Systèmes de recommandation et parcours d'apprentissage

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

Les systèmes de recommandation et les parcours d'apprentissage — la part de la technologie adaptative et d'apprentissage personnalisé qui décide de ce qu'un apprenant devrait rencontrer ensuite et dans quel ordre : quelle ressource, quel exercice ou quel cours classer à son intention, et quelle séquence de concepts parcourir. Ses deux familles de méthodes parentes sont comportementale — le filtrage collaboratif appliqué aux journaux d'interaction — et sémantique — le séquencement opéré sur un graphe de connaissances de concepts, de ressources et de relations de prérequis — de plus en plus fusionnées en modèles hybrides. Parce que la sortie est une liste classée plutôt qu'un dialogue, les problèmes distinctifs sont la sélectivité et la légitimité : démarrage à froid et biais de popularité sous des données clairsemées, l'asymétrie directionnelle des prérequis, et la question de savoir si un enseignant ou un apprenant peut comprendre, auditer et faire confiance à la liste qu'on lui présente.

Questions à examiner

• Un système de recommandation apprend de ce que les apprenants ont cliqué, regardé et terminé. Si le système ne voit que le comportement, l'apprentissage de qui modélise-t-il réellement — et que manque-t-il pour un étudiant silencieux, en difficulté, ou qui connaît déjà le matériau ?
• Dans une étude, les enseignants ont trouvé les explications formulées dans le langage du curriculum plus compréhensibles et plus dignes de confiance que des graphiques d'importance des caractéristiques. Que devrait dire une explication d'une recommandation pour que vous vous y fiiez ?
• Les relations de prérequis ne vont que dans un seul sens — connaître B n'implique pas connaître A. Pourquoi un modèle qui évalue indépendamment les paires de concepts pourrait-il se tromper, et quelles en seraient les conséquences en aval pour un apprenant ?
• Les études d'optimisation des parcours rendent compte de parcours plus courts et de meilleurs scores au post-test, avec la réduction de la charge cognitive comme principal médiateur. Un parcours plus court est-il toujours le meilleur, ou l'efficacité peut-elle supprimer la pratique dont un apprenant avait besoin ?
• Un audit d'un système de recommandation éducatif a constaté que les matériaux populaires dominaient toujours les listes après des interventions d'équité et de diversité. Si la popularité continue de l'emporter, qu'est-ce qui vous ferait repenser l'objectif plutôt que d'ajuster le reclasseur ?
• Les données de conception pédagogique issues de 554 cours ont montré que l'Acquisition (transmission de connaissances) était à la fois le type d'activité le plus courant et le point d'entrée le plus courant. Si l'IA recommande « ce qui vient ensuite » à partir de ces données, les habitudes de conception de qui reproduit-elle ?

Introduction

Les systèmes de recommandation éducatifs existent parce que l'offre de matériel d'apprentissage a dépassé la capacité de tout être humain à la parcourir. Le seul enseignement introductif de la programmation compte plusieurs milliers d'activités pratiques, et les organiser en ensembles pédagogiquement signifiants exige normalement une curation experte coûteuse en temps. Un système de recommandation prend l'historique d'un apprenant, les propriétés du matériau, ou les deux, et produit une liste restreinte classée ou un parcours ordonné à travers les contenus.

Là où l'apprentissage adaptatif décrit le mécanisme d'ajustement des contenus, du rythme et de la difficulté à un modèle de l'apprenant, et où l'tutorat intelligent décrit la plateforme qui l'accomplit dans le dialogue, la recherche sur la recommandation se concentre sur la décision de sélection et de séquencement elle-même : la fonction de classement, la structure sur laquelle elle opère, et les preuves qu'elle utilise. Cette couche décisionnelle apporte ses propres modes de défaillance, traités dans les sections ci-dessous.

Comment fonctionnent les systèmes de recommandation éducatifs

Les systèmes de recommandation comportementaux héritent de la logique du filtrage collaboratif : les apprenants aux historiques semblables sont supposés vouloir des ressources semblables, de sorte que le système prédit à partir de la co-occurrence plutôt qu'à partir du contenu. C'est puissant là où les données sont denses, et fragile là où elles ne le sont pas. Evangelista et Bukhari (2026) énoncent le problème sans détour — les systèmes de recommandation centrés sur la précision apportent un soutien moins fiable aux étudiants aux historiques de participation limités, tandis que les ressources populaires dominent les listes — et y répondent par un cadre Hybrid HKG-GRU qui vectorise un graphe de connaissances hétérogène des matériaux de cours et modélise les séquences des apprenants par un GRU, puis s'entraîne pour la robustesse à travers les groupes d'apprenants (GroupDRO) et reclasse pour la diversité d'exposition (Maximal Marginal Relevance). Sur les journaux Moodle de 152 étudiants, 59 ressources et environ 150 000 interactions, il a atteint HR@10 = 0,68 et MRR = 0,41, mais un biais de popularité substantiel persistait au niveau du catalogue — la preuve que l'atténuation des biais est partielle.

Les systèmes de recommandation sémantiques remplacent la co-occurrence par la structure. Liu, Sun et Song (2026) construisent un graphe de connaissances des ressources pédagogiques, des concepts de langue, des compétences, des groupes d'apprenants et des attributs pédagogiques, et décomposent chaque ressource selon quatre dimensions pédagogiques — contexte d'enseignement, niveau cognitif, caractéristique technologique et adaptabilité culturelle. La recommandation se déploie sur k sauts dans le graphe à partir des besoins déclarés d'un apprenant, affine les candidats par un filtre collaboratif fondé sur les caractéristiques, et les classe selon un coefficient de fusion qui croît avec les indices de capacité, de progression et d'intérêt de l'apprenant, de sorte que les apprenants moins avancés reçoivent de la structure une guidance plus organisée, tandis que les apprenants de capacité élevée s'appuient davantage sur leur schéma comportemental. Sur le sous-ensemble anglais du jeu de données MARS (4 800 utilisateurs, 14 200 ressources, 132 000 interactions, clairsemence 0,9981), il a atteint NDCG 0,625 et HR 0,751, soit un gain d'environ 7 à 8% sur la meilleure référence neuronale, et a battu des références tenant compte des graphes, dont RippleNet et KGAT, sur la couverture et la précision inter-domaines. L'ablation montre que les signaux sont complémentaires (NDCG 0,584 pour le seul CF, 0,604 pour le seul KG), et les auteurs notent qu'il s'agit de métriques de classement, et non de preuves d'efficacité de l'apprentissage.

Une troisième voie évite presque entièrement les données d'interaction par apprenant. Hoq et collègues (2026) extraient des composantes de connaissances fondées sur des patrons de chaque échantillon de code et recommandent des activités pratiques apparentées par la similarité de leurs ensembles de composantes de connaissances. Sur un corpus organisé par des experts de matériaux d'introduction à Python, l'approche s'est alignée sur les propres ensembles conceptuels des enseignants et a battu des références fondées sur les composantes de connaissances et sur la vectorisation selon les métriques de classement — la preuve que l'alignement pédagogique peut provenir de la sémantique du matériau lorsque les historiques d'apprenants sont minces.

Une quatrième voie traite la recommandation comme une décision séquentielle plutôt qu'un classement. ExRec (Ozyurt, Almaci, Feuerriegel et Sachan, 2025) construit un traceur de connaissances ancré sémantiquement — un LLM annote chaque question avec ses étapes de solution et ses concepts de connaissances, un apprentissage contrastif aligne les vectorisations de la question, de l'étape et du concept, et une perte de calibrage permet au traceur de prédire directement un état de connaissances au niveau du concept — puis utilise ce traceur comme environnement d'apprentissage par renforcement dans lequel une politique sélectionne l'exercice suivant. Deux choix de conception importent spécifiquement pour le problème de la recommandation : l'état de l'étudiant est un codage récurrent compact plutôt que l'historique complet des exercices, de sorte que les longues séquences restent traitables dans le tampon de rejeu, et la récompense est le changement de connaissances prédit au niveau des concepts, calculé sans exécuter d'inférence sur chaque question du concept cible. Une estimation de valeur fondée sur un modèle initialise le critique à partir du traceur, ce qui a amélioré les agents fondés sur la valeur continue sur quatre tâches de XES3G5M (2 048 étudiants de test) et les a poussés au-delà des méthodes à actions discrètes sur la plus difficile d'entre elles — recommander pour le concept le plus faible de l'étudiant, là où la cible change à chaque étape. Les chiffres sont des pourcentages d'amélioration maximale des connaissances issus d'un environnement simulé, ce qui est une affirmation plus faible qu'un apprentissage mesuré, et l'annexe des auteurs note elle-même que la plupart des jeux de données de traçage n'enregistrent qu'une étiquette binaire d'exactitude, de sorte que la recommandation au niveau des conceptions erronées qu'ils esquissent n'est pas encore testable sur les données existantes.

Prérequis et séquencement des parcours

Classer un item suivant est plus facile qu'ordonner un programme, parce que les dépendances d'apprentissage sont directionnelles. Cheng et collègues (2026) soutiennent que traiter la découverte des prérequis comme une prédiction de liens ordinaire échoue sur trois propriétés de la relation : elle est irréversible, ses preuves sont souvent à sauts multiples (ci → ck → cj) plutôt qu'une transition d'apprenant en une étape, et sa pertinence est spécifique à la paire, de sorte que la représentation d'un concept devrait changer selon ce avec quoi il est apparié. Leur modèle ProPRL ajoute une contrainte d'irréversibilité — un régularisateur d'anti-symétrie qui pénalise une confiance élevée dans les deux sens d'une paire — ainsi qu'une porte conditionnée à la paire, qui pondère les preuves sensibles aux ressources issues d'un hypergraphe concepts-ressources face aux preuves sensibles au comportement issues d'un graphe de comportement d'apprentissage. Il s'est classé premier sur les neuf combinaisons jeu de données-métrique des jeux de données MOOC, LectureBank et University Course, améliorant la plus forte référence de 1,96% à 6,11%, et la contrainte a fait passer la part de relations correctement ordonnées de 88,0% à 90,0%.

Une fois les dépendances modélisées, un parcours devient un problème d'optimisation. Feng et Huang (2026) combinent diagnostic cognitif bayésien, théorie des espaces de connaissances et théorie de la charge cognitive : un modèle bayésien DINA a convergé sur des données EdNet avec 91,3% de clairsemence, et un algorithme de parcours de remédiation le plus court a produit des parcours personnalisés de 3,82 étapes en moyenne — 22,4% plus efficaces que des parcours aléatoires et 23,6% plus efficaces que des parcours fixes couvrant l'ensemble. Dans une expérience randomisée d'apprentissage des probabilités auprès de 120 étudiants, les apprenants suivant un parcours personnalisé ont terminé en 57,6 minutes contre 73,8 minutes pour le groupe témoin et ont surpassé les témoins au post-test après contrôle du pré-test. L'étude teste aussi pourquoi : les parcours personnalisés ont réduit la charge cognitive sur les six dimensions adaptées du NASA-TLX, et la charge cognitive était le principal médiateur de l'effet sur la performance au post-test (effet indirect de 0,28 dans le modèle de médiation multiple). Un modèle de Markov caché a identifié la Pensée analytique comme attribut goulot d'étranglement, avec la plus faible probabilité de transition en avant (0,31) et le plus fort paramètre de devinette (g = 0,28).

PersonaPath pousse plus loin la question du séquencement en contestant l'unité de la décision. Liu et coll. (2026) opposent la recommandation centrée sur l'exercice — déduire l'item suivant des journaux d'interaction — à la planification centrée sur les connaissances, dans laquelle un planificateur lit un profil d'apprenant explicite, un état de maîtrise et une unité cible déclarée, puis sélectionne le manuel, l'unité et le concept suivants dans une hiérarchie de curriculum (347 manuels, 1 751 unités, 4 092 concepts répartis sur 77 matières, avec 411 arêtes de prérequis vérifiées à 99,5% de précision au κ de Cohen = 0,93). Le cas distinctif est celui que les journaux ne peuvent voir : deux apprenants aux relevés d'exactitude identiques mais aux cibles différentes ont besoin de routes différentes, et seul l'objectif rend cela visible. Leur évaluation en boucle fermée de dix LLM (1B–30B+) sépare les dimensions qu'une métrique agrégée confond — DeepSeek-V3.1 atteint 90,9% sur la validité des prérequis et de l'hallucination mais seulement 44,3% sur l'adaptativité, pour un taux de réussite final de 29,5% en Basic Education et de 14,6% dans l'Enseignement supérieur — et aucun modèle ne dépasse 44,7% d'adaptativité où que ce soit. Deux ablations affinent le diagnostic : retirer du profil le champ de maîtrise coûte jusqu'à 26,1 points d'adaptativité tout en bougeant à peine la validité, et la génération de parcours en une seule passe fait monter la validité jusqu'à 30,8 points tout en coupant l'adaptativité de 28,8 — le séquencement conforme au curriculum est une cible de loin plus facile que le séquencement conditionné à l'apprenant, ce qui met en garde contre le fait de rendre compte de la qualité d'un parcours sans contrainte d'alignement sur l'apprenant (PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning).

La structure des prérequis sert aussi de lentille diagnostique sur le curriculum plutôt que sur l'apprenant. Medhat et collègues (2026) classent les questions d'étudiants adressées à un assistant pédagogique IA contre un graphe de prérequis extrait par GPT-4, atteignant 80,0% de précision sur 43 étiquettes à partir de 1 340 événements de questions provenant de 164 étudiants diplômés, et ont constaté que le volume de questions au niveau d'un sujet était corrélé à la difficulté auto-déclarée des étudiants (ρ de Spearman = 0,491, p = 0,008). Le journal d'interaction devient une carte des endroits où l'ordonnancement du curriculum fait défaut aux apprenants, sans surcoût d'évaluation.

Expliquer et auditer les recommandations

La qualité du classement ne tranche pas la question de savoir si quiconque devrait le suivre. Feldman-Maggor, Cukurova, Kent et Alexandron (2025) adaptent aux recommandations d'IA le modèle de confiance dans l'automatisation de Hoff et Bashir, et le testent auprès de 41 enseignants de chimie en exercice utilisant l'outil de recommandation GrouPer. L'explicabilité a accru la confiance indirectement, en augmentant la compréhensibilité, et la forme de l'explication a plus compté que sa simple présence : faire passer les enseignants d'explications fondées sur l'importance des caractéristiques (« data-driven ») à des explications sémantiques, formulées dans le langage du curriculum (« domain-driven »), a significativement accru la compréhensibilité (W = 80,5, p = 0,005), la confiance apprise (W = 52, p = 0,002) et l'acceptation (W = 22,5, p = 0,003), et les sept enseignants en pensée à voix haute ont tous rendu compte des explications domain-driven comme plus influentes. Deux autres moteurs d'acceptation sont apparus, tous deux situationnels plutôt qu'épistémiques : l'alignement pédagogique (rapporté par 8 des 11) et la réduction de la charge de travail (6 des 11). Plusieurs enseignants ont aussi dit que l'explication seule ne suffisait pas — ils voulaient une expérience de l'outil en classe avant de s'y fier, une affirmation forte selon laquelle la confiance dans un système de recommandation se construit par l'usage, et ne se livre pas dans une légende.

L'audit d'équité pose une question différente : les recommandations de qui sont les moins bonnes ? L'étude Graph-GRU en est un exemple utilement détaillé, parce qu'elle nomme ce que son audit ne pouvait pas voir. L'équité y a été opérationnalisée par des cohortes fondées sur la participation, parce que le jeu de données public Moodle manquait d'attributs de réussite, de connaissances antérieures, de profils d'apprentissage et de caractéristiques démographiques ; le résultat est donc un audit du comportement selon les niveaux d'engagement plutôt qu'une évaluation complète de l'équité éducative ; un apprenant peu actif peut être en difficulté, désengagé, ou déjà familier du matériau. L'explicabilité y prend la forme d'analyses par chemins et contrefactuelles, avec une stabilité contrefactuelle médiane CR@10 = 1,0 pour de nombreux apprenants, mais un biais de popularité persistant au niveau du catalogue, reflété dans des métriques d'exposition de Gini élevées. La leçon est que l'atténuation des biais doit être mesurée au niveau de l'exposition et des groupes d'apprenants, et non inférée de la précision ou de la présence d'un module d'explication, et qu'une supervision humaine dans la boucle n'a de sens que si l'humain voit les preuves au niveau des groupes.

Les parcours d'apprentissage dans la pratique

Les parcours ne sont pas seulement calculés ; ils sont conçus. Divjak, Svetec et Horvat (2026) ont tourné l'analytique de l'apprentissage vers le processus de conception lui-même, en analysant la séquence de 29 064 activités d'enseignement et d'apprentissage réparties sur 554 cours planifiés dans un outil libre de Balanced Design Planning. Les chaînes de Markov et l'extraction de patrons ont fait apparaître une grammaire de conception : les activités de type Acquisition étaient le type d'apprentissage le plus courant (au-delà de 20%) et le point d'entrée le plus courant, suivies par Practice, Discussion et Évaluation (15 à 20% chacune), et la plus forte transition était Assessment → Discussion (0,332), devant Practice → Practice (0,317). La règle Acquisition → Assessment → Practice → Practice se maintenait à une confiance de 0,74 (lift 1,45), et le type d'apprentissage suivait le niveau cognitif du résultat visé : l'Acquisition tombait d'environ 50% des activités au niveau 1 de Bloom à environ 20% au niveau 6. Les auteurs avertissent que la ressemblance avec des dispositifs inversés, d'apprentissage par investigation ou d'apprentissage par projets ne prouve pas l'intention — mais un système de recommandation entraîné sur de telles données de conception apprend ces habitudes, y compris un biais vers des activités d'ouverture orientées vers la transmission.

À l'autre extrémité de la scolarité formelle, la structure des parcours devient une question de gouvernance. Szekely, Gal-Ezer et Harel (2026) soutiennent que l'accès aux connaissances médiatisé par l'IA justifie de repenser les curricula fixes de l'enseignement supérieur, et proposent des « learnity graphs » — des représentations structurées de l'apprentissage en unités interconnectées de connaissances, de compétences, d'expérience et d'artefacts — couvrant l'apprentissage académique, professionnel et personnel. La proposition conserve le rôle de l'université dans les connaissances fondamentales tout en déplaçant l'accent vers la créativité et l'intégration interdisciplinaire, et elle fait de l'apprenant un mainteneur de son propre graphe, ce qui est le point où elle rencontre l'apprentissage autodirigé et l'apprentissage autorégulé. Que la navigation autodirigée mène à quelque chose de constructif n'est pas garanti : Shen et Arunrugstichai (2026) modélisent deux trajectoires allant du climat d'apprentissage au lycée à l'usage de l'IA générative à l'université dans une enquête inter-contextuelle (N = 508), distinguant l'usage autonome constructif de la dépendance compulsive.

Une frontière mérite d'être énoncée : ce que font aujourd'hui les systèmes de recommandation est plus proche de la consultation que de la collaboration. Mutlu Cukurova (2026) reconstruit ce qui a historiquement été exigé avant qu'une interaction ne qualifie comme collaborative — une relation négociée, partiellement symétrique, des objectifs partagés et négociables, une division du travail faible et mouvante, et une modélisation mutuelle ainsi qu'une régulation socialement partagée — et conclut que la plupart des interactions humain-IA actuelles sont mieux décrites comme consultation, gouvernance, délégation ou instruction. Sa taxonomie à cinq niveaux (transactionnel, situationnel, opérationnel, praxique, synergique) offre un calibrage utile : suggérer la prochaine ressource est un arrangement opérationnel, et l'appeler un partenaire d'apprentissage collaboratif enflerait l'affirmation.

Comment cette page se rapporte aux recherches sur la personnalisation, l'adaptativité et le tutorat

Les trois pages de concepts adjacentes couvrent un terrain voisin et devraient être lues avec celle-ci. La page apprentissage personnalisé couvre l'objectif — adapter l'ensemble de l'expérience, y compris les objectifs, les préférences et le rythme, dont la sélection du parcours est une composante. La page apprentissage adaptatif couvre le mécanisme — la boucle mesurer-modéliser-adapter qui change contenus, rythme et difficulté en temps réel. La page tutorat intelligent couvre la plateforme, le système canonique qui combine diagnostic et interaction pédagogique. Cette page couvre la couche décisionnelle que ces pages présupposent : la technologie de classement et de séquencement elle-même. C'est le foyer des architectures de recommandation par filtrage collaboratif et par graphe de connaissances, de la découverte des relations de prérequis et de l'ordonnancement du curriculum, de l'explicabilité et de l'équité des sorties classées, et des modes de défaillance propres à la recommandation — démarrage à froid, biais de popularité, rétrécissement excessif, opacité du classement, et qualité inégale des recommandations selon les groupes d'apprenants. Une étude qui rend compte d'un NDCG ou d'une couverture sur des journaux d'interaction appartient ici ; une qui rend compte de gains d'apprentissage issus d'un dialogue de tutorat appartient à la page du tutorat ou de l'apprentissage adaptatif.

Risques et questions ouvertes

La base de preuves a une forme constante : de fortes métriques de classement hors ligne, de faibles preuves sur l'apprentissage. Les deux études de recommandation ci-dessus sont évaluées sur des journaux d'interaction historiques et le disent, et les auteurs de l'étude CF-KG appellent explicitement à des évaluations par les enseignants, à des études sur les apprenants et à des expériences fondées sur les résultats. Le biais de popularité a survécu à un objectif d'entraînement sensible à l'équité dans un système, de sorte que le domaine ne peut encore désigner aucun correctif de reclassement ou de régularisation qui change de façon fiable l'exposition, et les audits d'équité demeurent bornés par ce que contiennent les journaux des LMS. Le démarrage à froid est traité architecturalement, par la structure sémantique, mais n'est pas testé sur de véritables nouveaux utilisateurs en déploiement réel. L'efficacité des parcours est mieux étayée, mais les chiffres d'efficacité reposent encore sur une seule étude et une seule famille d'algorithmes, et un parcours plus court n'est pas automatiquement meilleur s'il supprime la lutte productive dont un apprenant a besoin. Les travaux formels sur l'optimisation des parcours aiguisent le point dans les deux sens : garantir qu'un problème est difficile ne dit pas grand-chose d'un corpus particulier, puisqu'un algorithme d'ascension a atteint le sommet de la grille d'entrelacement sur chaque profil réel malgré des preuves de NP-complétude, et un parcours noté 3,54 sur une grille dérivée de la théorie reste un parcours que personne n'a testé sur des apprenants, de sorte que la qualité de la grille est un indicateur tourné vers le concepteur en lieu et place de preuves de résultats, plutôt qu'un substitut à celles-ci. Le vocabulaire est aussi instable : Ikram et collègues (2026), dans une revue PRISMA de 31 articles indexés sur Scopus (2013–2025), rendent compte d'effets cognitifs moyens à importants (g = 0,50–0,70) pour les systèmes adaptatifs dotés d'IA, fortement modérés par la qualité de mise en œuvre et par la conception de l'étude.

La même littérature a commencé à proposer des remèdes au rétrécissement, sans encore les tester. Najem, Zaoui Seghroucheni et Ziti (2026) regroupent 14 003 dossiers d'étudiants selon 12 entrées comportementales, psychologiques et environnementales auto-déclarées en six profils par K-Means++ avec une forte séparation (Silhouette 0,62 ; η² = 0,770 sur la note finale, avec un écart moyen de 40,17 points de score d'examen entre les profils le plus élevé et le plus bas), puis projettent les profils sur des objets d'apprentissage par un score d'affinité combiné à une matrice de projection Felder-Silverman et à un terme de régularisation de la diversité (λ = 0,30) dont le but explicite est d'empêcher un système de recommandation de s'effondrer sur ce qu'un profil préfère déjà. La conception est la contribution, et les preuves n'en sont pas : la couche de recommandation est conceptuelle, sans déploiement ni mesure de résultats rendus, et les auteurs déclarent que les entrées du regroupement sont des indicateurs auto-déclarés plutôt que des traces d'interaction de LMS. C'est une réponse candidate au manque de régularisation que cette page relève, qui attend encore la validation dont le domaine manque selon cette même page.

Concepts liés

• Graphe de connaissances — Représentations structurées de concepts, de ressources et de relations de prérequis
• IA explicable — L'explication comme caractéristique de conception qui médiatise compréhensibilité et confiance
• La conception de programme d'études — Les décisions d'ordonnancement que les systèmes de recommandation modélisent, infèrent et reproduisent
• Conception pédagogique — La séquence planifiée d'activités sur laquelle opèrent les analyses de parcours
• Analytique de l'apprentissage — Les données et les méthodes derrière la recommandation, et l'objet de l'audit
• Diagnostic cognitif — Le diagnostic des états de connaissances qui amorcent les parcours de remédiation
• Traçage des connaissances — La modélisation de la maîtrise dans le temps pour décider de ce à quoi un apprenant est prêt
• La modélisation de l'apprenant et l'enseignement adaptatif — Les représentations de l'apprenant que la recommandation consomme
• Apprentissage personnalisé — L'objectif plus large ; cette page couvre la décision de sélection
• Apprentissage adaptatif — Le mécanisme d'ajustement en temps réel ; cette page couvre le classement et le séquencement
• Tutorat intelligent — La plateforme qui agit sur les recommandations dans le dialogue
• Réduction des biais — Les interventions d'équité dans le classement et l'exposition
• L'équité — Les différences entre groupes dans la qualité des recommandations
• Humain dans la boucle — La supervision de la navigation automatisée des ressources
• Apprentissage autodirigé — Les parcours maintenus par l'apprenant et la navigation tout au long de la vie
• L'apprentissage tout au long de la vie — L'apprentissage structuré en graphe au-delà d'un cursus diplômant
• Le calibrage de la confiance — Accorder la confiance à la fiabilité des recommandations
• Soutien aux étudiants et réussite — recommander soutien, ressources et parcours académiques

Articles liés

• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — Filtrage collaboratif hybride et graphe de connaissances pour des ressources pédagogiques multimodales, avec fusion sensible à la capacité et à la progression (Liu, Sun et Song 2026)
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — Système de recommandation graphe de connaissances hétérogène + GRU avec équité GroupDRO et explicabilité contrefactuelle (Evangelista et Bukhari 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations — Les explications domain-driven bâtissent plus de confiance chez les enseignants que les graphiques d'importance des caractéristiques (Feldman-Maggor et coll. 2025)
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — Apprentissage des relations de prérequis avec une contrainte d'irréversibilité pour la cohérence directionnelle (Cheng et coll. 2026)
• Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components — Recommander la pratique de la programmation par similarité de composantes de connaissances fondée sur des patrons (Hoq et coll. 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — Analyse par chaînes de Markov et extraction de patrons de 29 064 activités conçues sur 554 cours (Divjak, Svetec et Horvat 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Diagnostic DINA bayésien et parcours de remédiation les plus courts, médiés par la charge cognitive (Feng et Huang 2026)
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — Cartographier les questions posées à un assistant pédagogique IA sur un graphe de prérequis extrait par GPT-4 pour trouver les lacunes au niveau du curriculum (Medhat et coll. 2026)
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Les learnity graphs comme alternative aux curricula fixes dans l'apprentissage tout au long de la vie (Szekely, Gal-Ezer et Harel 2026)
• What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it — Une taxonomie à cinq niveaux montrant que la plupart des interactions humain-IA sont de la consultation, non de la collaboration (Mutlu Cukurova 2026)
• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — Soutien à l'autonomie versus pression prédisant des trajectoires d'IA constructives ou compulsives (Shen et Arunrugstichai 2026)
• Artificial Intelligence in Education: A Systematic Review of Personalized Learning Trends and Future Directions — Revue PRISMA des tendances, parcours et modèles de recommandation de l'apprentissage personnalisé (Ikram et coll. 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath : un benchmark de planification centrée sur les connaissances montrant que les LLM atteignent 90,9% de validité mais seulement 44,3% d'adaptativité (Liu et coll. 2026)
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — la recommandation d'exercices comme décision séquentielle sur un traceur ancré sémantiquement
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — Regroupement comportemental de 14 003 dossiers en six profils, projetés sur des objets d'apprentissage par un cadre de recommandation régularisé par la diversité (Najem et coll. 2026)