GAGAOUA IKRAM CHERIFA


14h00

Soutenance de thèse de IKRAM CHERIFA GAGAOUA

Modélisation prédictive dans les environnements éducatifs : vers des approches fiables et adaptatives

Predictive Modeling in Educational Environments: Towards Reliable and Adaptive Approaches

Jury

Directeur de these_BRUN_Armelle_Université de Lorraine
Rapporteur_IKSAL_Sébastien_Université du Mans
Rapporteur_CLEUZIOU_Guillaume_ Université d'Orléans
Examinateur_SMAIL-TABBONE_Malika _Université de Lorraine



école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

Laboratoire

LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications

Mention de diplôme

Informatique
A08 615, rue du Jardin Botanique 54600 Villers-lès-Nancy
*

Mots clés

intelligence artificielle en éducation,fiabilité des modèles prédictifs,incertitude des prédictions,frugalité,sélection dynamique des caractéristiques,apprentissage incrémental

Résumé de la thèse

Les environnements d'apprentissage numériques génèrent aujourd'hui une grande quantité de traces, permettant d'entraîner des modèles prédictifs capables d'accompagner les apprenants tout au long de leur parcours. Pourtant, ces modèles restent confrontés à plusieurs défis qui conditionnent leur utilisation en situation réelle. Cette thèse se consacre à l'étude de ces défis, et propose des approches visant à améliorer la qualité et la fiabilité des prédictions produites dans des environnements d'apprentissage virtuels.

Keywords

artificial intelligence in education,predictive model reliability,predictive uncertainty,frugality,dynamic feature selection,incremental learning

Abstract

Virtual learning environments now produce large volumes of trace data, enabling the development of predictive models that can support learners throughout their journeys. Despite this potential, such models still face several challenges that limit their effective deployment in real-world settings. This thesis examines these challenges and introduces methodological approaches designed to improve the quality and reliability of predictions in virtual learning environments.