Recommandation séquentielle de cours contextuelle via autoencodeurs variationnels conditionnels et architectures Transformer dans les systèmes d'apprentissage en ligne connectés (IoT)

Aide plus intelligente pour choisir ses cours en ligne

À mesure que les plateformes d’apprentissage en ligne se multiplient, de nombreux étudiants font face à un nouveau problème : trop de cours et trop peu d’orientation. Cette étude explore une manière plus intelligente pour les plateformes de suggérer des cours qui tiennent compte non seulement de ce qu’un apprenant a déjà fait, mais aussi du moment, du lieu et des modalités d’étude, en s’appuyant sur des signaux provenant d’appareils connectés et d’applications d’apprentissage.

Pourquoi les suggestions de cours passent souvent à côté

La plupart des outils de recommandation considèrent les étudiants comme si leurs préférences étaient fixes et leur situation rarement changeante. Les premiers systèmes comparaient principalement les utilisateurs aux historiques similaires ou mêlaient des descriptions de cours à des profils. Ces méthodes peinent lorsqu’un apprenant est nouveau, lorsqu’il y a peu de données, ou lorsque de nombreuses personnes suivent des parcours semblables et reçoivent des suggestions presque identiques. Elles ne prennent pas non plus en compte la nature très changeante de l’étude en ligne, où une personne peut regarder une vidéo la nuit sur un ordinateur portable, puis consulter du contenu sur un téléphone pendant un trajet. Cet écart s’accentue dans les environnements enrichis par des appareils connectés, où l’heure, le type d’appareil et les habitudes d’activité peuvent tous influencer le type de cours ou de leçon le plus utile à un instant donné.

Exploiter les signaux de l’apprentissage connecté

Les auteurs se concentrent sur des environnements d’e‑learning liés à l’Internet des objets, tels que des plateformes accessibles via des wearables, des smartphones et des salles de classe intelligentes. À partir de plateformes réelles, ils collectent non seulement les cours que les étudiants ont choisis ou cliqués, mais aussi de simples indices contextuels : quel appareil ils ont utilisé, la fréquence de leurs connexions et les moments où ils ont tendance à étudier. Ces indices servent de substituts à des données capteurs plus riches que des systèmes futurs pourraient exploiter. Après nettoyage et organisation de ces enregistrements, le système construit des portraits numériques compacts de chaque apprenant, de chaque cours et de chaque contexte. Bien que les plateformes brutes ne fournissent pas de flux de capteurs en continu, ces signaux-proxy suffisent à tester dans quelle mesure des suggestions sensibles au contexte peuvent aider.

Fonctionnement du nouveau moteur de recommandation

Le moteur proposé combine deux idées avancées de l’intelligence artificielle moderne. La première est un composant qui apprend des motifs cachés entre apprenants et cours tout en tenant compte de l’incertitude, ce qui est important lorsque l’information est manquante ou bruitée. La seconde est un module séquentiel qui examine l’ordre des choix passés pour comprendre comment les intérêts évoluent dans le temps, au lieu de traiter chaque clic ou inscription isolément. Le contexte issu des appareils et des habitudes d’étude est intégré à chaque étape, de sorte que le système peut ajuster son image interne d’un apprenant au fur et à mesure que sa situation change. Une stratégie d’entraînement particulière apprend au moteur à maintenir la stabilité de ses représentations cachées tout en classant les cours avec précision, équilibrant le besoin d’explorer des options et celui d’opérer des distinctions nettes entre elles.

Ce que montrent les expériences sur des plateformes réelles

Les chercheurs évaluent leur cadre sur trois importants jeux de données provenant de grands fournisseurs de cours en ligne. Ils le comparent à plusieurs méthodes robustes existantes qui modélisent déjà des séquences ou exploitent bien le contenu des cours. Sur de nombreuses mesures, y compris la fréquence à laquelle les meilleures suggestions correspondent aux choix réels des étudiants et la qualité du classement des cours pertinents, la nouvelle méthode obtient des performances supérieures de manière constante. Elle commet également moins d’erreurs de prédiction et reste efficace lorsque l’historique des utilisateurs est court, situation fréquente pour les nouveaux venus. Lorsque les auteurs retirent des éléments du dispositif dans des tests contrôlés, la qualité diminue, montrant que chaque composante, du traitement du contexte à l’objectif d’entraînement conjoint, joue un rôle significatif.

Ce que cela signifie pour les apprenants en ligne

En termes simples, l’étude suggère que la recommandation de cours devrait être traitée comme une cible mouvante façonnée à la fois par le comportement passé et les circonstances présentes. En mêlant la connaissance de ce qu’un apprenant a fait, la façon dont ses intérêts évoluent et l’apparence de son contexte d’étude actuel, les plateformes peuvent proposer des suggestions plus opportunes et personnelles. Si des questions liées à la protection des données et aux coûts de calcul subsistent, ce travail trace une voie vers des systèmes d’apprentissage en ligne qui accompagnent les étudiants au long cours d’une manière adaptée à leur vie quotidienne.

Citation: Chen, G., Han, G. & Liu, S. Context-aware sequential course recommendation via conditional variational autoencoders and transformer architectures in IoT-enabled E-learning systems. Sci Rep 16, 15370 (2026). https://doi.org/10.1038/s41598-026-45764-y

Mots-clés: recommandation de cours en ligne, personnalisation de l’apprentissage en ligne, recommandation séquentielle, contexte d’apprentissage IoT, plateformes MOOC