Suivi oculaire dans le e-learning à l'aide d'algorithmes de Machine Learning

Swiss partners

• Universität St-Gallen: Amine Abbad-Andaloussi (main applicant)

Partners in the MENA region

• Université Cadi Ayyad - Marrakech, Morocco: El Kabtane Hamada (main applicant)

Presentation of the project

Ces dernières années, l'apprentissage en ligne est devenu un point important dans le domaine des sciences cognitives et de la recherche comportementale. L'étude de l'impact des caractéristiques individuelles telles que les différents styles d'apprentissage, les habitudes d'apprentissage, la volonté et les émotions sur l'e-learning peut permettre d'optimiser les parcours d'e-learning en fournissant une compréhension approfondie des exigences, des préférences et des processus de prise de décision des apprenants. Cependant, l'objectif ultime de la plupart des études tendait à améliorer l'environnement externe de l'e-learning, et très peu de travaux donnaient des recommandations pour les apprenants eux-mêmes. Ce projet explore l'utilisation du suivi oculaire « Eye tracking », associé à des algorithmes de Machine Learning (ML), pour améliorer l'efficacité de l’e-learning. Cette recherche sur les comportements en matière d’e-learning est nécessaire pour mieux faciliter l'efficacité de l'enseignement et la qualité de l'apprentissage. Les comportements opérationnels des apprenants lorsqu'ils s'engagent dans l'e-learning sont considérés comme des comportements d'apprentissage. On peut prétendre que les diverses caractéristiques individuelles des apprenants peuvent conduire à des comportements d'apprentissage distincts lorsqu'ils accèdent à du matériel d'e-learning, ce qui peut potentiellement avoir un impact sur leurs performances en matière d'e-learning.

Notre projet s'inscrit dans la tendance de l'apprentissage personnalisé, vise à améliorer l'expérience d’e-learning et augmenter les niveaux d'intégration et d’engagement des apprenants grâce aux technologies de pointe. Il peut également permettre d’évaluer les performances en ligne des apprenants en garantissant une bonne estimation et la crédibilité des notes. Par ailleurs, vis-à-vis des apprenants à besoins spécifiques, leur détection précoce et le suivi des enseignements contribuera à l’inclusivité de cette catégorie très tôt dans le processus d’apprentissage. Afin d’associer les algorithmes ML, en e-Learning un travail laborieux sera consacré à la construction d’une base de données fiable et significative. Comme deuxième étape on développera des modèles de ML pour analyser les parcours oculaires et identifier le mode d'apprentissage à adopter.