Académique Documents
Professionnel Documents
Culture Documents
2009 Eiah
2009 Eiah
1. Introduction
Dans un précédent article [TANANA et al. 08], nous avons proposé une nouvelle
méthode d’évaluation formative du savoir-faire de l’apprenant en utilisant des
algorithmes de classification. Pour valider notre hypothèse, nous avons choisi
comme domaine d’application l’électronique numérique, nous avons alors essayé
d’évaluer des schémas électroniques produits par des étudiants d’écoles
d’ingénieurs. Ainsi, nous avons défini une mesure de similarité entre schémas, qui a
été validée par une première expérimentation. Une deuxième expérimentation, en
utilisant en plus un algorithme de classification (1-ppv) et une base d’apprentissage,
nous a permis d’identifier avec exactitude ou de façon très proche, plus du 2/3 des
productions « correctes » des apprenants. Finalement, nous avons conclu par la
3. Contexte pédagogique
1 Tableau renseignant les états de chaque sortie en fonction de tous les états possibles des
entrées.
4 Environnements Informatiques pour l’Apprentissage Humain, Le Mans 2009
4.1. Hypothèse
Notre hypothèse générale est que les algorithmes de classification vont nous
permettre d’effectuer une « évaluation formative » des schémas électroniques
produits par les élèves en se basant uniquement sur la production finale (schéma
électronique) fournie par le simulateur Open Source [BURCH 02], et non sur le
déroulement des différentes étapes de la synthèse.
Dans [TANANA et al. 08], nous avons conclu qu’il était nécessaire d’augmenter le
nombre d’exemples de la base d’apprentissage, en se décidant de les produire de
façon automatique. Pour cela, nous avons développé un « générateur de schémas
électroniques » qui a permis de produire automatiquement des « bons » et aussi des
« mauvais » exemples. Ces mauvais exemples ont été générés et étiquetés en fonction
d'erreurs classiques étudiées lors de la synthèse d’un circuit logique.
exacte. Ce qui nous donne un taux d’évaluation avec identification « exacte » dans la
base d’apprentissage de 94%. Pour la sortie R+ le taux d’identification « exacte » est
à 92%.
Nous avons étendu notre expérimentation à deux autres exercices : le
soustracteur (64 productions pour 2 sorties) et le complément à 2 (16 productions
pour 4 sorties). Pour la sortie S1 du soustracteur, 44 schémas ont été évalué corrects
et identifiés de façon « exacte », 1 schéma évalué correct et identifié à une distance
de 5 d’un circuit de référence, soit un taux d’identification de 98% pour les circuits
corrects. Pour les circuits incorrects, 12 circuits ont été « commentés » pour un
feedback vers l’apprenant et 5 circuits ont été repérés uniquement comme
« incorrects ».
De façon générale, le taux d’identification des circuits corrects est très
satisfaisant et il est au alentour de 87%. Pour les circuits incorrects, nous arrivons à
poser des hypothèses sur l’origine des erreurs dans à peu près 60% des cas.
5. Conclusion et perspectives
6. Bibliographie