Personnalisation de l’apprentissage en ligne par système de recommandation basé sur l’ontologie, l’analyse de données massives et le web mining

Abstract

Dans le cadre de cette thèse, nous avons travaillé sur les défis et les opportunités liés à l’utilisation des données massives dans l’apprentissage en ligne et les technologies de formation en ligne. Au fil de nos recherches, nous avons constaté que la croissance exponentielle des données liées à l’apprentissage en ligne ouvrait de nouvelles perspectives pour améliorer l’efficacité de ce processus. Toutefois, cette évolution rapide soulignait également les défis cruciaux auxquels il fallait faire face pour exploiter au mieux ces données massives. Pour répondre aux défis de l’apprentissage en ligne, nous avons proposé deux approches novatrices. La première approche, l’ERSDO (système de recommandation pour l’apprentissage en ligne avec des ontologies dynamiques), exploite l’ontologie dynamique et le Web sémantique pour recommander des contenus d’apprentissage personnalisés en fonction des préférences et des besoins des apprenants. Cette approche permet une personnalisation accrue de l’apprentissage et une meilleure adéquation entre les besoins individuels des apprenants et les contenus proposés. La deuxième approche est une méthode de classification des objets d’apprentissage, qui combine une approche de classification multilabel avec la logique floue et des techniques d’exploration du Web pour identifier les objets les plus pertinents afin de répondre aux besoins d’apprentissage des utilisateurs. Cette approche offre une sélection plus précise des objets d’apprentissage en fonction des besoins spécifiques des utilisateurs. En combinant ces deux approches, nous avons ainsi proposé des solutions visant à améliorer l’efficacité et la pertinence de l’apprentissage en ligne.