Description

Ce projet de thèse se situe à l'intersection de l'intelligence artificielle, des sciences cognitives et des sciences de l'éducation. Il vise à développer des modèles d'apprentissage automatique multimodaux, personnalisés, robustes et explicables pour estimer l'effort cognitif réel des apprenants dans des environnements d'apprentissage numériques hybrides, notamment les tiers-lieux numériques éducatifs.
L'effort cognitif joue un rôle central dans l'engagement des apprenants : il conditionne la profondeur du traitement de l'information, la consolidation des connaissances et la capacité à transférer les apprentissages. Pourtant, cet effort est difficile à observer directement et est le plus souvent approximé par des mesures subjectives (questionnaires d'auto-évaluation, échelles de charge mentale), dont la fiabilité est limitée par des biais de perception, de comparaison sociale ou de contexte. La littérature distingue ainsi l'effort réel avec les ressources cognitives effectivement mobilisées de l'effort perçu et la perception subjective qu'en a l'apprenant, concernant ces deux dimensions qui peuvent fortement diverger.
Les environnements d'apprentissage numériques génèrent aujourd'hui de grandes quantités de traces d'interaction : logs de navigation, réponses à des questionnaires, signaux physiologiques (fréquence cardiaque, activité électrodermale), indicateurs de performance. Ces données hétérogènes, encore rarement exploitées de manière intégrée, constituent un matériau riche pour estimer l'effort cognitif réel de façon plus objective et personnalisée.
Trois défis scientifiques principaux structurent ce projet. Le premier consiste à formaliser un cadre conceptuel robuste de l'effort cognitif réel, distinguant clairement effort réel et effort perçu, en intégrant les biais individuels (profil, motivation, état émotionnel) et contextuels (tâche, dispositif technique), et en définissant un ensemble cohérent d'indicateurs observables exploitables par des modèles d'IA. Le deuxième défi porte sur la conception de modèles d'apprentissage automatique multimodaux et personnalisés, capables de fusionner des données subjectives, comportementales, physiologiques et de performance, de capturer les dynamiques temporelles de l'effort, et de maintenir un équilibre entre précision, robustesse et complexité computationnelle. Le troisième défi concerne l'intégration des principes de l'IA responsable dès la conception : explicabilité des prédictions pour les enseignants et chercheurs en éducation, détection et réduction des biais (genre, niveau académique, contexte socio-économique), et évaluation de l'impact pédagogique et éthique des indicateurs produits.
Les travaux seront organisés sur trois ans : une première année dédiée à la revue de littérature interdisciplinaire, à la formalisation du cadre conceptuel et à la conception du protocole de collecte de données ; une deuxième année consacrée au développement et à la comparaison d'architectures de modèles multimodaux (modèles séquentiels, architectures profondes, modèles à facteurs latents) et à l'intégration de la personnalisation ; une troisième année focalisée sur les méthodes d'explicabilité, l'analyse des biais, les stratégies de mitigation et l'évaluation de l'acceptabilité des indicateurs par les parties prenantes éducatives.
Ce projet s'inscrit dans les ambitions du cluster ENACT et vise à produire des outils concrets d'aide à la décision pédagogique, plus adaptatifs, équitables et transparents.

Compétences requises

Le doctorant devra être titulaire (ou en cours d’obtention) d’un Master ou diplôme d’ingénieur en informatique, sciences cognitives, sciences des données ou mathématiques. Les capacités de conception, d’analyse et l’autonomie du candidat sont importantes pour cette thèse, de même que des compétences en développement et une bonne capacité d’interaction et d’écoute (au vu du contexte de la thèse, des interactions avec les enseignants et élèves)

Bibliographie

Scariot, A. P., Andrade, F. G., Silva, J. M. C. da, & Imran, H. (2016). Students Effort vs. Outcome: Analysis Through Moodle Logs. In proc. ICALT.
Steele, J. (2020), ‘What is (perception of) effort? Objective and subjective effort during task performance’, PsyArXiv.
Moissa, B., Bonnin, G., & Boyer, A. (2021). Measuring and Predicting Students’ Effort: A Study on the Feasibility of Cognitive Load Measures to Real-Life Scenarios. In proc. EC-TEL.
Eeva S.H. Haataja, Asko Tolvanen, Henna Vilppu, Manne Kallio, Jouni Peltonen, Riitta-Leena Metsäpelto, Measuring higher-order cognitive skills with multiple choice questions –potentials and pitfalls of Finnish teacher education entrance, Teaching and Teacher Education, Volume 122, 2023.
Yuling Yang, Mingzhi Zhou, Jiangping Zhou, Re-understanding accessibility through a cognitive process: a conceptual framework and quantification, Applied Geography, Volume 186, 2026, 103835, ISSN 0143-6228.
Kazuhisa Takemura, A computer simulation of cognitive effort and the accuracy of two-stage decision strategies in a multiattribute decision-making process, Editor(s): Kazuhisa Takemura,In Perspectivs in Behavioral Economics and the Economics of Beh, Escaping from Bad Decisions, Academic Press, 2021, Pages 113-139.
Xingle Ji, Lu Sun, Kun Huang, The construction and implementation direction of personalized learning model based on multimodal data fusion in the context of intelligent education, Cognitive Systems Research, Volume 92, 2025.
Shuzhen Yu, Alexey Androsov, Hanbing Yan, Exploring the prospects of multimodal large language models for Automated Emotion Recognition in education: Insights from Gemini, Computers & Education, Volume 232, 2025.
Yan Huang, Wei Xu, Paisan Sukjairungwattana, Zhonggen Yu, Learners’ continuance intention in multimodal language learning education: An innovative multiple linear regression model, Heliyon, Volume 10, Issue 6, 2024.
Maira Klyshbekova, Gisela Reyes Cruz, Caitlin Bentley, Stef Garasto, Amy Aisha Brown, Christine Aicardi, Brian Ball, Mohammad Naiseh, Oana Andrei, A UK perspective on responsible education for responsible AI: a multidisciplinary review and evaluation framework, Journal of Responsible Technology, Volume 25, 2026.
Ming Ma, Davy Tsz Kit Ng, Zhichun Liu, Gary K.W. Wong, Fostering responsible AI literacy: A systematic review of K-12 AI ethics education, Computers and Education: Artificial Intelligence, Volume 8, 2025.

Mots clés

Apprentissage automatique, Données multimodales, Effort cognitif réel, IA explicable