Agents conversationnels pédagogiques basés sur l'intelligence artificielle générative pour améliorer l'apprentissage en ligne [r-libre/3816]

Miladi, Fatma (2025). Agents conversationnels pédagogiques basés sur l'intelligence artificielle générative pour améliorer l'apprentissage en ligne (thèse de doctorat en Informatique cognitive, Université TÉLUQ, Québec, Canada). Direction : Lemire, Daniel et Psyché, Valéry.

Fichier(s) associé(s) à ce document :

PDF - Fatma Miladi.pdf
Licence : Creative Commons CC BY.

Télécharger

Catégorie de document :	Thèses et mémoires
Évaluation par un comité de lecture :	Oui
Étape de publication :	Non publié
Résumé :	L’intelligence artificielle (IA) a considérablement évolué ces dernières années, notamment avec l’apparition des modèles de langage de grande taille (Large Language Models, LLMs) tels que GPT. Ces modèles, capables de générer des réponses textuelles cohérentes et fluides, offrent un potentiel prometteur pour transformer divers secteurs, y compris l’éducation. Cependant, leur application dans des contextes éducatifs soulève des difficultés importantes, notamment les « hallucinations » — ou génération de contenus incorrects — qui peuvent compromettre la qualité de l’apprentissage des apprenants. En outre, ces modèles ne proposent souvent pas un accompagnement pédagogique adapté, pourtant essentiel pour stimuler la motivation des apprenants et répondre efficacement à leurs besoins spécifiques. Pour surmonter ces limitations, cette thèse présente le développement d’un agent conversationnel pédagogique, conçu comme un véritable compagnon d’apprentissage. Cet agent intègre la Génération Augmentée par Récupération (RAG), une méthode qui combine les LLMs avec un accès en temps réel à une base de connaissances externe validée, issue d’un corpus pédagogique associé au cours en ligne. Grâce à cette intégration, l’agent améliore la précision, la pertinence et la fiabilité des réponses fournies. De plus, des fonctionnalités pédagogiques ont été intégrées pour accompagner et soutenir les apprenants dans leur parcours d’apprentissage. Cependant, l’évaluation empirique de cet agent dans des contextes éducatifs réels reste peu explorée, notamment en ce qui concerne son influence sur l’acquisition des connaissances et l’expérience globale des apprenants. Cette étude s’articule autour de la conception et de l’évaluation d’un agent conversationnel dans le cadre d’un cours en ligne ouvert et massif (MOOC) sur l’IA. Ces cours, caractérisés par un apprentissage à distance, asynchrone et autonome, sont souvent associés à un taux d’abandon élevé. Dans ce contexte, les agents conversationnels jouent un rôle crucial en compensant l’absence de l’enseignant et en offrant un accompagnement aux apprenants. Notre étude explore trois axes principaux : améliorer la qualité des réponses fournies par l’agent, examiner son influence sur l’acquisition des connaissances, et comprendre son influence potentielle sur les émotions des apprenants, ces deux derniers éléments étant essentiels pour soutenir leur réussite. Contrairement aux recherches existantes, cette étude évalue l’agent conversationnel pédagogique en interaction directe avec des apprenants réels dans un contexte d’apprentissage réel. Notre thèse s’appuie sur plusieurs expériences réalisées avec des étudiants dans le cadre d’un MOOC sur l’intelligence artificielle. Nos résultats montrent que l’intégration de la RAG dans l’agent conversationnel (1) réduit les erreurs d’hallucination et améliore la précision des réponses fournies dans le contexte d’un MOOC, (2) a un effet positif sur l’acquisition des connaissances des apprenants, et (3) augmente leur satisfaction globale. En revanche, l’ajout d’éléments motivationnels dans l’agent conversationnel n’a pas eu d’effet significatif sur les émotions des apprenants, telles que la confiance, l’enthousiasme et l’intérêt. Fondée sur des données empiriques, notre thèse est une avancée dans le domaine de l’application des LLMs en éducation.
Déposant:	Breault, Claude
Responsable :	Claude Breault
Dépôt :	15 juill. 2025 13:34
Dernière modification :	15 juill. 2025 13:34

Actions (connexion requise)

RÉVISER