New prediction and planning for digital learning based on optimization methods

Nouvelle prédiction et planification pour l’apprentissage numérique basées sur des méthodes d’optimisation Cette thèse aborde deux problèmes distincts : les emplois du temps des formations professionnelles et les systèmes de recommandation. Les deux problèmes ont lieu à Mandarine Academy, une société française de technologie éducative qui se spécialise dans les techniques de formation d'entreprise innovantes telles que les plateformes d'apprentissage en ligne personnalisées, la logistique de formation, conférences Web, etc.Nous commençons par le problème des emplois du temps lié à la gestion de la logistique de formation, l'entreprise propose un outil nommé « Dileap Logistic» qui gère automatiquement l'affectation des ressources (salles, enseignants et équipement) aux créneaux horaires (jours et heures) à des endroits précis. Auparavant, cela se faisait manuellement, ce qui prenait beaucoup de temps et donnait des résultats inexacts (mauvais formateurs, mauvais jours ou mauvais équipement).Bien qu'il s'agisse d'un problème NP-Complete, une formulation mathématique du problème a été élaborée après avoir examiné les ouvrages de littérature et les exigences de l'entreprise. Il comprend 18 contraintes (hard/soft) et 5 objectifs, dont deux sont concurrents. Nous évaluons 5 algorithmes évolutifs multi-objectifs (AEMO) en commençant par l'algorithme génétique de tri non dominant (NSGA II et NSGA III), l'algorithme évolutif multi-objectif basé sur la décomposition (MOEA/D), l'algorithme évolutif basé sur des indicateurs (IBEA) et enfin l'algorithme évolutif de Pareto Strength (SPEA 2). Deux opérateurs génétiques personnalisés (pour Mutation et Crossover) ont été proposés et comparés à des opérateurs classiques (PMX et Swap mutation).Une phase de réglage impliquant tous les algorithmes mentionnés ci-dessus est effectuée pour obtenir des configurations d'élite. Les expérimentations sont divisées par taille de problème (petites, moyennes et grandes instances) avec 3 à 5 objectifs testés. Nous discutons de résultats tels que la comparaison de la performance de chaque algorithme ainsi que des graphes de convergence.En plus de proposer des solutions à la logistique de la formation, l'entreprise crée quotidiennement du contenu pédagogique en ligne (vidéos, quiz, documents, etc.) pour soutenir la numérisation des environnements de travail et suivre les tendances actuelles. Avec plus de 550K utilisateurs répartis sur 100 plateformes d'apprentissage. Cependant, avec un catalogue en croissance excessive, des problèmes comme la surcharge d'information peut augmenter le manque de motivation chez les utilisateurs. Mandarine Academy nous a donné accès à l'une de ses plateformes publiques d'apprentissage pour mener nos recherches. Après une analyse de la littérature et une analyse approfondie des données d'utilisateurs. Nous proposons des améliorations à l'expérience utilisateur globale et à l'interface graphique.Des mesures similaires ont été prises dans le cadre des travaux antérieurs de planification du temps sur le moteur de recommandation. Ceci inclut la formulation mathématique d'un problème d'optimisation multi-objectif ayant 5 objectifs (Similarité, Diversité, Nouveauté, Erreur quadratique moyenne racine (RMSE) et Gain cumulé actualisé normalisé (NDCG) et la mise en œuvre de différentes techniques de recommandation pour générer des solutions initiales. Tous les algorithmes évolutifs mentionnés ci-dessus (NSGA II, NSGAIII, IBEA, SPEA2 et MOEA/D) sont évalués dans nos expériences.Les interactions implicites du monde réel sous forme de temps de visionnage sont choisies pour effectuer des prédictions. Les tests ont été exécutés sur deux groupes différents en fonction du comportement de l'utilisateur. Les deux groupes sont utilisés dans la phase de réglage des paramètres et les expérimentations finales. Les premiers résultats de divers objectifs sont prometteurs, compte tenu des scénarios de mode de production et du choix des opérateurs génétiques. Nous discutons davantage des graphes de performance et concluons avec les travaux futurs.