@inproceedings{ait-chabane-etal-2025-apprentissage,
title = "Apprentissage par renforcement contraint guid{\'e} par un graphe de connaissances pour personnaliser les parcours d{'}apprentissage",
author = "Ait Chabane, Rania and
Brun, Armelle and
Roussanaly, Azim",
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.3/",
pages = "17--20",
language = "fra",
abstract = "Ce travail pr{\'e}sente une architecture d{'}apprentissage adaptatif combinant graphes de connaissances enrichis et contraintes p{\'e}dagogiques dans un cadre d{'}apprentissage par renforcement. Le graphe est construit {\`a} partir de ressources expertes (ex. manuel scolaire) et enrichi automatiquement par un mod{\`e}le de langage pour compl{\'e}ter les relations et inf{\'e}rer des contraintes. Un module de knowledge tracing estime la progression de l{'}apprenant vers un objectif p{\'e}dagogique donn{\'e}. Un agent de renforcement, entra{\^i}n{\'e} en environnement simul{\'e}, recommande des activit{\'e}s en maximisant la progression attendue tout en respectant les contraintes. Cette approche vise {\`a} renforcer la pertinence, la diversit{\'e} et l{'}explicabilit{\'e} des parcours propos{\'e}s. Une {\'e}valuation sur des jeux de donn{\'e}es r{\'e}els est pr{\'e}vue en travaux futurs."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="ait-chabane-etal-2025-apprentissage">
<titleInfo>
<title>Apprentissage par renforcement contraint guidé par un graphe de connaissances pour personnaliser les parcours d’apprentissage</title>
</titleInfo>
<name type="personal">
<namePart type="given">Rania</namePart>
<namePart type="family">Ait Chabane</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Armelle</namePart>
<namePart type="family">Brun</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Azim</namePart>
<namePart type="family">Roussanaly</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>Ce travail présente une architecture d’apprentissage adaptatif combinant graphes de connaissances enrichis et contraintes pédagogiques dans un cadre d’apprentissage par renforcement. Le graphe est construit à partir de ressources expertes (ex. manuel scolaire) et enrichi automatiquement par un modèle de langage pour compléter les relations et inférer des contraintes. Un module de knowledge tracing estime la progression de l’apprenant vers un objectif pédagogique donné. Un agent de renforcement, entraîné en environnement simulé, recommande des activités en maximisant la progression attendue tout en respectant les contraintes. Cette approche vise à renforcer la pertinence, la diversité et l’explicabilité des parcours proposés. Une évaluation sur des jeux de données réels est prévue en travaux futurs.</abstract>
<identifier type="citekey">ait-chabane-etal-2025-apprentissage</identifier>
<location>
<url>https://aclanthology.org/2025.jeptalnrecital-iaedu.3/</url>
</location>
<part>
<date>2025-6</date>
<extent unit="page">
<start>17</start>
<end>20</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Apprentissage par renforcement contraint guidé par un graphe de connaissances pour personnaliser les parcours d’apprentissage
%A Ait Chabane, Rania
%A Brun, Armelle
%A Roussanaly, Azim
%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 ait-chabane-etal-2025-apprentissage
%X Ce travail présente une architecture d’apprentissage adaptatif combinant graphes de connaissances enrichis et contraintes pédagogiques dans un cadre d’apprentissage par renforcement. Le graphe est construit à partir de ressources expertes (ex. manuel scolaire) et enrichi automatiquement par un modèle de langage pour compléter les relations et inférer des contraintes. Un module de knowledge tracing estime la progression de l’apprenant vers un objectif pédagogique donné. Un agent de renforcement, entraîné en environnement simulé, recommande des activités en maximisant la progression attendue tout en respectant les contraintes. Cette approche vise à renforcer la pertinence, la diversité et l’explicabilité des parcours proposés. Une évaluation sur des jeux de données réels est prévue en travaux futurs.
%U https://aclanthology.org/2025.jeptalnrecital-iaedu.3/
%P 17-20
Markdown (Informal)
[Apprentissage par renforcement contraint guidé par un graphe de connaissances pour personnaliser les parcours d’apprentissage](https://aclanthology.org/2025.jeptalnrecital-iaedu.3/) (Ait Chabane et al., JEP/TALN/RECITAL 2025)
ACL