Javascript must be enabled to continue!
ISTOA, modèle notionnel de guidage macroscopique de l'apprentissage
View through CrossRef
Les EIAH sont souvent spécialisés à un domaine bien précis. Cela leur permet d’offrir des modélisations fines du domaine et de l’apprenant. L’analyse alors pro duite à partir des traces est didactiquement très fine et spécifique au domaine en question. Elle permet de guider l’apprenant en cas de difficulté et de lui proposer des activités de soutien. Cependant cette analyse est étroitement liée aux domaines didactiques, et différente d’un domaine à un autre. Dans la diversité des domaines enseignés, comment proposer un modèle tenant compte de cette multitude et permettant une analyse de l’activité de l’élève et son guidage ? Nous proposons une analyse de l’activité de l’élève hors du champ didactique pour un guidage que nous nommons macroscopique, par opposition à une analyse didactique fine. Le guidage proposé est paramétré selon le domaine afin d’être transposable. Notre approche s’appuie sur les réseaux notionnels, les étayages pédagogiques, les traces d’objets et l’inférence sur celles-ci. Leur utilisation conjointe permet la description du domaine, la modélisation de l’apprenant et son pilotage par l’EIAH. Nous présentons cette approche implantée dans iSTOA.
Title: ISTOA, modèle notionnel de guidage macroscopique de l'apprentissage
Description:
Les EIAH sont souvent spécialisés à un domaine bien précis.
Cela leur permet d’offrir des modélisations fines du domaine et de l’apprenant.
L’analyse alors pro duite à partir des traces est didactiquement très fine et spécifique au domaine en question.
Elle permet de guider l’apprenant en cas de difficulté et de lui proposer des activités de soutien.
Cependant cette analyse est étroitement liée aux domaines didactiques, et différente d’un domaine à un autre.
Dans la diversité des domaines enseignés, comment proposer un modèle tenant compte de cette multitude et permettant une analyse de l’activité de l’élève et son guidage ? Nous proposons une analyse de l’activité de l’élève hors du champ didactique pour un guidage que nous nommons macroscopique, par opposition à une analyse didactique fine.
Le guidage proposé est paramétré selon le domaine afin d’être transposable.
Notre approche s’appuie sur les réseaux notionnels, les étayages pédagogiques, les traces d’objets et l’inférence sur celles-ci.
Leur utilisation conjointe permet la description du domaine, la modélisation de l’apprenant et son pilotage par l’EIAH.
Nous présentons cette approche implantée dans iSTOA.
Related Results
Développement de microtechnologies pour l'étude du guidage axonal
Développement de microtechnologies pour l'étude du guidage axonal
Le guidage axonal est un processus très important dans le développement du cerveau, permettant de lui donner sa structure et son organisation. La communauté scientifique des neuros...
Amélioration et personnalisation de l’expérience d’apprentissage sur la base d’une modélisation de l’apprenant prenant en compte l’autorégulation, la collaboration (recommandation, contribution) et l’évaluation.
Amélioration et personnalisation de l’expérience d’apprentissage sur la base d’une modélisation de l’apprenant prenant en compte l’autorégulation, la collaboration (recommandation, contribution) et l’évaluation.
La croissance rapide des plateformes d'apprentissage en ligne a créé de nombreuses opportunités pour les apprenants du monde entier. Cependant, ces plateformes manquent souvent de ...
Elaboration et évaluation de recommandations ergonomiques pour le guidage de l'apprenant en EVAH : application à l'apprentissage de procédure dans le domaine biomédical
Elaboration et évaluation de recommandations ergonomiques pour le guidage de l'apprenant en EVAH : application à l'apprentissage de procédure dans le domaine biomédical
Les environnements virtuels sont des outils de plus en plus fréquemment utilisés dans le domaine de la formation sans que leur conception soit systématiquement guidée par des préco...
Meta-reinforcement learning for social robotics.
Meta-reinforcement learning for social robotics.
Méta-apprentissage par renforcement pour la robotique sociale
Les systèmes de robotique sociale visent à fournir une assistance, à coopérer, à participer à des tâch...
Visual learning in Apis mellifera under virtual reality conditions
Visual learning in Apis mellifera under virtual reality conditions
Apprentissage visuel en réalité virtuelle chez Apis mellifera
Dotées d'un cerveau de moins d'un millimètre cube et contenant environ 950 000 neurones, les abeilles ...
Trustworthy collaborative learning : Personalization, privacy, and robustness at the edge
Trustworthy collaborative learning : Personalization, privacy, and robustness at the edge
Apprentissage collaboratif de confiance : Personnalisation, confidentialité et cobustesse en environnements décentralisés
Il y a une vingtaine d'années, l'émergence...
Méthodes pour le guidage coopératif.
Méthodes pour le guidage coopératif.
L'objectif de cette thèse est de définir puis d'étudier les performances de méthodes de guidage coopératif de véhicules aériens autonomes. L'intérêt du guidage coopératif est de co...
Impact de l’utilisation de GeoGebra sur l’apprentissage des élèves : Cas de la compréhension du concept de fonctions numériques au lycée
Impact de l’utilisation de GeoGebra sur l’apprentissage des élèves : Cas de la compréhension du concept de fonctions numériques au lycée
Des recherches sur l’intégration pédagogique des technologies numériques en enseignement – apprentissage en nombre très important ont donné des preuves que l’utilisation des logici...

