Accueil

POEM (pour Personalised Open education for the Masses) est une des plateformes de l'écosystème éducationnel de l'UniTwin CS-DC de l'UNESCO Lien vers la plateforme POEM v3

(lien vers l'ancienne plateforme POEM v1)

Présentation de POEM sur prezi.

Tutoriel POEM participant sur [1].

Présentation de POEM dans une vidéo de 15mn

Les 13 et 14 octobre 2016 se tenait une conférence au Ministère de l'Éducation Nationale, de l'Enseignement Supérieur et de la Recherche sur les stratégies du numérique dans l'enseignement supérieur, en France et à l'international. La présentation de 15mn effectuée par Pierre Collet pour présenter POEM peut être visionnée ici.

Contexte

L’évolution rapide de la science, l’ingénierie, l’économie et la société à l’époque de la globalisation demande aussi une évolution rapide des compétences et donc requiert une éducation massive tout au long de la vie et des formations continues à des savoir-faire. Mais l’éducation doit aussi devenir véritablement personnalisée pour maîtriser les différentes compétences dans un monde technologique devenant toujours plus sophistiqué et diversifié. Le but de POEM est de proposer un système de gestion de l’apprentissage pour une éducation massive et personnalisée. En d’autres termes, cette plateforme a pour objet de réconcilier l’éducation de masse – qui s’est fortement développée ces dernières années avec les MOOCS (Massive Open Online Courses) – avec l’éducation personnalisée.

L’éducation personnalisée doit répondre à certains besoin, tels que ceux auxquels répondaient les précepteurs autrefois : en premier lieu, un investissement personnel fort est attendu des étudiants, à travers une participation active à leur propre éducation ; dans un second temps, des stratégies prédictives permettent de faire des hypothèses sur le prochain pas à faire pour acquérir le meilleur niveau de compétence dans le domaine de prédilection de chaque étudiant ; enfin, des stratégies préventives doivent permettre d’éviter des difficultés futures, et notamment des abandons. Cette éducation Participative, Prédictive, Préventive et Personnalisée est l’éducation 4P, ou plus simplement une éducation personnalisée, si l’emphase est mise non pas sur les pré-conditions mais sur le résultat.

Les notions d’éducation de masse et d’éducation personnalisée peuvent sembler être antagonistes, mais elles sont en fait en synergie. Sans un très grand nombre de trajectoires éducatives précédentes observées (données obtenues grâce à une éducation de masse), l’écosystème éducationnel ne sera pas en mesure de prédire le meilleur futur pour une nouvelle trajectoire. La meilleure prédiction requiert l’assimilation d’un grand nombre de ces trajectoires. Ainsi, la participation de chacun à un tel écosystème éducationnel est souhaitable, pour permettre à tous, à n’importe quel âge, de continuer à s’éduquer, pour apprendre activement et rapidement plus que ces personnes ne sachent déjà. Une telle synergie entre l’éducation de masse et l’éducation personnalisée n’est possible qu’à travers une plateforme sociale et intelligente telle que proposée avec POEM. Cette plateforme pour une éducation de masse personnalisée doit être un écosystème éducationnel :

• massivement participatif ;
• prédictif ;
• préventif
• personnalisé avec des mesures de qualité multi-niveau

Objectifs de la plateforme POEM

Le but premier de POEM est de mettre à disposition une plateforme sociale et intelligente pour un écosystème éducationnel massif et personnalisé.

Un écosystème éducationnel massif et personnalisé

L’écosystème éducationnel implique les étudiants dans de nombreuses activités individuelles et collectives, pour leur propre bénéfice : l’évaluation, l’inter-tutorat et la construction de cartes de la connaissance dynamiques. Toutes ces activités sont liées aux fonctions principales de l’écosystème éducationnel :

• La construction et la visualisation de cartes de la connaissances dynamique du domaine et, à l’intérieur, l’individu, les MOOCS et les trajectoires. Cette fonction est utile pour les étudiants lorsqu’ils doivent faire des choix personnalisés et aux professeurs pour étudier la cohérence de leurs cours au sein d’un parcours ou de la cohérence entre plusieurs parcours. De manière concomitante, l’apport de source par les étudiants est utile pour extraire le contenu d’un nouveau domaine afin de construire une nouvelle carte de la connaissance.
• L’inter-tutorat : chaque étudiant a un tuteur qui est étudiant dans le même parcours mais à un niveau plus avancé. Chaque étudiant peut poser des questions à son tuteur. Si le tuteur ne peut répondre, il pose la question à son propre tuteur, jusqu'à ce que la question remonte à l’enseignant si besoin.
• L’évaluation produit un ensemble de succès et d’échec le long des trajectoires personnalisées des étudiant. Des évaluations automatiques variées sont proposées : QCM, réponses ouvertes à des questions ouvertes, corrections automatiques d’exercices. Mais l’évaluation pair à pair est aussi utilisée soit parce que c’est un meilleur type d’évaluation, soit pour la comparer avec une évaluation automatique jusqu’à ce qu’il n’y ait plus de doute sur la meilleure méthode possible. L’évaluation pair à pair est reconnue comme donnant des bénéfices mutuels. Indépendamment de la méthode d’évaluation, cette méthode permet de donner lieu à un ordre des niveaux de compétences tels que les points ELO ou encore les classements au tennis. Les niveaux de compétences des étudiants et les niveaux de compétences requis pour les tests évoluent conjointement jusqu’à ce que les étudiants à un niveau de compétences réussissent le test du même niveau.
• Les activités individuelles et mutuelles sont observées par l’écosystème éducationnel. La création de profils individuels intégrés (comprenant un niveau de compétences) est possible via l’assimilation de données de trajectoires éducationnelles des individus. De la même manière, l’assimilation de données sur les activités mutuelles permettent la création de profils sociaux (comprenant un niveau de réputation). Le niveau de réputation d’un tuteur augmente proportionnellement à la rapidité avec laquelle ses étudiants augmentent leurs niveaux de compétences.

Un écosystème éducationnel prédictif

Un critère de qualité essentiel d’une éducation personnalisée est le niveau de compétence maximal en cas de succès sur le meilleur parcours préféré. Ce niveau maximum est obtenu via la meilleure trajectoire individuelle. Le problème principal est le même que celui que l’on observait avec les précepteurs: il faut être capable de déterminer, pour un étudiant, un nombre limité d’étapes à franchir pour sa meilleure trajectoire. POEM suppose que, pour un profil individuel donné, le meilleur choix pour une prochaine étape est déterminé par une distribution des choix des apprenant précédents qui avait un profil similaire. Cette conjecture est le problème de l’hommilière pour l’éducation personnalisée, car il est similaire avec les comportements collectifs de fourmis. Cela signifie que l’écosystème éducationnel joue le même rôle qu’un précepteur, en collectant toutes les trajectoires individuelles, en les catégorisant à un temps t via les profils personnels et utilise une distribution empirique des étapes suivantes observées dans les trajectoires précédentes de profils similaires. L’opération la plus difficile est la catégorisation. Ce principe se tient lorsque le nombre de trajectoires éducationnelles tend vers l’infini. Cela n’est pourtant jamais le cas puisque les cartes de la connaissances ne sont jamais stationnaires à cause de nouveaux sujets populaires fournis par la participation des étudiants. Les étudiants peuvent observer les trajectoires scientifiques de ces sujets et même observer comment d’anciens sujets évoluent en étant séparés en de nouveaux domaines.

Un écosystème éducationnel préventif

L’autre critère d’évaluation essentiel de l’éducation personnalisée est le taux d’échec minimum sur le meilleur parcours préféré. L’indicateur à prédire et vérifier est la probabilité d’abandon et, de façon secondaire, la distribution prédite des probabilités du temps pour abandonner le parcours. Si cette probabilité d’abandon augmente au delà d’un certain seuil, la prévention consiste à commencer par offrir à l’apprenant des exercices d'entraînement de rattrapage afin de prévenir l’échec. Si la probabilité d’échec continue à augmenter, des contacts réguliers avec un tuteur ayant un niveau de réputation plus élevée sont prévus. Si la probabilité d’abandon dépasse le seuil suivant, l’apprenant est mis en contact avec l’enseignant. Ce processus de prévention est similaire avec les processus utilisés en médecine préventive.

Un écosystème éducationnel 4P et ses mesures de qualité multi-niveaux

Comme nous l’avons déjà établi, les deux critères principaux de performance d’un individu sont ses succès et échecs ainsi que les niveaux de compétences acquis en cas de succès. La performance d’un MOOC, d’un parcours ou d’un écosystème éducationnel personnalisé est simplement la moyenne des performances individuelles. Si un MOOC a une mauvaise performance, les mesures psychophysiques et neurophysiques dans le projet peut permettre de diagnostiquer quelles parties ont le moins bénéficiées de l’attention des étudiants. L’utilisation de critères de performance clairs est un facteur crucial pour une amélioration constante d’un parcours ou d’un écosystème éducationnel personnalisé. De tels écosystèmes éducationnels personnalisés tirent avantage à la fois des MOOC connexionnistes avec leur activités participatives et des MOOCS traditionnels avec leur évaluation automatiques. Les techniques pour l’évaluation des QCM, des réponses ouvertes à des questions ouvertes et aux exercices iront bien au delà de l’état de l’art ; il en sera de même pour l’éducation personnalisée avec pour résultat, une éducation personnalisée à large échelle dans les années à venir.

L’approche proposée par POEM permet de changer radicalement la vision de l’enseignement qu’ont les étudiants: Les étudiants vont pouvoir bénéficier de trajectoires à la carte, qu’ils pourront parcourir à leur rythme, suivant leurs capacités et leurs connaissances antérieures (le système sautera des étapes pour les meilleurs, ajoutera des étapes pour ceux qui en ont besoin et proposera une remédiation s’il détecte des lacunes). L’inter-tutorat permettra aux étudiants démarrant dans le cursus de pouvoir s’adresser à un interlocuteur humain à qui poser leurs questions (un autre étudiant plus avancé dans le même cursus), et aux étudiants en fin de cursus d’endosser le rôle de l’enseignant, et ce faisant, de mieux comprendre et de prendre du recul sur le contenu de leurs cours. Enfin, l’approche participative permettra non seulement de déterminer les meilleures trajectoires globales pour une discipline particulière, mais proposera aussi aux très bons étudiants d’enrichir les contenus, en utilisant des termes qui pourraient être mieux adaptés à leur classe d’âge, à leur vocabulaire, à leurs références, pour une transmission des savoirs plus efficace. Ces points conjugués permettront d’impliquer les étudiants, leur permettant ainsi de mieux intégrer les notions proposées par les enseignants. Une évaluation pair à pair enrichissante est proposée pour que la formation puisse s’effectuer dans les meilleures conditions indépendamment du nombre d’étudiants (on propose aux étudiants de poser des questions qui viennent s’ajouter à une base de questions validées par l’équipe enseignante, que l’on utilise suivant le principe des re- captchas). Des tests ont déjà été effectués auprès d’étudiants de Master du Professeur Collet avec des retours très positifs.

Mise en œuvre

MOOCS

Dans les temps anciens, l’éducation était personnalisée par l’intermédiaire des précepteurs. Le 19ème siècle a vu se développer un enseignement de masse avec l'école publique pour tous. Dans le primaire et le secondaire, elle permet à un professeur d'enseigner à des classes entières de 30 à 40 élèves, et dans le supérieur, à des amphithéâtres pouvant comporter plusieurs centaines d'étudiants (cas de la faculté de médecine de Strasbourg par exemple, qui doit gérer de très gros effectifs). Avec le XXIème siècle et la révolution du numérique, tout un chacun peut avoir accès à la quasi-totalité des savoirs, par le biais des ordinateurs et d'Internet. Ainsi, il n'est plus besoin d'assister physiquement à un cours ou à un séminaire, ni d'être dans la même pièce pour résoudre un problème difficile avec d'autres. Depuis quelques années, des millions d'étudiants se sont inscrits dans des MOOCs proposés par les universités les plus renommées. Tout possesseur d'un ordinateur, d'une tablette voire d'un portable connecté peut maintenant assister à un cours ou à un séminaire mis à disposition sur le web. Il peut faire les exercices correspondant à chaque étape d'un cours et les problèmes à la fin d'un chapitre de cours. Il peut s'attaquer à un problème vraiment difficile ensemble avec d'autres apprenants à distance dans le même réseau social. Il peut enfin, seul ou avec d'autres dans le même réseau social, proposer de nouveaux exercices et problèmes de différentes difficultés. Mais malheureusement, les cours proposés sont identiques pour tous. Aucune plateforme ne tient réellement compte des spécificités de chacun, de ses inclinations, de ses compétences pré- existantes, de son expérience. Là où certains cours en amphi concernent plusieurs centaines d’étudiants, un MOOC va pouvoir s’adresser à 100 000 étudiants qui devront suivre le même parcours pédagogique. De plus, le cours nécessite toujours de la part de l’équipe enseignante un effort pédagogique pour assurer une progressivité et une continuité dans les contenus.

Écosystème auto-adaptatif pour une éducation personnalisée

Mais un MOOC peut aussi être considéré comme un écosystème éducationnel qui permet d'observer — aux différentes échelles de temps et de population d'apprenants — les cohortes de trajectoires d'apprentissage des apprenants. À partir de ces cohortes, les méthodes d’apprentissage informatiques permettent de mesurer la difficulté des exercices et le niveau de difficulté à laquelle les apprenants peuvent faire face ainsi que leurs temps moyens de résolution selon la difficulté. Elles peuvent ainsi offrir aux étudiants une expérience personnalisée permettant d’optimiser leur progression et leurs temps de résolution des problèmes posés. Un tel écosystème permet aussi, au niveau global, d'observer les progressions des apprenants et la progression du niveau de difficulté des nouveaux exercices et problèmes proposés pour, en harmonie, s'adapter à la progression des performances moyennes et à l'apparition de nouveaux domaines pour la résolution de problèmes. Cela revient à conjecturer une progression comme c’est la règle pour les systèmes co-évolutifs et co-adaptatifs. Il faut l’observer à toutes les échelles pour améliorer au mieux cette progression. En 2000, la société Paraschool, alors leader de l’e-learning en France avait besoin d’un système autonomique apte à gérer le nombre grandissant de leurs élèves inscrits (de 50.000 à 500.000 en 5 ans) et des items pédagogiques offerts par leur logiciel (plus de 8.000 pages web couvrant l’ensemble du programme de l’Éducation Nationale de la 4è à la terminale). Nous leur avons proposé l’idée d’utiliser un système complexe stigmergique, similaire à celui mis en œuvre par une fourmilière qui est capable de trouver des chemins optimaux entre le nid et des points de nourriture. Une adaptation de cette forme d’intelligence collective à l’éducation a été réalisée dans un écosystème éducationnel appelé hommilière (cf. thèse de Grégory Valigiani en 2006 et articles cités ci-dessous publiés sur ce travail). La plateforme POEM (Personalised Open Education for the Masses) est une extension de cette thèse. Elle a pour but de gérer un entrepôt de milliers de petits éléments pédagogiques mis à disposition des étudiants pour former un MOOC (Massive Open Online Courses) collaboratif duquel émerge des trajectoires personnalisées optimales en utilisant les trajectoires des étudiants. Son objectif est de mettre en œuvre une éducation de masse personnalisée et participative fondée sur les systèmes complexes, capable d’héberger et de dispenser à distance des formations quelles que soient le niveau et la discipline.

Vers une éducation 4P

POEM permet de mettre en œuvre une éducation de masse 4P tout en valorisant de manière automatique un entrepôt de contenus éducatifs non structurés :

• Participative : par leurs trajectoires émaillées de succès ou d’échecs, un système de fourmis artificielles mis en œuvre à leur insu par les étudiants (paradigme d’hommilières) fait émerger des parcours pédagogiques optimaux vers différentes spécialités. Des parcours inattendus pourront apparaître du fait de la diversité comportementale des étudiants. Un mécanisme de tutorat entre étudiants de différents niveaux est mis en place pour préserver une interaction humaine qui serait autrement impossible à mettre en œuvre, sachant que les MOOCs mis en place par les grandes universités recrutent des dizaines de milliers d’étudiants. On offrira aussi aux meilleurs étudiants d’améliorer le contenu pédagogique en leur permettant de contribuer par des petits cours qu’ils enregistreront eux-mêmes, et qui seront validés par l’équipe pédagogique. Une notation ELO inspirée du monde des échecs est mise en œuvre pour évaluer le niveau des participants et le niveau des entités pédagogiques.
• Prédictive : en comparant la trajectoire d’un étudiant avec les parcours pédagogiques optimaux trouvés, il est possible d’orienter rapidement un étudiant vers ses affinités pour une éducation prédictive.
• Préventive : si un étudiant s’écarte (volontairement ou non) d’une trajectoire optimale, le système pourra avertir l’étudiant qu’il ne semble pas posséder les connaissances requises pour valider l’item pédagogique demandé, pour ainsi éviter les échecs. Si l’étudiant insiste, le système trouvera le plus court chemin pour valider l’item demandé à partir de la trajectoire déjà parcourue, permettant ainsi à un étudiant de se réorienter à moindre coût, en s’appuyant sur les connaissances déjà validées.
• Personnalisée : le tout permet une éducation de masse, mais personnalisée à la manière des précepteurs d’antan, qui adaptaient leur pédagogie aux élèves dont ils avaient la charge.

Parcours pédagogiques optimaux

Si des contenus pédagogiques existants (possiblement déjà en ligne via moodle ou audiovideocast, par exemple), ne sont pas organisés et structurés en parcours pédagogique (avec une progression, des niveaux, etc..), ils sont très difficile à exploiter par les étudiants qui ne sauront pas ce qui existe ni où chercher les contenus. Une grande originalité de POEM est que lorsque les étudiants visitent des contenus (potentiellement initialement « en vrac »), ils les relient entre eux (à leur insu) en laissant des informations positives ou négatives (suivant la réussite ou l’échec). Les informations sont laissées sous la forme de phéromones pour simuler le comportement collectif d’une fourmilière, tel que cela a été exposé par Jean-Louis Deneubourg dans l’article fondateur de 1983 « Probabilistic Behaviour of Ants : a Strategy of Errors ? », Journal of Theoretical Biology Vol 105 et démontré par Bernard Manderick dans l’article « The Collective Behaviour of Ants : An Example of Self-Organization in Massive Parallelism », présenté au AAAI Spring Symposium on Parallel Models of Intelligence à Stanford en 1988, article joint (car difficile à trouver) et exploité pour l’éducation dans la thèse de Grégory Valigiani dont Pierre Collet a été l’encadrant, thèse soutenue en 2006. Ainsi, en utilisant le mécanisme que les fourmis ont mis 100 millions d’années à faire évoluer, POEM (avec l’aide des étudiants) permettra d’offrir au monde les contenus pédagogiques des composantes de l’Université, organisés en parcours pédagogiques optimaux (maximisant l’apprentissage). Consulter http://www.epi.asso.fr/revue/articles/a0603b.htm pour un descriptif rapide (et ancien) d’une implémentation pour Paraschool, à l’époque numéro 1 français de l’e-learning avec 500 000 élèves utilisateurs. Si un cursus préparé est proposé, l’équipe pédagogique (constituée des responsables des différents modules) reste dans la boucle par un rôle de supervision de haut niveau (contrôle des nouveaux contenus proposés et réponse aux questions auxquelles aucun tuteur n’a pu répondre) compatible avec des dizaines de milliers d’étudiants.

Des parcours pédagogiques multi-disciplinaires

De même, POEM proposera par la suite de déconstruire automatiquement des cours existants (découpage en chapitres, sections, exercices, TP, etc...) pour que les étudiants puissent re-tisser de meilleurs parcours pédagogiques trans-composantes. En effet, en physique, chimie, biologie, médecine, informatique, ..., par exemple, il y aura besoin de notions d’équations aux dérivées partielles (EDP) déjà vues dans un parcours de mathématique. Mais l’étudiant de chimie aura besoin de quelques notions simples d’EDP pour voir l’évolution des réactions chimiques et n’aura pas besoin du cours complet sur les équations aux dérivées partielles telles qu’elles sont enseignées dans le cursus de l’UFR de mathématique. Ainsi, l’étudiant en médecine pourra-t-il aller utiliser des contenus pédagogiques fins, répondant précisément à ses besoins pour un parcours à la carte parmi l’offre pédagogique entière de l’université.

Évaluation des apprenants et des contenus pédagogiques

Enfin, un système d’évaluation pair à pair et d’adaptation automatique du niveau est mis en œuvre, inspiré de mécanismes mis en œuvre pour Paraschool dans la thèse de Grégory Valigiani. Dans les compétitions d’échecs, à l’issue d’un match, un nombre de points inversement proportionnel à la probabilité de l’issue du match est attribué au gagnant et retiré au perdant. Le classement ELO se fonde sur une théorie mathématique bien étayée et aboutit très rapidement à des classements représentant bien la force des compétiteurs. Dans un écosystème éducationnel, on considère que deux populations s’opposent : des apprenants et des entités pédagogiques. Lorsqu’un apprenant est confronté à une évaluation contenue dans une entité, on considèrera qu’il a gagné contre l’entité s’il valide l’évaluatiion ou au contraire qu’il a perdu contre l’entité s’il échoue. Cela permet d’attribuer un classement ELO à la fois aux apprenants et aux entités pédagogiques. Les entités pédagogiques étant immuables par essence, on peut ensuite classer les apprenants entre eux car leur classement est effectué relativement à la même population d’entités pédagogiques. Le mécanisme d’évaluation proposé dans POEM est très élaboré : à la suite de chaque visualisation d’une entité pédagogique, on demande aux étudiants :

• de composer une question sur l’entité qu’ils viennent d’effectuer, puis
• de répondre à 3 questions et d’évaluer leur intérêt, puis
• d’évaluer 9 réponses en provenance d’autres étudiants du MOOC.

Ce qu’ils ne savent pas est que parmi les 3 questions auxquelles on leur demande de répondre, Deux questions proviennent d’une base de questions validée par l’équipe pédagogique et la troisième question vient d’un autre étudiant (utilisation du principe des re-captchas). En évaluant l’intérêt des questions qu’on leur pose, ils évaluent par la même occasion l’intérêt des questions posées par les autres étudiants et cette évaluation rentre bien entendu dans l’évaluation des étudiants. Ce système est relié à une évaluation automatique du niveau des étudiants et des items pédagogiques par un niveau ELO donné à chaque étudiant en fonction de son succès ou de son échec à l’étape de validation d’un item pédagogique. Les étudiants sont aussi mis en relation au travers d’un forum pour favoriser l’échange d’idées entre étudiants (développé par le deuxième post- doctorant au début de l’année, pendant que le premier développe le plugin edX). Les pratiques d’enseignement mises en oeuvre dans ce MOOC sont innovantes et non seulement centrées sur l’apprentissage des étudiants, mais aussi sur leur implication dans le processus d’évaluation et de fabrication d’une base de questions (les questions pertinentes et bien notées seront soumise à l’équipe pédagogique qui pourra par la suite les intégrer dans la base de questions validées).

Approche “systèmes complexes” pour une éducation personnalisée de masse

Un point d’originalité de ce projet provient de sa mise en œuvre à la manière d’un système complexe. Au lieu d’être délivré sous la forme de cours filmés en blocs homogènes de 1h à 2h comme ce qui peut se faire dans certains xMOOCs, les cours sont déconstruits en centaines de petits éléments (vidéos de 15 à 20mn) aussi indépendants que possible. En effet, une petite UE de 3 ECTS correspond environ à 30h EqTD, soit 90 à 120 petits cours de 15 à 20mn. Avec plusieurs UE dans des domaines différents, on arrive rapidement à des milliers de petits cours plus ou moins indépendants, chacun présentant un point précis d’un chapitre de cours. La plate-forme gère alors un entrepôt de milliers d’entités pédagogiques en interaction, ce qui correspond bien à la définition d’un système complexe.

Événements, communications, projets, publications

Communications

• Co-organisation du Hackathon Open edX France du 28 au 30 mai 2015
• Présentation de POEM à Taiwan
• Présentation de POEM à la conférence CCS'16
• Présentation de POEM au 10th ECCO / GBI seminar series. Spring 2014 Personalised Open Education for the Masses (POEM), VUB, Bruxelles, 11 avril 2014
• Présentation de POEM à la conférence XX à Alger
• Présentation de POEM à Taiwan avec Anna Scius-Bertrand
• Présentation de POEM aux Journées Numériques de l'USTM à Nouakchott les 16 et 17 Novembre 2015
• Présentation de POEM aux journées SIF
• Présentation de POEM à la conférence ECCS'13
• Présentation de POEM au Sommet technologique France Inde
• Présentation de POEM à ICCSA'14
• Présentation de POEM à l'INRIA (Gilles Dowek)
• Présentation de POEM aux terrasses du Numérique
• Organisation d'une journée sur l'enseignement numérique à Strasbourg (et présentation de POEM)
• Co-organisation de la première école d'été de l'école polytechnique sur l'enseignement numérique
• Présentation de ECHO

Publications de l'équipe relatives à POEM

1. Pierre Collet, Raaj Seereekissoon, Isaac Abotsi, Marie Michaud-Maret, Anna Scius-Bertrand, Emma Tillich, and Pierre Parrend, POEM-COPA Collaborative Open Peer Assessment, First Complex Systems Digital Campus World E-Conference 2015, Springer 2017
2. Collet P., Seereekissoon R., Scius-Bertrand A., Stein R., Parrend P., "Évaluation Pair à Pair Participative (POEM) de la Plate-Forme POEM", E-Formation, Lille, France, June 2015.
3. Collet P., "POEM, Personalised Open Education for the Masses: using complex systems in MOOCs", ICCSA'14, Le Havre, France, 2014
4. Louca, J., Johnson, J., Bourgine, P., Portelli, P., Tijus, C., Scius-Bertrand, A., Lenhard, W., Escalona, M., Taramasco, C., Kohlhase, M., Cointet, J., Collet P. (2013). Poem Platform For Massive Personalized Education. Dans ECCS'13, Barcelona, Spain, Bibtex.
5. Charles Tijus, François Jouen, Sébastien Poitrenaud, Michèle Molina, Anna Scius-Bertrand, Pierre Collet, Paul Bourgine: Know-How modelling for e-Learning. RIVF 2013: 186-191 Bibtex
6. J. Johnson, S. Buckingham, A. Willis, S. Bishop, T. Zamenopoulos, S. Swithenby, R. Mackay, Y. Merali, A. Lorincz, C. Costea, P. Bourgine, J. Louca, A. Kapenieks, P. Kelley, S. Caird, R. Deakin, C. Goldspink, P. Collet, A. Carbone, D. Helbing, « The FuturICT education accelerator », The European Physical Journal Special Topics, Vol. 214, Num. 1, pp 215--243 (November 2012) Bibtex
7. S. Gutierrez, G. Valigiani, Y. Jamont, P. Collet, C. Delgado Kloos, "A Swarm Approach for Automatic Auditing of Pedagogical Planning", Seventh IEEE International Conference on Advanced Learning Technologies 136 - 138, (ICALT 2007) Bibtex.
8. G. Valigiani, Y. Jamont, R. Biojout, E. Lutton, C. Fonlupt, P. Collet, “Optimisation par Hommilières de chemins pédagogiques pour un logiciel d’E-learning”, Techniques et Sciences Informatiques, 01/2007; 26:1245-1267 Bibtex
9. Sergio Gutierrez, Grégory Valigiani, Pierre Collet, and Carlos Delgado Kloos, "Adaptation of the ACO heuristic for sequencing learning activities", 2nd European Conference on Technology Enhanced Learning, Crete, Greece, September 17-20, EC-TEL 2007 Bibtex.
10. G. Valigiani, E. Lutton, P. Collet, “Adapting the ELO Rating System to Competing Subpopulations in a Man-Hill”, Proceedings of the 13th ISPE International Conference on Concurrent Engineering (ISPE CE 2006), September 18-22, 2006, Antibes, Bibtex
11. G. Valigiani. “Développement d’un paradigme d’Optimisation par Hommilière et application a l’Enseignement Assisté par Ordinateur sur Internet”, PhD thesis, Université du Littoral Côte d’Opale, 2006.
12. G. Valigiani, E. Lutton, Y. Jamont, R. Biojout, P. Collet, “Automatic Rating Process to Audit a Man-Hill”, WSEAS Trans. Advances in Engineering Education, 3, 1-7, 2006.
13. G. Valigiani, Y. Jamont, R. Biojout, E. Lutton, P. Collet, “Experimenting with a Real-Size Man-Hill to Optimize Pedagogical Paths”, H. Haddad et al., Eds., Symposium on Applied Computing, ACM, Santa Fe, New Mexico, 2005, Bibtex
14. G. Valigiani, E. Lutton, Y. Jamont, R. Biojout, P. Collet, “Evaluating a Real-Size Man-Hill”, 4th WSEAS Int. Conf. on E-Activities, Miami, Florida, pp88-93, 2005.
15. Semet, Y., Lutton, E., Collet, P.: Ant colony optimisation for e-learning: Observing the emergence of pedagogical suggestions. In: IEEE Swarm Intelligence Symposium (2003) Bibtex.
16. Grégory Valigiani, Évelyne Lutton, Pierre Collet, Projet E.C.H.O. Étude Comportementale des Hommilières pour l'Optimisation, article en ligne de la revue Enseignement Public et Informatique https://www.epi.asso.fr/revue/articles/a0603b.htm
17. Y. Semet, Y. Jamont, R. Biojout, E. Lutton, and P. Collet, “Artificial ant colonies and e-learning: An optimisation of pedagogical paths”, in 10th International Conference on Human-Computer Interaction, 2003 Bibtex.
18. Yann Semet, Pierre Collet, Application de l’optimisation par colonies de fourmis à la structuration automatique de parcours pédagogiques, article en ligne de la revue Enseignement Public et Informatique https://www.epi.asso.fr/revue/articles/a0309b.htm

Citations par d'autres équipes de recherche

1. Aziz Dahbi, Abdelhak Aqqal, "Une approche hybride pour la recommandation des chemins d’apprentissage dans un cours en ligne : un modèle conceptuel", 1ère Edition du Workshop International sur les Approches Pédagogiques & E-Learning, APEL 2015
2. Aziz Dahbi, Najib El Kamoun, Abdelhak Aqqal, Asmaa El Hannani, "Application d’une approche inspirée des colonies de fourmis pour la recommandation des chemins d’apprentissage dans un cours en ligne : modèle et expérience", Revue internationale des technologies en pédagogie universitaire, 11(2), 2014
3. L-H Wong, C-K Looi, “Swarm intelligence: new techniques for adaptive systems to provide learning support”, Interactive Learning Environments, 20:1, 19-40, 2012.
4. Sarab Al-Muhaideb , Mohamed El Bachir Menai, "Evolutionary computation approaches to the Curriculum Sequencing problem", Natural Computing

June 2011, Volume 10, Issue 2, pp 891-920, 2011

1. Wong, L.-H., & Looi, C.-K. Adaptable Learning Pathway Generation with Ant Colony Optimization. Educational Technology & Society, 12 (3), 309–326, 2009.
2. Pilar Prieto-Linillos, Sergio Gutiérrez, Abelardo Pardo, Carlos Delgado Kloos, "Guaranteeing the Correctness of an Adaptive Tutoring System", Chapter Adaptive Hypermedia and Adaptive Web-Based Systems, Volume 5149 of the series Lecture Notes in Computer Science pp 329-332, 2008.
3. Elżbieta Kukla. 2008. Application of Swarm Intelligence in E-Learning Systems. In Proceedings of the 2008 conference on New Trends in Multimedia and Network Information Systems, Aleksander Zgrzywa, Kazimierz Choroś, and Andrzej Siemiński (Eds.). IOS Press, Amsterdam, The Netherlands, The Netherlands, 193-203.
4. S. Gutiérrez and A. Pardo, “Sequencing in Web-Based Education: Approaches, Standards and Future Trends”, in Evolution of Teaching and Learning Paradigms in Intelligent Environment Studies in Computational Intelligence, Jain, Tedmann, Tedman, Eds., Springer, Volume 62, 2007, pp 83-117
5. S. Gutiérrez, A. Pardo, and C. D. Kloos, "Finding a Learning Path: Toward a Swarm Intelligence Approach", Proceedings of the 5th IASTED International Conference on Web-based Education, pp. 94--99, http://dl.acm.org/citation.cfm?id=1166728.1166745, 2006

Références

• Elo, A. E., The rating of chess players past and present, New York, Arco Publishing, 1978