Approche Pour L’indexation Et L’utilisation Des Ressources Pedagogiques Dans Un Système E-learning Pervasif

Résumé: Le travail présenté dans cette thèse concerne les systèmes de recommandation sensibles au contexte (CARS), plus précisément nous concentrons sur la détection automatique des conditions contextuelles (valeurs des facteurs contextuelles) qui influencent le processus de recommandation. Dans les recherches récentes, l’intégration du contexte dans les applications de recommandation a été démontrée leur efficacité en générant des items aux utilisateurs non seulement pertinents mais également convenables à leurs contexte. Tandis que, la sélection des facteurs de contexte est une tache exigeante en ressources qui nécessite dans la plus part des cas l’intervention d’un expert de domaine. Le principale contributionde ce travail de thèse est basée sur l'analyse des comportements des utilisateurs au seind’un système de recommandation à basede filtrage collaboratif afin de deviner les conditions contextuelles relatives à la consommation adéquate des itemsen utilisant la matrice des votes générée par les systèmes de recommandation à base de filtrage collaboratif. Un profil d'utilisateur qui englobe à la fois les données concernant les utilisateurs et les données de contexte a été proposé dans ce travail.Nous proposons aussi une méthode de modélisation de contexte à base de règles sémantiques qui se penche sur l'analysede comportement des utilisateurs.Nous avons appliqué cette proposition dans le domaine de l'éducation dans lequel nous avons conçu un outil permettantla création des objets d'apprentissages. Ce système vise à améliorer la tâche de production des objets d'apprentissage (création, révision, édition…) en offrant un environnement collaboratifgrâce aux technologies fournies par les systèmes de filtrage collaboratifs ainsi que l’analyse des comportements des utilisateurs pour améliorer le processus de recommandationdans les environnements pervasifs.La prise en compte du contexte pour la génération de recommandations futures adopte l’approche pré-filtrage contextuel avec une méthode probabiliste (Naïve Bayes), qui permet la génération desitems personnalisésavant que les recommandations soient faites.Un test a été mené sur des utilisateurs réels montre que l’approche sémantique proposée est promoteur pour ce genre de contexte.

Publié dans la revue: