@inproceedings{bouarour-etal-2025-recommandation,
title = "Recommandation de tests multi-objectifs pour l{'}apprentissage adaptatif",
author = "Bouarour, Nassim and
Benouaret, Idir and
Amer-Yahia, Sihem",
editor = "Bechet, Fr{\'e}d{\'e}ric and
Chifu, Adrian-Gabriel and
Pinel-sauvagnat, Karen and
Favre, Benoit and
Maes, Eliot and
Nurbakova, Diana",
booktitle = "Actes de l'atelier Intelligence Artificielle g{\'e}n{\'e}rative et {\'E}DUcation : Enjeux, D{\'e}fis et Perspectives de Recherche 2025 (IA-{\'E}DU)",
month = "6",
year = "2025",
address = "Marseille, France",
publisher = "ATALA {\textbackslash}{\textbackslash}{\&} ARIA",
url = "https://aclanthology.org/2025.jeptalnrecital-iaedu.11/",
pages = "94--97",
language = "fra",
abstract = "L{'}am{\'e}lioration des comp{\'e}tences (upskilling) est un segment en forte croissance en {\'e}ducation. Pourtant, peu de travaux algorithmiques se concentrent sur l'{\'e}laboration de strat{\'e}gies d{\'e}di{\'e}es pour atteindre une ma{\^i}trise avanc{\'e}e des comp{\'e}tences. Dans cet article, nous formalisons AdUp, un probl{\`e}me d{'}am{\'e}lioration it{\'e}rative des comp{\'e}tences combinant l{'}apprentissage par ma{\^i}trise et la th{\'e}orie de la Zone de D{\'e}veloppement Proximal. Nous {\'e}tendons nos travaux pr{\'e}c{\'e}dents et concevons deux solutions pour AdUp : MOO et MAB.MOO est une approche d{'}optimisation multi-objectifs qui utilise une m{\'e}thode de Hill Climbing pour adapter la difficult{\'e} des tests recommand{\'e}s selon 3 objectifs : la performance pr{\'e}dite de l{'}apprenant, son aptitude, et son gap. MAB est une approche bas{\'e}e sur les bandits manchots (Multi-Armed Bandits) permettant d{'}apprendre la meilleure combinaison d{'}objectifs {\`a} optimiser {\`a} chaque it{\'e}ration. Nous montrons comment ces solutions peuvent {\^e}tre coupl{\'e}es avec deux mod{\`e}les courants de simulation d{'}apprenants : BKT et IRT. Nos exp{\'e}rimentations d{\'e}montrent la n{\'e}cessit{\'e} de prendre en compte les 3 objectifs et d{'}adapter dynamiquement les objectifs d{'}optimisation aux capacit{\'e}s de progression de l{'}apprenant, car MAB permet un taux de ma{\^i}trise plus {\'e}lev{\'e}."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="bouarour-etal-2025-recommandation">
<titleInfo>
<title>Recommandation de tests multi-objectifs pour l’apprentissage adaptatif</title>
</titleInfo>
<name type="personal">
<namePart type="given">Nassim</namePart>
<namePart type="family">Bouarour</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Idir</namePart>
<namePart type="family">Benouaret</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Sihem</namePart>
<namePart type="family">Amer-Yahia</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2025-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de l’atelier Intelligence Artificielle générative et ÉDUcation : Enjeux, Défis et Perspectives de Recherche 2025 (IA-ÉDU)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Frédéric</namePart>
<namePart type="family">Bechet</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Adrian-Gabriel</namePart>
<namePart type="family">Chifu</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Karen</namePart>
<namePart type="family">Pinel-sauvagnat</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Benoit</namePart>
<namePart type="family">Favre</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Eliot</namePart>
<namePart type="family">Maes</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Diana</namePart>
<namePart type="family">Nurbakova</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA \textbackslash\textbackslash& ARIA</publisher>
<place>
<placeTerm type="text">Marseille, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>L’amélioration des compétences (upskilling) est un segment en forte croissance en éducation. Pourtant, peu de travaux algorithmiques se concentrent sur l’élaboration de stratégies dédiées pour atteindre une maîtrise avancée des compétences. Dans cet article, nous formalisons AdUp, un problème d’amélioration itérative des compétences combinant l’apprentissage par maîtrise et la théorie de la Zone de Développement Proximal. Nous étendons nos travaux précédents et concevons deux solutions pour AdUp : MOO et MAB.MOO est une approche d’optimisation multi-objectifs qui utilise une méthode de Hill Climbing pour adapter la difficulté des tests recommandés selon 3 objectifs : la performance prédite de l’apprenant, son aptitude, et son gap. MAB est une approche basée sur les bandits manchots (Multi-Armed Bandits) permettant d’apprendre la meilleure combinaison d’objectifs à optimiser à chaque itération. Nous montrons comment ces solutions peuvent être couplées avec deux modèles courants de simulation d’apprenants : BKT et IRT. Nos expérimentations démontrent la nécessité de prendre en compte les 3 objectifs et d’adapter dynamiquement les objectifs d’optimisation aux capacités de progression de l’apprenant, car MAB permet un taux de maîtrise plus élevé.</abstract>
<identifier type="citekey">bouarour-etal-2025-recommandation</identifier>
<location>
<url>https://aclanthology.org/2025.jeptalnrecital-iaedu.11/</url>
</location>
<part>
<date>2025-6</date>
<extent unit="page">
<start>94</start>
<end>97</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Recommandation de tests multi-objectifs pour l’apprentissage adaptatif
%A Bouarour, Nassim
%A Benouaret, Idir
%A Amer-Yahia, Sihem
%Y Bechet, Frédéric
%Y Chifu, Adrian-Gabriel
%Y Pinel-sauvagnat, Karen
%Y Favre, Benoit
%Y Maes, Eliot
%Y Nurbakova, Diana
%S Actes de l’atelier Intelligence Artificielle générative et ÉDUcation : Enjeux, Défis et Perspectives de Recherche 2025 (IA-ÉDU)
%D 2025
%8 June
%I ATALA \textbackslash\textbackslash& ARIA
%C Marseille, France
%G fra
%F bouarour-etal-2025-recommandation
%X L’amélioration des compétences (upskilling) est un segment en forte croissance en éducation. Pourtant, peu de travaux algorithmiques se concentrent sur l’élaboration de stratégies dédiées pour atteindre une maîtrise avancée des compétences. Dans cet article, nous formalisons AdUp, un problème d’amélioration itérative des compétences combinant l’apprentissage par maîtrise et la théorie de la Zone de Développement Proximal. Nous étendons nos travaux précédents et concevons deux solutions pour AdUp : MOO et MAB.MOO est une approche d’optimisation multi-objectifs qui utilise une méthode de Hill Climbing pour adapter la difficulté des tests recommandés selon 3 objectifs : la performance prédite de l’apprenant, son aptitude, et son gap. MAB est une approche basée sur les bandits manchots (Multi-Armed Bandits) permettant d’apprendre la meilleure combinaison d’objectifs à optimiser à chaque itération. Nous montrons comment ces solutions peuvent être couplées avec deux modèles courants de simulation d’apprenants : BKT et IRT. Nos expérimentations démontrent la nécessité de prendre en compte les 3 objectifs et d’adapter dynamiquement les objectifs d’optimisation aux capacités de progression de l’apprenant, car MAB permet un taux de maîtrise plus élevé.
%U https://aclanthology.org/2025.jeptalnrecital-iaedu.11/
%P 94-97
Markdown (Informal)
[Recommandation de tests multi-objectifs pour l’apprentissage adaptatif](https://aclanthology.org/2025.jeptalnrecital-iaedu.11/) (Bouarour et al., JEP/TALN/RECITAL 2025)
ACL