifier parmi toutes les traces recueillies un ensemble cohérent et complet de descripteurs, afin de réaliser un traitement machine performant et d'obtenir une modélisation pertinente. Ce rapport de stage traite du problème de la sélection de variables dans la classification automatique de comportements d'élèves, dans le cadre d'un projet didactique s'appuyant sur un logiciel pédagogique d'algèbre. Une bibliographie sur les techniques de classification et de Sélection de Variable ouvre le rapport. Une étude expérimentale sur des données synthétiques montre ensuite l'impact des traits non pertinents (que nous appellerons traits de bruit) et des hautes dimensions sur la performance des algorithmes de classification classiques, et en particulier le SuperParamagnetic Clustering (SPC) utilisé dans le cadre du projet. La deuxième partie du travail revient aux données réelles du projet recueillies à partir du comportement des élèves, et s'appuie sur des outils de statistique et de Sélection de Variable pour dégager le meilleur langage de description du comportement cognitif de l'élève en algèbre.
|