AI-driven approach for learner ‘s profile personalization within MOOC integrating social media information

Abstract

L'apprentissage en ligne a révolutionné l'éducation en offrant des possibilités d'apprentissage accessibles et flexibles. Les apprenants peuvent accéder à diverses ressources et bénéficier d'expériences personnalisées, grâce aux avancées technologiques de pointe. Il favorise l'apprentissage tout au long de la vie et le développement professionnel, tout en encourageant la collaboration et le travail en réseau entre les apprenants. L'apprentissage en ligne s'est avéré rentable et résilient en cas de perturbation COVID 19. Par conséquent, l'apprentissage en ligne est devenu une partie intégrante de l'éducation moderne, offrant des expériences d'apprentissage pratiques, inclusives et engageantes pour les apprenants du monde entier. Cependant, les taux d'abandon dans les MOOC restent un défi en raison de facteurs tels que le manque de motivation et d'engagement continus, la diminution des interactions sociales et les recommandations de contenu impersonnalisées. Pour résoudre ces problèmes, notre approche de recherche explore l'intersection des MOOC et des médias sociaux en utilisant des approches basées sur l'IA. Nous visons à enrichir l'expérience des apprenants au sein des MOOC en tirant parti des techniques d'IA, telles que les ontologies, la modélisation des sujets, le traitement du langage naturel (NLP) et les systèmes de recommandation. Par conséquent, l'intégration des médias sociaux dans les plateformes de MOOC stimulera l'engagement et la personnalisation. Pour mettre en oeuvre notre approche, nous avons d'abord utilisé l'ontologie comme base d'IA pour le contenu de la base de connaissances, afin de développer une ontologie globale et complète qui représente les profils sociaux des apprenants. Cette ontologie intègre de nombreuses techniques d'ingénierie telles que la cartographie et la fusion d'ontologies pour englober un large éventail d'attributs, y compris des informations démographiques, des intérêts, des préférences, des styles d'apprentissage, des connexions sociales, etc. Notre objectif principal est de créer une vue holistique de chaque apprenant, permettant une expérience d'apprentissage plus adaptée et personnalisée. Sur la base de l'ontologie précédente, nous proposons un modèle de sujet de cours (CTM) utilisant des techniques de modélisation de sujet et de NLP pour identifier et détecter les cours d'intérêt des apprenants à partir de leurs interactions spontanées dans les médias sociaux, en particulier Twitter. Nous mettons en oeuvre de nombreuses méthodes d'apprentissage automatique non supervisées telles que l'allocation de Dirichlet latent (LDA), l'analyse sémantique latente (LSA) et BERTopic après avoir appliqué un pipeline NLP sur les tweets partagés par les apprenants. L'évaluation des modèles révèle que le modèle BERTopic est plus performant sur l'ensemble de données mis au rebut et leurs résultats sont utilisés pour générer le modèle de sujet de cours. Dans cette étape, nous obtenons des informations plus approfondies sur les préférences des apprenants afin de nous aligner plus étroitement sur leurs besoins et aspirations individuels. Les résultats des deux contributions (l'ontologie des profils sociaux (SPOnt) et le modèle des thèmes de cours (CTM)) pourraient être utilisés pour enrichir le processus de recommandation utilisé aujourd'hui dans l'environnement MOOC.