Effort cognitif réel dans les tiers-lieux numériques éducatifs : modélisation multimodale, personnalisée et explicable par apprentissage automatique

Mots clés

Apprentissage automatique, Données multimodales, Effort cognitif réel, IA explicable

Détail de l'offre

Ce projet de thèse se situe à l'intersection de l'intelligence artificielle, des sciences cognitives et des sciences de l'éducation. Il vise à développer des modèles d'apprentissage automatique multimodaux, personnalisés, robustes et explicables pour estimer l'effort cognitif réel des apprenants dans des environnements d'apprentissage numériques hybrides, notamment les tiers-lieux numériques éducatifs.
L'effort cognitif joue un rôle central dans l'engagement des apprenants : il conditionne la profondeur du traitement de l'information, la consolidation des connaissances et la capacité à transférer les apprentissages. Pourtant, cet effort est difficile à observer directement et est le plus souvent approximé par des mesures subjectives (questionnaires d'auto-évaluation, échelles de charge mentale), dont la fiabilité est limitée par des biais de perception, de comparaison sociale ou de contexte. La littérature distingue ainsi l'effort réel avec les ressources cognitives effectivement mobilisées de l'effort perçu et la perception subjective qu'en a l'apprenant, concernant ces deux dimensions qui peuvent fortement diverger.
Les environnements d'apprentissage numériques génèrent aujourd'hui de grandes quantités de traces d'interaction : logs de navigation, réponses à des questionnaires, signaux physiologiques (fréquence cardiaque, activité électrodermale), indicateurs de performance. Ces données hétérogènes, encore rarement exploitées de manière intégrée, constituent un matériau riche pour estimer l'effort cognitif réel de façon plus objective et personnalisée.
Trois défis scientifiques principaux structurent ce projet. Le premier consiste à formaliser un cadre conceptuel robuste de l'effort cognitif réel, distinguant clairement effort réel et effort perçu, en intégrant les biais individuels (profil, motivation, état émotionnel) et contextuels (tâche, dispositif technique), et en définissant un ensemble cohérent d'indicateurs observables exploitables par des modèles d'IA. Le deuxième défi porte sur la conception de modèles d'apprentissage automatique multimodaux et personnalisés, capables de fusionner des données subjectives, comportementales, physiologiques et de performance, de capturer les dynamiques temporelles de l'effort, et de maintenir un équilibre entre précision, robustesse et complexité computationnelle. Le troisième défi concerne l'intégration des principes de l'IA responsable dès la conception : explicabilité des prédictions pour les enseignants et chercheurs en éducation, détection et réduction des biais (genre, niveau académique, contexte socio-économique), et évaluation de l'impact pédagogique et éthique des indicateurs produits.
Les travaux seront organisés sur trois ans : une première année dédiée à la revue de littérature interdisciplinaire, à la formalisation du cadre conceptuel et à la conception du protocole de collecte de données ; une deuxième année consacrée au développement et à la comparaison d'architectures de modèles multimodaux (modèles séquentiels, architectures profondes, modèles à facteurs latents) et à l'intégration de la personnalisation ; une troisième année focalisée sur les méthodes d'explicabilité, l'analyse des biais, les stratégies de mitigation et l'évaluation de l'acceptabilité des indicateurs par les parties prenantes éducatives.
Ce projet s'inscrit dans les ambitions du cluster ENACT et vise à produire des outils concrets d'aide à la décision pédagogique, plus adaptatifs, équitables et transparents.