Détails du sujet
Conception et réalisation d'un système intelligent d'apprentissage adaptatif et optimisé pour la préparation aux examens sur plateformes mobiles et web : Approche hybride basée sur les LLMs
Résumé
Auteur : TANI David
Niveau: G3
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-03-07 12:30:35
Mots clés
Python, Typescript, Artificial intelligence, NLP, LLM, Machine learning, SQL
Intérêt
Ce travail présente un double intérêt :
a. Intérêt scientifique
✓ Contribution à la recherche sur les systèmes d’apprentissage intelligents.
✓ Exploration d’une approche hybride combinant des modèles de langage avancés et un suivi personnalisé.
✓ Développement d’un cadre d’optimisation pour la préparation aux examens via l’IA.
b. Intérêt pratique
✓ Proposition d’un outil innovant pour améliorer la réussite scolaire et académique.
✓ Plateforme accessible sur mobile et web, facilitant l’apprentissage ubiquitaire.
✓ Adaptation aux besoins des apprenants grâce à une IA optimisée.
Problématique
L’accès aux ressources pédagogiques numériques a révolutionné l’apprentissage, mais les plateformes existantes peinent à s’adapter aux besoins spécifiques de chaque apprenant. Les élèves de l'école primaire, les étudiants du secondaire et de l’université rencontrent des difficultés pour organiser efficacement leur préparation aux examens, car les systèmes classiques manquent de personnalisation et de suivi adaptatif de la progression.
✓ Comment concevoir un système intelligent capable de s’adapter au rythme d’apprentissage de chaque apprenant ?
✓ Comment optimiser l’intégration des modèles de langage (LLMs) pour fournir un accompagnement efficace et individualisé ?
✓ De quelle manière une approche hybride combinant des modèles pré-entraînés et un suivi personnalisé peut-elle améliorer la préparation aux examens ? Plan provisoire
Introduction
1. Contexte et justification du sujet
2. Problématique et objectifs
3. Méthodologie et organisation du travail
Chapitre 1 : État de l’art
1. Apprentissage adaptatif et intelligence artificielle
2. Les LLMs et applications en éducation
3. Solutions existantes et leurs limites
Chapitre 2 : Conception du système
1. Architecture générale
2. Approche hybride : IA et suivi personnalisé
3. Développement du backend avec du Python moderne
Chapitre 3 : Développement du frontend
1. Application web et mobile
2. Interaction entre les utilisateurs et l’IA
Chapitre 4 : Expérimentation et validation
1. Déploiement et tests sur un échantillon d’étudiants
2. Résultats et analyses
Conclusion et perspectives
1. Synthèse des résultats
2.Améliorations possibles et pistes de recherche future Hypothèses
Nous posons l’hypothèse que :
✓ L’utilisation d’une approche hybride (LLMs + suivi personnalisé) permet une meilleure adaptation aux besoins des apprenants.
✓ Une plateforme mobile et web, optimisée pour l’apprentissage adaptatif, améliore l’efficacité de la préparation aux examens.
✓ La combinaison d’une IA de traitement du langage et d’un moteur de suivi des progrès offre un accompagnement plus efficace qu’un système classique. Méthodes
Notre démarche repose sur plusieurs étapes clés :
1. Analyse des besoins :
Étude des méthodes actuelles de préparation aux examens et identification des lacunes.
2. Conception du système :
Développement du backend robuste en Python moderne pour assurer le fonctionnement intégral du système intégrant une IA hybride basée sur des modèles pré-entraînés et de suivi personnalisé.
3. Développement du frontend :
✓ Application web avec HTML, CSS, Typescript
✓ Application mobile avec TypeScript
4. Tests et validation :
Évaluation de la performance du système auprès d’un échantillon d’étudiants, d'élèves.
5. Analyse des résultats et amélioration :
Ajustements du modèle et de l’interface en fonction des retours utilisateurs.
Bibliographie
1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
2. Brown, T., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. NeurIPS.
3. Luckin, R. (2018). Machine Learning and Human Intelligence: The Future of Education for the 21st Century. UCL Press.
4. Yudin, A. ( 2020 ) .Building Versatile Mobile Apps with Python and REST. Après
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGE
Encadreur: MOLO Joaquim MBASA
Status
Décision ou observation:
Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON
Conception et réalisation d'un système intelligent d'apprentissage adaptatif et optimisé pour la préparation aux examens sur plateformes mobiles et web : Approche hybride basée sur les LLMs
Résumé
Auteur : TANI David
Niveau: G3
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-03-07 12:30:35
Mots clés
Python, Typescript, Artificial intelligence, NLP, LLM, Machine learning, SQLIntérêt
Ce travail présente un double intérêt :a. Intérêt scientifique
✓ Contribution à la recherche sur les systèmes d’apprentissage intelligents.
✓ Exploration d’une approche hybride combinant des modèles de langage avancés et un suivi personnalisé.
✓ Développement d’un cadre d’optimisation pour la préparation aux examens via l’IA.
b. Intérêt pratique
✓ Proposition d’un outil innovant pour améliorer la réussite scolaire et académique.
✓ Plateforme accessible sur mobile et web, facilitant l’apprentissage ubiquitaire.
✓ Adaptation aux besoins des apprenants grâce à une IA optimisée.
Problématique
L’accès aux ressources pédagogiques numériques a révolutionné l’apprentissage, mais les plateformes existantes peinent à s’adapter aux besoins spécifiques de chaque apprenant. Les élèves de l'école primaire, les étudiants du secondaire et de l’université rencontrent des difficultés pour organiser efficacement leur préparation aux examens, car les systèmes classiques manquent de personnalisation et de suivi adaptatif de la progression.✓ Comment concevoir un système intelligent capable de s’adapter au rythme d’apprentissage de chaque apprenant ?
✓ Comment optimiser l’intégration des modèles de langage (LLMs) pour fournir un accompagnement efficace et individualisé ?
✓ De quelle manière une approche hybride combinant des modèles pré-entraînés et un suivi personnalisé peut-elle améliorer la préparation aux examens ?
Plan provisoire
Introduction1. Contexte et justification du sujet
2. Problématique et objectifs
3. Méthodologie et organisation du travail
Chapitre 1 : État de l’art
1. Apprentissage adaptatif et intelligence artificielle
2. Les LLMs et applications en éducation
3. Solutions existantes et leurs limites
Chapitre 2 : Conception du système
1. Architecture générale
2. Approche hybride : IA et suivi personnalisé
3. Développement du backend avec du Python moderne
Chapitre 3 : Développement du frontend
1. Application web et mobile
2. Interaction entre les utilisateurs et l’IA
Chapitre 4 : Expérimentation et validation
1. Déploiement et tests sur un échantillon d’étudiants
2. Résultats et analyses
Conclusion et perspectives
1. Synthèse des résultats
2.Améliorations possibles et pistes de recherche future
Hypothèses
Nous posons l’hypothèse que :✓ L’utilisation d’une approche hybride (LLMs + suivi personnalisé) permet une meilleure adaptation aux besoins des apprenants.
✓ Une plateforme mobile et web, optimisée pour l’apprentissage adaptatif, améliore l’efficacité de la préparation aux examens.
✓ La combinaison d’une IA de traitement du langage et d’un moteur de suivi des progrès offre un accompagnement plus efficace qu’un système classique.
Méthodes
Notre démarche repose sur plusieurs étapes clés :1. Analyse des besoins :
Étude des méthodes actuelles de préparation aux examens et identification des lacunes.
2. Conception du système :
Développement du backend robuste en Python moderne pour assurer le fonctionnement intégral du système intégrant une IA hybride basée sur des modèles pré-entraînés et de suivi personnalisé.
3. Développement du frontend :
✓ Application web avec HTML, CSS, Typescript
✓ Application mobile avec TypeScript
4. Tests et validation :
Évaluation de la performance du système auprès d’un échantillon d’étudiants, d'élèves.
5. Analyse des résultats et amélioration :
Ajustements du modèle et de l’interface en fonction des retours utilisateurs.
Bibliographie
1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.2. Brown, T., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. NeurIPS.
3. Luckin, R. (2018). Machine Learning and Human Intelligence: The Future of Education for the 21st Century. UCL Press.
4. Yudin, A. ( 2020 ) .Building Versatile Mobile Apps with Python and REST. Après
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGEEncadreur: MOLO Joaquim MBASA
Status
Décision ou observation:Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON