| Version imprimable |
| Combining educational ressources using graph representation learning (Combiner les ressources éducatives par l’apprentissage de la représentation des graphes) | ||
Bazouzi, Aymen - (2025-02-26) / Université de Rennes Combining educational ressources using graph representation learning Langue : Anglais Directeur de thèse: Miklós, Zoltán Laboratoire : IRISA Ecole Doctorale : MATISSE Thématique : Informatique | ||
Mots-clés : Ressources éducatives libres, Graphes de connaissances, Réseaux de neurones sur graphes, Éducation ouverte, Apprentissage automatique, Ressources éducatives libres, Réseaux neuronaux graphiques Résumé : Les Ressources Éducatives Libres (RELs) sont des matériaux d'enseignement, d'apprentissage et de recherche destinés au public, permettant leur utilisation libre. Elles peuvent être utilisées par les enseignants pour créer de nouveaux cours. Les enseignants peuvent combiner différentes RELs pour atteindre un objectif d'apprentissage spécifique. Le projet CLARA a été lancé pour permettre aux enseignants de créer des cours sous licence basées sur des RELs existantes. Dans cette thèse, financée par le projet CLARA, notre objectif est d'enrichir le corpus éducatif CLARA de RELs contenant des relations utiles entre elles, facilitant ainsi la navigation pour les enseignants. Pour ce faire, plusieurs contributions ont été apportées dans cette thèse. Premièrement, la création d'un outil de construction de dataset qui permet aux utilisateurs de créer leurs propres datasets éducatifs personnalisés à partir de transcriptions de vidéos YouTube. Deuxièmement, le développement d'une représentation vectorielle (embedding) qui prend en compte les spécificités des RELs, à savoir la centralité du contenu et la présence de caractéristiques sémantiques. Troisièmement, la proposition d'une méthode de requête qui récupère les RELs pertinentes pour une liste de mots-clés en se basant sur représentations RELs. Quatrièmement, la conception d'un modèle qui identifie les relations de précédence possibles entre des paires de REL en utilisant un Graphe de Connaissance (Knowledge Graph) et en exploitant un Réseau de Neurones sur Graphes (GNN). Les contributions faites fonctionnent en harmonie afin d'enrichir le corpus CLARA avec des ressources éducatives, de les récupérer et d'identifier les relations possibles entre elles, facilitant ainsi la navigation pour les utilisateurs. Résumé (anglais) : Open Educational Resources (OERs) are teaching, learning, and research materials destined for the public, allowing them to be freely used. They can be used by teachers to create new courses. Teachers can combine different OERs to achieve a specific learning objective. The CLARA project was launched to empower teachers by facilitating the creation of licensable educational resources based on existing ones. In this thesis, funded by the CLARA project, our goal is to enrich the CLARA educational corpus of OERs with useful relations between them thus facilitating the navigation for the teachers. In order to do so, several contributions were made in this thesis. First, the creation of a dataset construction tool that allows users to create their own tailored educational datasets from YouTube video transcripts. Second, the development of an OER-specific vector representation (embedding) that considers the specificities of OERs which are content-centrality and the presence of semantic features. Third, the proposal of a querying method that retrieves OERs relevant to a list of keywords based on OER representations. Fourth, the design of a model that identifies possible precedence relations between pairs of OERs by using Knowledge Graph (KG) and exploiting a Graph Neural Network (GNN). The contributions made work in harmony in order to enrich the CLARA corpus with educational resources, retrieve them and identify possible relations between them facilitating the navigation for the users. Identifiant : rennes1-ori-wf-1-20699 | ||
| Exporter au format XML |