Khadidja Fenineche et Azeddine Chikh

Une mthode dadaptation des objets dapprentissage aux apprenants Utilisation des langages IMS-LOM et IMS-LIP
Khadidja Fenineche * et Azeddine Chikh ** * Institut National dInformatique - Alger kfen2005@yahoo.fr

** Universit de Tlemcen az_chikh@mail.univ-tlemcen.dz

Dans cet article, nous proposons une nouvelle mthode dadaptation des objets dapprentissage, dcrits laide du langage IMS-LOM, aux caractristiques daccessibilit dun apprenant dcrites leur tour l' du standard IMS-LIP. Nous proposons une double aide extension du modle IMS-LOM en vue de faciliter l' adaptation. La premire consiste rajouter une nouvelle valeur is equivalent to au champ Kind de la catgorie "Relation" pour signaler les autres alternatives dun objet dapprentissage, ou de ses lments (dans le cas o il est structur). La seconde consiste rajouter une nouvelle mtadonne Typical Learner la catgorie Educational . Elle indique le lien vers un profil type d' apprenant cibl par lobjet dapprentissage et dcrit avec IMS-LIP. Notre mthode consiste choisir lobjet dapprentissage le plus adapt un apprenant spcifique donn. Le choix de cet objet seffectue en confrontant le profil-type rfrenc avec la mtadonne Typical Learner au niveau des objets dapprentissage avec le profil de lapprenant spcifique en question. Les deux tant dcrits avec IMS-LIP. Nous utilisons pour ladaptation un mcanisme de calcul de similarit bas sur la mthode du cosinus et des rgles dadaptation.

Rsum :

I this paper, we propose a new adaptation method of learning objects, qualified with IMSLOM, to accessibility attributes of a learner, written with IMS-LIP. We propose a doubleextension of IMS-LOM model in order to facilitate the adaptation. The first consists in adding a new value is equivalent to the field "Kind" of the category "Relation to indicate the others alternatives of a learning object, or its elements (if it is structured). The second consists in adding a news metadata "Typical Learner" to the category "Educational". It indicates a link to a standard profile of learner targeted by the learning object and described with IMS-LIP. Our method consists in choosing the learning object more adapted to a specific learner. The choice of this learning object is carried out by confronting the standard profile referred with the

Abstract

162

Une mthode dadaptation des objets dapprentissage aux apprenants -Utilisation des langages IMS-LOM et IMS-LIPmetadata "Typical Learner" to this specific learner profile. Both are described with IMS-LIP. For the adaptation, we use a similarity calculation mechanism based on the cosine method and adaptation rules.

Mots Cls
Adaptation, Objet dapprentissage, Apprenant, Accessibilit, IMS-LOM, IMS-LIP, Similarit, Mthode du cosinus.

Adaptation, learning object, Learner, Accessibility, IMS-LOM, IMS-LIP, Similarity, Cosine method.

Keywords

Un Environnement Informatique pour lApprentissage Humain (EIAH) est un environnement informatique conu dans le but de favoriser lapprentissage humain, cest--dire la construction de connaissances chez un apprenant. Ce type denvironnement mobilise des agents humains (lve, enseignant, tuteur) et artificiels (agents informatiques, qui peuvent eux aussi tenir diffrents rles) et leur offre des situations dinteraction, localement ou travers les rseaux informatiques, ainsi que des conditions daccs des ressources formatives (humaines et/ou mdiatises), ici encore locales ou distribues (Tchounikine,2002). Ladaptation, qui est au centre des proccupations des concepteurs des EIAH, est ne suite lapparition des systmes hypermdias classiques, qui, vu la libert quils offrent lors de la navigation, ils entranent lapprenant dans deux situations nfastes pour lapprentissage : la dsorientation et la surcharge cognitive [Dele00]. Deux entits principales sont concernes par ladaptation : lapprenant et lobjet dapprentissage. Dans (Chawk,2004), La ressource et lapprenant doivent tre traits suivant une approche globale qui mettra en vidence les interactions possibles. Il y a forcment un lien entre les ressources, les activits pdagogiques de lapprenant et les units dapprentissage ou agrgats de contenu. En outre, les schmas de description des ressources pourraient tre spcialiss et destines des tches spcifiques. Le systme ou le dispositif destin exploiter ces mtadonnes doit aussi intgrer dans son mode de fonctionnement des schmas de traitement proches de ceux des utilisateurs apprenants . Nous partageons ce point de vue, et nous adoptons le langage de mta donnes IMS-LOM, utilis pour qualifier les ressources, qui sera tendu par une nouvelle mta donne qui rfrence un profil de lapprenant type. Cette extension facilitera le calcul de similarit utilise par notre mthode dadaptation, entre ce profil type et le profil de lapprenant dcrits tous les deux avec IMS-LIP. Aprs cette introduction, nous prsentons dans la section 2 la caractrisation des apprenants et du langage de mta donnes IMS-LIP. Dans la section 3, nous parlerons de la qualification des objets dapprentissage et du langage IMS-LOM. Nous prsenterons ensuite dans la section 4 les diffrentes mthodes dadaptation qui confrontent les deux catgories de mta donnes prcites et qui peuvent tre scindes en deux familles (1) calcul de similarit et (2) rgles dadaptation. Notre contribution, qui consiste dune part tendre les deux langages IMS LIP et IMS-LOM et dautre part proposer une mthode dadaptation du type calcul de similarit , sera expose dans la section 5. Enfin nous terminerons par une conclusion sur lapport attendu de cette mthode et ses perspectives.

1 Introduction

163

Khadidja Fenineche et Azeddine Chikh

Un apprenant possde un ensemble de caractristiques, utilises des fins dapprentissage, appel profil apprenant. Ce profil englobe les connaissances, les objectifs, les rfrences (background), lexprience, les prfrences, les choix et les traits individuels de lapprenant (Brusilovsky,2001). Nous nous intresserons plus particulirement dans le prsent travail aux caractristiques daccessibilit qui concernent les traits individuels, les handicaps et les prfrences. 1. Les traits individuels englobent les facteurs de personnalit, les facteurs cognitifs et les styles dapprentissage. Ces traits sont obtenus par des tests psychologiques. Plusieurs thories relatives ces traits ont t dveloppes. Cependant, il nexiste pas un consensus sur la dtermination des traits psychologiques dans le domaine de lapprentissage et plus spcifiquement dans lapprentissage distance. (Hong H. et Kinshuk,2004) distingue quatre styles principaux selon la thorie de Felder-Silverman : (1) Active (do it)/Reflective (think about it) ; (2) Sensing (learn facts)/Intuitive (learn concepts); (3) Visual (require pictures)/Verbal (require reading) ; et (4) Sequential (step by step)/Global (big picture) Dans (Santally,2005), on trouve une classification des traits psychologiques selon quatre caractristiques: (1) le style dapprentissage qui indique la manire dapprendre (Thoricien/Activiste, Rflecteur/Pragmatiste) ; (2) le style cognitif qui concerne lorganisation (Serial/Holist) et lassemblage (Visuel, Auditif, Kinesthsique) de linformation ; (3) le contrle cognitif li la dpendance ou lindpendance du domaine et la flexibilit cognitive ; et enfin (4) les performances de lapprenant qui concernent son niveau dassimilation des concepts.

2 Caractrisation des apprenants et le langage IMS-LIP

2. Les handicaps ne concernent pas tous les apprenants mais les ventualits doivent tre prises en charge. Il y a diffrents types de dficiences pouvant tre plus ou moins graves. On cite les dficiences auditives, par exemple la surdit ; les dficiences de la parole, par exemple la mutit; les dficiences visuelles, par exemple la ccit ; les dficiences motrices, par exemple la paralysie ; [Web04]. 3. Les prfrences qui nous intressent sont celles qui concernent la langue ou la visualisation du contenu. La langue est un facteur prendre en charge dans ladaptation, car un document pdagogique qui nest pas prsent dans une langue comprhensible par lapprenant est un handicap pour lui, le degr de matrise des langues que ce soit pour loral, lcrit,doit tre signal dans le profil de lapprenant. Les prfrences de visualisation du contenu peuvent tre : le format de lobjet dapprentissage (audio, vido, texte, image) ; la taille du caractre (large, moyen, petit) ; les couleurs prfres (pour le fond par exemple) Notons que ces prfrences peuvent tre dues (1) des dficiences sensorielles ou motrices ou (2) lenvironnement dapprentissage (nuit/jour ; apprentissage lextrieur ; indisponibilit doutils adquats pour laffichage ou lcoute des objets dapprentissage) ou (3) ltat de lapprenant (fatigue des yeux ; fatigue de la voix ; fatigue musculaire,..) ou bien seulement (4) des choix personnels [Web05].

164

Une mthode dadaptation des objets dapprentissage aux apprenants -Utilisation des langages IMS-LOM et IMS-LIPLa caractrisation du profil apprenant laide dune norme permet dexploiter les informations sur plusieurs plates-formes dapprentissage distance. Plusieurs normes existent dans ce domaine : EDS1, IMS RDCEO2, PAPI learner3 et IMS-LIP4 qui savre la plus riche daprs des synthses dj faites (Oubahssi,2005). Le standard IMS-LIP est bas sur un modle de donnes qui dcrit les caractristiques requises d' apprenant pour les usages gnraux. Les spcifications soutiennent l' un change d' information sur les apprenants entre les systmes de gestion d' apprentissage ; les systmes de gestion des ressources humaines ; les systmes de gestion de la connaissance ; et d' autres systmes utiliss dans l' apprentissage. Le langage IMS-LIP regroupe onze catgories : Identification ; Goal ; Qcl ; Activity ; Transcript ; Interest ; Competency ; Affiliation ; Accessibility ; Security key ; Relationship [Web03]. La catgorie Accessibility contient des informations sur laccessibilit gnrale l' information dfinie travers les possibilits de langue ; des incapacits ; de lacceptabilit ; et des prfrences dapprentissage comprenant des prfrences cognitives (par exemple le style dapprentissage) ; des prfrences physiques (par exemple une prfrence pour une impression format large) ; et des prfrences technologiques (par exemple une prfrence pour une plate-forme particulire d' ordinateur).

La normalisation dans le domaine pdagogique est rendue indispensable pour faire face au problme dexplosion documentaire qui se manifeste par laugmentation exponentielle du nombre dobjets dapprentissage de nature diverse do la naissance des normes telle que : LOM (Learning Object Metadata) pour lindexation des objets dapprentissage (Duval,2001). Le langage IMS-LOM, qui a t fourni par la fondation europenne Ariadne5, permet grce son ensemble de mta donnes, dindexer les objets dapprentissage en vue de les retrouver ensuite pour consultation ou rutilisation. Il propose aussi une agrgation base sur trois niveaux : Lesson ; Course ; Curriculum . Le langage LOM, renferme neuf catgories: General ; Life Cycle ; Meta-Metadata ; Technical ; Educational ; Rights ; Relation ; Annotation ; Classification [Web01]. Dans la littrature, on retrouve plusieurs mthodes dadaptation qui utilisent les mta donnes quon peut les classer en deux familles : (1) celles bases sur le calcul de similarit et (2) celles utilisant les rgles dadaptation. Nous prsentons respectivement deux travaux de calcul de similarit, dont le premier utilise les arbres pondrs et le second utilise une approche probabiliste.
1 2 3 4

3 Caractrisation des objets dapprentissage et le langage IMSLOM

4 Mthodes dadaptation

4.1 Mthodes avec calcul de similarit

European Diploma Supplment IMS Reusable Definition of competency or educational Objectives Public and Private Information for Learners IMS Learner Information Package

Alliance and Remote Instructional Authoring and Distribution Networks for Europe 165

Khadidja Fenineche et Azeddine Chikh

Calcul de similarit entre arbres pondrs: le travail (Boley et al.,2005) concerne lapplication au domaine pdagogique dun agent de matching , utilis originellement dans le domaine du e-business. Cet agent utilise les arbres arcs libells et pondrs pour faire correspondre les offres des vendeurs et les demandes des clients (Yang et al.,2005). Dans le domaine de lducation, ce mcanisme est appliqu pour faire la correspondance entre les objets dapprentissage et les apprenants. Lagent permet de faire une comparaison matching hirarchique. Il prend en considration les prfrences pondres de lapprenant, relatives lobjet dapprentissage dcrit avec LOM, et saisies dans un diteur de requtes. Une fois la similarit est calcule, lapprenant obtient en tte de liste les objets dapprentissage qui correspondent le mieux sa requte. Plusieurs formules de calcul sont donnes et dpendent de beaucoup de paramtres qui dpassent le cadre de ce papier. Calcul de similarit selon une approche probabiliste: pour dcider quel objet dapprentissage doit tre prsent un apprenant donn, le travail (Santally,2005) propose un algorithme avec une approche probabiliste. Il est appliqu aux traits psychologiques de lapprenant qui sont regroups dans une nouvelle catgorie, propose comme extension du modle LOM.
Quelques caractristiques du profil de lapprenant Cognitive style Visual=0.7 Auditory=0.2 Kinesthetic=0.1 Serial=0.8 Holist=0.2 Cognitive controls Field dependent=0.9 Field independent=0.1 Flexibility=0.4 Constriction=0.6 LO1 Visual=0.4 Auditory=0.3 Kinaesthetic=0.3 Serial=0.6 Holist=0.4 Field Dependent=0.2 Field Independent=0.8 Objets dapprentissage slectionner (LO1, LO2, LO3) LO2 Visual=0.2 Auditory=0.5 Kinaesthetic=0.3 Serial=0.2 Holist=0.8 Field Dependent=0.7 Field Independent=0.3 Flexibility=0.7 Constriction=0.3

Flexibility=0.6 Constriction=0.4

LO3 : Visual=0.5 Auditory=0.2 Kinaesthetic=0.3 Serial=0.2 Holist=0.8 Field Dependent=0.1 Field Independent=0.9 Flexibility=0.2 Constriction=0.8

Figure 1. Objets dapprentissage confronts aux traits psychologiques de lapprenant La premire tape consiste identifier les objets satisfaisant la plupart des points forts en terme de prfrence chez l' apprenant. Exemple (figure 1): LO1 (Visual [0.4] & Serial [0.6]), LO2 (Field Dependent [0.7]) et LO3 (Visual [0.5] & Construction [0.8]). Dans la deuxime tape, on calcule le total des valeurs pour chaque objet d' apprentissage : LO1 [1.0], LO2 [0.7] et LO3 [1.3]. Lobjet qui sera choisi est celui dont le total des valeurs est maximal (LO3). Si les totaux calculs des objets dapprentissage sont gaux, alors une marge d' erreur est calcule pour chaque objet relativement aux valeurs des prfrences de l' apprenant. Si les marges derreur calcules sont aussi gales, le systme choisit alors un objet alatoirement.

166

Une mthode dadaptation des objets dapprentissage aux apprenants -Utilisation des langages IMS-LOM et IMS-LIP-

4.2 Mthodes avec rgles dadaptation

Dans (Rumetshofer et Woss ,2003) on propose une adaptation de lenvironnement dun apprenant (objets dapprentissage et outils) ses traits psychologiques. Pour cela, des rgles dcrites en XML sont utilises et une transformation XSLT est alors effectue. Cette dernire possde en entre les rgles dadaptation, le profil de lapprenant et les objets dapprentissage. Elle fournit en sortie une vue personnalise de lactivit en cours et les outils manipuler.

4.3 Comparaison des deux familles de mthodes

A titre comparatif, le calcul de similarit seffectue entre les valeurs de deux objets qui ont des lments en commun. Cette opration est utilise gnralement dans le cas o les lments possdent des valeurs numriques et le nombre dlments comparer est important (ce qui rend le contrle difficile en les traitant un un). Quant aux rgles dadaptation, elles peuvent agir sur des lments qui nont pas les mmes types de donnes (texte, numrique..) et peuvent faire correspondre plusieurs critres dans lobjet dapprentissage une seule caractristique de lapprenant. Mais la prise en charge dun nombre important dlments peut rendre la tche fastidieuse et peut ncessiter un temps considrable pour les utiliser dans ladaptation.

5 Notre contribution

Notre contribution se rsume proposer une mthode dadaptation des objets dapprentissage, supposs qualifis avec IMS-LOM, aux apprenants en fonction de leurs profils, supposs caractriss avec IMS-LIP. Cette adaptation combine un mcanisme de calcul de similarit utilisant la mthode de cosinus et des rgles dadaptation. Une extension des deux langages IMS-LOM et IMS-LIP sest avre ncessaire pour faciliter la comparaison des deux catgories de mta donnes quils dcrivent.

5.1 Extension du langage IMS-LIP

Il est indispensable que les traits psychologiques soient dfinis de manire prcise pour tre exploits automatiquement dans le processus dapprentissage laide de champs spcifiques et un vocabulaire prdfini. Nous tendons ainsi la catgorie Accessibility du langage IMSLIP avec une sous-catgorie appele Psychological (Partie droite de la figure 2) qui indique les valeurs des caractristiques cites dans (Santally,2005).

5.2 Extension du langage IMS-LOM

Linconvnient du modle IMS-LOM est quil est plus descriptif que normatif [Salv05]. Le remplissage des champs peut rendre difficile la recherche dun objet dapprentissage car le vocabulaire est parfois absent et lindexeur utilise le langage naturel selon son interprtation de ces champs. Il est plus destin, dans ce cas, une recherche manuelle qu une recherche automatique. Dans le langage IMS-LOM, la catgorie qui touche le plus laspect pdagogique dun objet dapprentissage est la catgorie Educational. Mais dans ladaptation des objets dapprentissage au profil de lapprenant, les lments de la catgorie Educational sont insuffisants pour permettre de retrouver lesquels conviennent un apprenant donn. En effet, le langage IMS-LOM manque dlments qui prennent en considration le profil de lapprenant. Nous avons propos une double extension du modle IMS-LOM en vue de faciliter l' adaptation. La premire consiste rajouter une nouvelle valeur is equivalent to au champ Kind de la catgorie "Relation" pour signaler les autres alternatives dun objet
167

Khadidja Fenineche et Azeddine Chikh

dapprentissage, ou de ses lments dans le cas o il est structur. La seconde consiste rajouter, dans la catgorie Educational , une nouvelle mta donne baptise TypicalLearner , sous forme dune rfrence vers un profil-type dapprenant potentiel, pour lequel lobjet dapprentissage est conu (Partie gauche de la figure 2).

General Lifecycle Meta-metadata Technical Educational Typical-Learner Relation Annotation Classification

LOM tendu avec un profil-type dapprenant

IMS-LIP tendu (nouvel lment Psychological)

Identification Goal Qcl Activity

Language Elligibility Preferences Disability Psychological

Language Elligibility Preferences Disability Psychological

Competency Transcript Accessibility Interest Affiliation Securitytype Relationship Ext_learnerinfo

Figure 2. Extension du modle LOM avec un profil type dapprenant Ce profil-type possde un sous-ensemble dlments de la catgorie Accessibilty du modle IMS-LIP, tendu par la sous-catgorie Psychological. Elle contiendra les handicaps de lapprenant, ses traits psychologiques, ses prfrences linguistiques et de visualisation du contenu des objets dapprentissage. Un lien vers un profil-type permettra dallger le travail dindexation. Les profils-types sont stocks conjointement avec les objets dapprentissage. Un diteur du langage IMS-LOM doit ainsi permettre ldition des profils types avec le modle IMS-LIP.

5.3 Mthode dadaptation hybride

Nous utilisons pour la recherche de lobjet dapprentissage le plus adquat pour un apprenant donn, une mthode dadaptation hybride qui combine la fois les deux types de mthodes, vus dans la section 4. Nous procdons une priorisation des caractristiques daccessibilit selon lordre : (1) handicaps ; (2) langue ; (3) prfrences de visualisation ; (4) traits psychologiques. On vrifie ainsi dabord si lapprenant prsente un handicap sensoriel, moteur ou autre puisque cest une priorit quil soit dot des instruments et des objets dapprentissage qui lui sont propres. La langue peut aussi tre un handicap pour lapprentissage dans le cas o un apprenant est en face dun objet dapprentissage dont il ne comprend pas le sens. Par la suite, ce sont les prfrences de visualisation qui sont traites (taille du caractre, prsentation de linformation, illustration, texte, animation). Nous recommandons que ces prfrences soient pondres pour tre traites par ordre de priorit. Quant aux traits psychologiques, ils sont gnraux et peuvent ne pas tre adquats dans certains types de situations.

168

Une mthode dadaptation des objets dapprentissage aux apprenants -Utilisation des langages IMS-LOM et IMS-LIPNous appliquons un calcul de similarit dans le cas o les prfrences et/ou les traits psychologiques ont des valeurs numriques et possdent le mme poids. Nous utilisons la mthode du cosinus pour le calcul de similarit, pour sa facilit dimplmentation. Elle effectue un calcul de similarit entre deux vecteurs reprsents dans un espace n dimensions ( n tant le nombre de valeurs comparer) [Web02]. Cette mthode est beaucoup utilise dans le domaine de la recherche documentaire. Les vecteurs contiennent, dans ce cas, les poids des diffrents termes dans la requte et dans les documents. Le but est de trouver le document qui rpond le plus la requte. Dans notre cas, nous voulons calculer la similarit entre, dune part les prfrences dcrites avec IMS-LIP dun apprenant donn, et dautre part les caractristiques des apprenants potentiels types, dcrites elles aussi avec IMS-LIP et rattaches IMS-LOM via la mta donne de type pointeur Typical-Learner . Nous cherchons en effet trouver parmi les apprenants potentiels types dobjets dapprentissage quivalents (alternatives) celui qui se rapproche le plus du profil de lapprenant. Lobjet dapprentissage le plus adapt cet apprenant sera ensuite rcupr directement via la mtadonne Typical-Learner . Si lon considre : T = (t1,t2,.,tn) Le vecteur qui contient lensemble des caractristiques des apprenants potentiels types rattachs aux objets dapprentissage avec la mta donne Typical-Learner . A = (a1,a2,..,an) Le vecteur reprsentatif des valeurs des caractristiques dun apprenant donn T1, T2, T3 Trois vecteurs reprsentant trois apprenants potentiels types

T2

T1 T3 A

Figure 3. Similarits entre vecteurs Alors la cible la plus pertinente est celle qui forme avec A un angle qui se rapproche de zro. Dans cet exemple T3 est la cible la plus pertinente vu langle quil forme avec A. Si A = (a1,a2,.,an) est le vecteur qui reprsente une cible donne, alors, la formule suivante est utilise pour la mesure de similarit entre les deux vecteurs (A et T):
N

M cos ( A, T )

A A

T T

at
N i =1

i =1 N i =1

ai2

ti2

Lobjet dapprentissage qui sera choisi est celui qui donne une valeur se rapprochant de 1 avec les prfrences de lapprenant A.

169

Khadidja Fenineche et Azeddine Chikh

Exemple Nous considrons dans le tableau 1 ci-dessous un vecteur A de traits psychologiques dun apprenant donn et trois vecteurs T1, T2 et T3 qui dcrivent ces mmes traits pour des apprenants potentiels types de trois objets dapprentissage quivalents respectifs (O1, O2 et O3). Le rsultat obtenu en appliquant la mthode du cosinus, montre que le meilleur rsultat (0.94) est obtenu avec lobjet dapprentissage (O3). Ce dernier est donc le plus adapt du point de vue des traits psychologiques de l' apprenant A, de par son rapprochement de 1. Caractristiques Apprenant donn comparer (A)
Visual Auditory Kinesthetic Serialist Holist Field Dependance Field Independance Flexibilty Construction Cosinus (S, C) 0.15 0.6 0.25 0.1 0.9 0.18 0.82 0.1 0.9

Apprenant-type Apprenant-type Apprenant-type Objet O1 (T1) Objet O2 (T2) Objet O3 (T3)

0.2 0.64 0.16 0.28 0.72 0.55 0.45 0.66 0.34 0.8084878 0.13 0.32 0.55 0.23 0.77 0.79 0.21 0.34 0.66 0.79472029 0.3 0.24 0.46 0.3 0.7 0.11 0.89 0.23 0.77 0.94107013

Figure 4: Exemple de calcul se similarit par la mthode du cosinus

5.4 Test de la mthode

Nous avons utilis le mme chantillon qui a t soumis la validation dans (Santally,2005) pour comparer les rsultats obtenus avec lalgorithme de (Santally,2005) et ceux obtenus avec la mthode du cosinus. Nous avons constat que 7 sur 8 des cas sont identiques. Nous pensons que la non-conformit des rsultats, du seul cas qui reste, est d au fait que la mthode (Santally,2005) repose sur la slection des prfrences les plus importantes chez lapprenant pour trouver les objets qui rpondent le mieux lapprenant. Cependant limportance des prfrences chez lapprenant est en effet une notion trop subjective. Cette subjectivit est due au fait que la mthode (Santally,2005) nglige dans son calcul les faibles prfrences, alors quelles peuvent conditionner un certain moment le choix dun objet. En outre, chaque enseignant peut obtenir des rsultats diffrents car le seuil nest pas prdfini. Un enseignant donn peut dcider par exemple de prendre en compte dans le calcul la valeur 0.4 pour ce seuil alors quun autre peut le fixer 0.5 au minimum. Par consquent, le calcul peut engendrer des rsultats diffrents. Alors que la mthode du cosinus tient compte de toutes les valeurs des caractristiques chez un apprenant et fournit obligatoirement le meilleur rsultat.

170

Une mthode dadaptation des objets dapprentissage aux apprenants -Utilisation des langages IMS-LOM et IMS-LIP-

5.5 Processus de filtrage

Le nombre des objets dapprentissage quivalents diminuera progressivement jusqu arriver lobjet le plus adapt lapprenant. Le filtrage se fait alors selon le processus suivant : Etape 1. Filtrage par rapport aux handicaps : on cherche, parmi les objets dapprentissage quivalents, ceux qui rpondent aux handicaps majeurs, et on applique ensuite dune manire rcursive le mme principe sur les objets obtenus. Ces dficiences ne sont pas toujours satisfaites avec des objets dapprentissage quivalents mais laide de la disposition dans les plates formes dapprentissage doutils comme les convertisseurs en braille, des outils de transformation des couleurs et des translateurs de loral vers lcrit, et vise versa, Etape 2. Filtrage par rapport la langue : lexemple prsent dans la figure 4 ci-dessous, est relatif la description de la caractristique langue chez un apprenant laide dIMSLIP. Lapprenant matrise deux langues : le franais et langlais et possde des niveaux de matrise pour le parler OralSpeak , lcriture Writing , la lecture Reading et la comprhension de loral OralComp . Parmi les objets dapprentissage quivalents, obtenus avec la valeur is equivalent to du champ Kind de la catgorie Relation du langage IMS-LOM, celui qui sera prsent cet apprenant doit tre dans une langue que ce dernier matrise. Il doit possder des facults de comprhension de loral si lobjet est en format audio, par exemple, et doit savoir lire les objets en format texte, et parler quand un objet ncessite une interaction orale avec lapprenant. Lindexeur doit donc renseigner le degr de matrise de la langue chez lapprenant-type de lobjet dapprentissage. La rgle dadaptation doit vrifier que la langue de lobjet dapprentissage doit correspondre lune des langues spcifies dans le profil apprenant (anglais et franais pour cet exemple). Tous les objets dapprentissage quivalents qui ne rpondent pas aux langues matrises par lapprenant seront limins. Si les prfrences de visualisation du contenu et les traits psychologiques ne sont pas spcifis chez lapprenant alors les composants seront soumis un classement selon le degr de matrise de(s) langue(s) par ce dernier. Dans lexemple suivant, nous montrons comment trois objets dapprentissage quivalents (O1, O2, O3) peuvent tre confronts aux valeurs de matrise de la langue dans tous les aspects cits plus haut. Nous avons prvu dattribuer un score pour chaque degr de matrise de loral et lcrit. La valeur Excellent aura un score de 20 ; la valeur Good aura un score de 15 ; la valeur Medium aura un score de 10 ; et enfin la valeur Poor aura un score de 5. Pour le cas de lexemple ci-dessus, lapprenant aura les scores suivants pour le franais. Une valeur non renseigne dans le profil type rattach lobjet dapprentissage se fera attribue le score 0 pour ne prendre en charge que les valeurs qui sont importantes.
Matrise de la langue par lapprenant OralSpeak OralComp Writing Reading Valeur du degr de matrise de langue 15 15 15 5 Valeur requise au niveau de O1 15 15 0 0 Valeur requise au niveau de O2 0 0 10 10 Valeur requise au niveau de O3 10 15 15 10

Figure 5: Exemple de composants alternatifs filtrer par rapport la langue de lapprenant

171

Khadidja Fenineche et Azeddine Chikh

Le calcul de similarit est effectu de la mme manire que pour les traits psychologiques prsents prcdemment et lobjet dapprentissage retenu sera celui qui maximisera les rsultats obtenus. Etape 3. Filtrage par rapport aux prfrences de visualisation du contenu : lensemble des objets dapprentissage qui restent sera soumis une adaptation aux prfrences de visualisation du contenu. Pour mieux traiter ce type de prfrence, le systme doit offrir la possibilit un apprenant de donner un poids chaque prfrence pour faciliter le filtrage. Les objets retenus sont ceux qui rpondent aux prfrences classes par ordre de priorit. Etape 4. Filtrage par rapport aux traits psychologiques de lapprenant : ce filtrage a t expliqu dans la section qui prsente la mthode du cosinus. Ce dernier filtrage aboutit un seul objet dapprentissage qui sera enfin visualis lapprenant.

<language> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>French</tyvalue> </typename> <comment>Degr de matrise du franais par lapprenant (lu,crit,parl,Comprhension de loral)</comment> <contentype> <referential> <indexid>language_01</indexid> </referential> </contentype> <proficiency profmode="OralSpeak">Good</proficiency> <proficiency profmode="OralComp">Good</proficiency> <proficiency profmode="Reading">Good</proficiency> <proficiency profmode="Writing">Poor</proficiency> </language> <language> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>English</tyvalue> </typename> <comment>Degr de matrise de langlais par lapprenant (lu,crit,parl,comprhension de loral)</comment> <contentype> <referential> <indexid>language_02</indexid> </referential> </contentype> <proficiency profmode="OralSpeak">Poor</proficiency> <proficiency profmode="OralComp">Poor</proficiency> <proficiency profmode="Reading">Good</proficiency> <proficiency profmode="Writing"> Excellent </proficiency> </language>

Figure 6. Un exemple de reprsentation des langues matrises par un apprenant avec IMS-LIP

172

Une mthode dadaptation des objets dapprentissage aux apprenants -Utilisation des langages IMS-LOM et IMS-LIP-

La mthode dadaptation que nous avons propose vise lextension des langages IMS-LOM et IMS-LIP pour faciliter la confrontation des caractristiques des objets dapprentissage quivalents, relatives leurs apprenants-types dun ct avec les caractristiques de lapprenant lies laccessibilit. Nous avons montr aussi comment on peut signaler les objets dapprentissage quivalents alternatives . La mthode propose adopte un mcanisme dadaptation hybride qui utilise en plus des rgles dadaptation le calcul de similarit selon la mthode du Cosinus. Cette dernire est caractrise par sa simplicit et sa facilit dimplmentation. Les objets dapprentissage quivalents sont limins progressivement selon un ordre dimportance des caractristiques daccessibilit. Enfin nous notons que lutilisation des normes IMS-LOM et IMS-LIP confre aux objets dapprentissage la prennit et linteroprabilit.

6 Conclusion

Rfrences bibliographiques
Boley H., Bahvsar V. C., Hirtle D.,.Singh A, Sun Z., Yang L. (2005), A match-making System for learners and learning Objects, The International Journal of Interactive Technology and Smart Education, 2(3). Troubador (editeur) Leister, Royaume-Unu, pp171-178, Aout 2005. Brusilovsky P. (2001), Adaptive Hypermedia, Adaptive Hypertext and user Modeling and user adapted interaction , V11 pp 87-110, 2001 - http://www.sis.pitt.edu/~peterb/papers.html Chawk M. (2004), Lusage des mtadonnes dans la description et la recherche des ressources pdagogiques sur le WEB , Colloque TICE Mditerrane - NICE les 26 et 27 Novembre. Duval E. (2001), Normalisation des technologies ducatives: A quoi bon? , Cinquime colloque hypermdias et apprentissages, Grenoble 2001 : EPI ; INRP. 25-34. [OAI: oai:archive-edutice.ccsd.cnrs.fr:edutice-00000449_v1], http://archiveedutice.ccsd.cnrs.fr/edutice-00000449/en/ Oubahssi L.(2005), Conception de plates-formes logicielles pour la formation distance, prsentant des proprits d' adaptabilit diffrentes catgories d' usagers et d' interoprabilit avec d' autres environnements logiciels , Thse de doctorat de lUniversit Ren Descartes Paris V, 2005 Hong H. & Kinshuk (2004), Adaptation to student Learning styles in Web Based Educational Systems. In L. Cantoni & C.McLoughlin (Eds.) Proceding of ED-Media 2004- World conference on Educational Multimedia, Hypermedia & telecommunications, June 21-26 2004, Lugano, Switzerland), USA: AACE,491-496 (ISBN 1-880094-53-3). Rumetshofer H. and Woss W. (2003), XML-based Adaptation Framework for Psychologicaldriven E-Learning Systems, Educational Technology & Society 6(4): 18-29 (2003), accessible via http://ifets.ieee.org/periodicals/6_3/4.pdf.

173

Khadidja Fenineche et Azeddine Chikh

Santally M. I (2005), A learning object Approach to Personalized Web-Based Instruction European Journal of Open, Distance and E-learning (EURODL), 2005 http://www.eurodl.org/materials/contrib/2005/Santally.htm Tchounikine P. (2002), Quelques lments sur la conception et lingnierie des EIAH, Lium Universit du MainePierre. http://sis.univ-tln.fr/gdri3/fichiers/assises2002/ IngenierieDesEIAH-Slides.pdf Yang L. Ball M., Bahvsar V.C., Boley H. (2005), Weighted Partonomy-taxonomy Trees with local similarity measures for semantic buyer-seller match making, Journal of Business and technology. Atlantic Academic Press, Frederiction, nouveau Brunwik, vol 1, n7 Octobre 2005 pp42-54 [Web01] Draft Standard for Learning Object Metadata, IEEE 1484.12.1-2002, http://www.ltsc.ieee.org/wg12/files/ LOM_1484_12_1_v1_Final_Draft.pdf, [Web02] Vector Model Information Retrieval, Florida State University, September 2003, www.hray.com/5264/math.htm, [Web03] IMS Learner Information Packaging Best Practice & Implementation Guide, http://www.imsglobal.org/profiles/lipbest01a.html [Web04] Nomenclature des dficiences, incapacits et dsavantages , http://daniel.calin.free.fr/textoff/nomenclature_1989.html#ar [Web05] Accessibility, http://www.imsglobal.org/accessibility/index.html

174