Détails du sujet
Conception et réalisation d'un système d'aide à la correction d'épreuves à caractère théorique basé sur les LLM, cas de GPT-3 et LLAMA-2
Résumé
Auteur : Muhigiri Ashuza
Niveau: TECH2
Département: Genie Informatique
Année Ac: 2023-2024 , | 2024-04-04 13:45:30
Mots clés
Intelligence artificielle ,Traitement du langage naturel , Correction automatique, GPT, LLM
L'essor de l'IA offre de nouvelles perspectives pour la correction automatisée des copies L’intérêt de ce sujet est de manière globale le suivant :
Intérêt
• Gain de temps et d'efforts pour les enseignants.
• Objectivité et cohérence accrues dans la correction.
• Feedback individualisé pour les étudiants.
• Meilleure analyse des performances des étudiants.
Problématique
La correction manuelle des copies d'évaluation est un processus long, fastidieux et subjectif. L'utilisation de l'IA pour automatiser cette tâche permettrait de libérer du temps pour les enseignants, d'améliorer la qualité de l'évaluation et de fournir aux étudiants un feedback plus précis et personnalisé. Plan provisoire
Chapitre 1: Introduction et état de l'art.
Chapitre 2: Méthodologie de recherche.
Chapitre 3: Conception et développement du système.
Chapitre 4: Évaluation et validation du système.
Chapitre 5: Discussion et conclusion.
Hypothèses
Il est possible de développer un système de correction de copies d'évaluation basé sur l'IA capable de:
• Identifier les éléments clés d'une réponse.
• Évaluer la qualité de la réponse par rapport à des critères prédéfinis.
• Fournir un feedback individualisé aux étudiants
Méthodes
Pour arriver à réaliser ce travail, nous utiliserons les techniques qui suivent :
• Revue de la littérature sur les systèmes de correction automatique et l'IA appliquée à l'éducation ainsi que le model GPT.
• Collecte et constitution d'un corpus de copies d'évaluation annotées.
• Choix de l’API
• Développement du système
• Évaluation et validation du système sur un corpus de test.
Bibliographie
S. Harari et al., "Automatic grading of essays using recurrent neural networks," arXiv preprint arXiv: 1608.06762, 2016.
Ankur Bapna, al Transformers for Natural Language Processing, 2020
Hands-on machine learning with sci-kit learn, Keras, and TensorFlow 3rd edition, O'Reilly Media, Inc, 2022
Documentation de l'API GPT-3, Azure Open AI
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... & Amodei, D. (2020). Language models are few-shot learners. Advances in Neural.
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGE
Encadreur: KRAME David KADURHA
Status
Décision ou observation:
Feu vert:
Déposé : NO
Défendu: NO
Finalisé:
Conception et réalisation d'un système d'aide à la correction d'épreuves à caractère théorique basé sur les LLM, cas de GPT-3 et LLAMA-2
Résumé
Auteur : Muhigiri Ashuza
Niveau: TECH2
Département: Genie Informatique
Année Ac: 2023-2024 , | 2024-04-04 13:45:30
Mots clés
Intelligence artificielle ,Traitement du langage naturel , Correction automatique, GPT, LLML'essor de l'IA offre de nouvelles perspectives pour la correction automatisée des copies L’intérêt de ce sujet est de manière globale le suivant : Intérêt
• Gain de temps et d'efforts pour les enseignants.
• Objectivité et cohérence accrues dans la correction.
• Feedback individualisé pour les étudiants.
• Meilleure analyse des performances des étudiants.
Problématique
La correction manuelle des copies d'évaluation est un processus long, fastidieux et subjectif. L'utilisation de l'IA pour automatiser cette tâche permettrait de libérer du temps pour les enseignants, d'améliorer la qualité de l'évaluation et de fournir aux étudiants un feedback plus précis et personnalisé.Plan provisoire
Chapitre 1: Introduction et état de l'art.Chapitre 2: Méthodologie de recherche.
Chapitre 3: Conception et développement du système.
Chapitre 4: Évaluation et validation du système.
Chapitre 5: Discussion et conclusion.
Hypothèses
Il est possible de développer un système de correction de copies d'évaluation basé sur l'IA capable de:• Identifier les éléments clés d'une réponse.
• Évaluer la qualité de la réponse par rapport à des critères prédéfinis.
• Fournir un feedback individualisé aux étudiants
Méthodes
Pour arriver à réaliser ce travail, nous utiliserons les techniques qui suivent :• Revue de la littérature sur les systèmes de correction automatique et l'IA appliquée à l'éducation ainsi que le model GPT.
• Collecte et constitution d'un corpus de copies d'évaluation annotées.
• Choix de l’API
• Développement du système
• Évaluation et validation du système sur un corpus de test.
Bibliographie
S. Harari et al., "Automatic grading of essays using recurrent neural networks," arXiv preprint arXiv: 1608.06762, 2016.Ankur Bapna, al Transformers for Natural Language Processing, 2020
Hands-on machine learning with sci-kit learn, Keras, and TensorFlow 3rd edition, O'Reilly Media, Inc, 2022
Documentation de l'API GPT-3, Azure Open AI
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... & Amodei, D. (2020). Language models are few-shot learners. Advances in Neural.
Directeur & Encadreur
Directeur: BARAKA Olivier MUSHAGEEncadreur: KRAME David KADURHA
Status
Décision ou observation:Feu vert:
Déposé : NO
Défendu: NO
Finalisé: