Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire d’Informatique Fondamentale d’Orléans
Durée : 4 à 6 mois
Contact : guillaume.cleuziou@univ-orleans.fr
Date limite de publication : 2026-04-17

Contexte :

Sujet :
Le Knowledge Tracing est un domaine d’étude à l’intersection de l’Educational Data Mining (EDM), du Learning Analytics (LA) et de l’IA en Education (AIED) qui renferme un ensemble de méthodes de modélisation des connaissances d’un apprenant à partir de l’analyse de ses activités pédagogiques dans un environnement pédagogique digital. Ces modélisations sont utilisées dans des tâches de prédiction de la réussite et permettent alors de concevoir des parcours personnalisés d’apprentissage (ITS -Intelligent Tutoring Systems). Ces méthodes reposent aujourd’hui principalement sur des modèles de Machine Learning et plus particulièrement d’apprentissage profond (deep learning). Ces approches ont conduit à l’émergence du Deep Knowledge Tracing depuis les travaux de PIECH et al. (2015).

Les recherches existantes exploitent principalement les activités pédagogiques prenant la forme d’exercices, généralement dédiés à l’acquisition d’une compétence cible, dont la réussite ou l’échec aide à estimer le niveau de maîtrise de l’apprenant à cette compétence. Plus récemment des travaux proposent d’exploiter non plus seulement les exercices mais également les dialogues tuteur/apprenant issus par exemple d’un chatbot, au moyen de LLMs (SCARLATOS, BAKER et LAN 2025). Ces avancées prometteuses tirent avantage des progrès récents en IA et offrent des opportunités nouvelles en terme d’innovations dans le domaine du Knowledge Tracing.

L’objectif du stage est d’une part de dresser un état de l’art du domaine (Knowledge Tracing) et en particulier une revue des approches récentes mettant en oeuvre une exploitation des dialogues tuteur/apprenant. Il s’agira également d’étudier les solutions d’exploitation conjointe de plusieurs sources d’information (exercices, dialogues, traces d’activités, etc.) au sein d’un modèle de Knowledge Tracing unifié. Une étude expérimentale sur données réelles est attendue. Dans cette optique, le·a stagiaire collaborera avec ses encadrants et l’équipe e-INSPE :
– dans la mise en place de la collecte des données sur les formations de la plateforme
– sur l’information aux usagers concernés par ce projet de recherche> en informant des objectifs et de l’état d’avancement de son projet
– en initiant aux fondamentaux des champs concernés (knowledge tracing, apprentissage automatique, deep learning)

Ce stage pourra donner lieu à une poursuite en thèse.

Références

PIECH, Chris et al. (2015). “Deep knowledge tracing”. In : Advances in neural information processing systems 28.

SCARLATOS, Alexander, Ryan S BAKER et Andrew LAN (2025). “Exploring knowledge tracing in tutor-student dialogues using llms”. In : Proceedings of the 15th international learning analytics and knowledge conference, p. 249-259.

Profil du candidat :
Vous manifestez un intérêt pour les sciences de l’éducation.

Une expertise Moodle serait un plus mais des modalités de formation (via l’Université d’Orléans ou de Tours et Réseau Canopé) seront envisageables.

Formation et compétences requises :
Vous êtes étudiant·e en master ou en école d’ingénieur en Informatique.

Vous disposez d’une culture scientifique en Apprentissage Automatique et d’une expérience dans la mise en œuvre de modèles de Deep Learning.

Adresse d’emploi :
DT Canopé (en fonction de la domiciliation du candidat) ; réunions en présentiel à prévoir au LIFO (Orléans)

Document attaché : 202603261753_Stage_M2_2026_eINSPE_LIFO.pdf