HDR-YESSAD
Ce mémoire présente une sélection de travaux de recherche que j’ai menés au cours des douze dernières années en tant que maître de conférences au sein de l’équipe MOCAH (Modèles et Outils informatiques Centrés sur l’Apprentissage Humain) du LIP6 (Sorbonne Université). Ces recherches portent sur la modélisation des problèmes de diagnostic et de prise de décision dans le domaine des environnements informatiques pour l’apprentissage humain (EIAH), avec un intérêt particulier pour le feedback adaptatif, la scénarisation adaptative et la modélisation de l’apprenant. Les modèles développés ont été testés dans des contextes variés, tels que des jeux sérieux, des tuteurs intelligents ou encore des plateformes d’apprentissage de la programmation. Mes contributions s’inscrivent plus largement dans le champ de l’informatique centrée sur l’humain (Human-Centered Computing), qui vise à concevoir des modèles et des systèmes capables de prendre des décisions, ou d’assister les humains dans leurs prises de décision.
Le premier chapitre de ce mémoire présente les modèles informatiques que j’ai mobilisés et adaptés tout au long de mes travaux de recherche. Il montre comment ces modèles et algorithmes issus de l’informatique peuvent être appliqués — et nécessitent systématiquement des adaptations — pour répondre à différentes problématiques propres au domaine de l'apprentissage humain.
Les deux chapitres suivants détaillent mes principales contributions, structurées autour de deux axes complémentaires : d’une part, la prise de décision et l’aide à la décision pour la sélection de feedbacks ou d’activités adaptés à l’apprenant ; d’autre part, la modélisation et le suivi de l’apprenant, afin de diagnostiquer son niveau de connaissance ou de prédire ses performances. Ces travaux s’inscrivent dans le cadre d’environnements d’apprentissage complexes, notamment ceux caractérisés par de vastes espaces d’états et d’actions, tels que les environnements d’apprentissage ouverts (open-ended environments). Dans ces contextes dits ouverts, mon objectif est de favoriser l’interaction et l’enrichissement réciproque entre les approches de décision automatique et les connaissances issues de l’expertise humaine.
En conclusion, je reviens sur les travaux présentés dans les chapitres précédents afin de mettre en lumière mon projet scientifique. Mes recherches visent à approfondir la compréhension des processus d’apprentissage humain et des mécanismes d’adaptation des EIAH, en combinant modélisation de l’apprenant, expertise humaine et approches d’intelligence artificielle. L’enjeu principal de mes travaux est de replacer l’humain au cœur des processus décisionnels, en concevant des systèmes non seulement performants selon des critères classiques (tels que la précision), mais également acceptables, éthiques, interprétables et explicables.
Computational Models for Human Learning: Contributions and Research Perspectives on Student Modeling and Adaptive Decision-Making
This manuscript presents a collection of research conducted over the past twelve years during my tenure as an assistant Professor within the MOCAH team (Models and Computer Tools for Human-Centered Learning) at LIP6 (Sorbonne Université). These studies focus on modeling diagnostic and decision-making problems in the field of Technology-Enhanced Learning (TEL), with particular attention to adaptive feedback, adaptive scheduling, and student modeling. The models proposed have been tested in various contexts, such as serious games, intelligent tutoring systems, and programming learning platforms. My contributions more broadly fall within the field of Human-Centered Computing, which aims to design models and systems capable of making decisions or assisting humans in their decision-making processes.
The first chapter of this manuscript presents the computational models I have employed and adapted throughout my research. It highlights how these models and algorithms, drawn from computer science, can be applied — and systematically require adaptation —to address challenges specific to the field of human learning.
The following two chapters detail my main contributions, structured around two complementary axes: on the one hand, decision-making and decision support for selecting feedback or activities adapted to the learner; on the other hand, student modeling and assessment, in order to diagnose their knowledge level or predict their performance. This work takes place within complex learning environments, particularly those characterized by large state and action spaces, such as open-ended learning environments. In these open environments, my aim is to foster interaction and mutual enrichment between automated decision-making approaches and human expertise.
In conclusion, I summarize the research presented in the previous chapters to highlight the core of my scientific project. My research aims to deepen the understanding of human learning processes and adaptation mechanisms of TEL systems, by combining student modeling, human expertise, and artificial intelligence approaches. The main focus of my work is to place humans at the center of decision-making processes, by designing systems that are not only high-performing according to classical criteria (such as accuracy) but also acceptable, ethical, interpretable, and explainable.
Jeudi 22 janvier à 14h à en salle 105 (couloir 25-26) située au LIP6 (Campus Pierre et Marie Curie, 4 place Jussieu 57005).
M. Julien Broisin, Maître de conférences HDR, Université de Toulouse (Rapporteur)
M. Mohamed Chetouani, Professeur, Sorbonne Université
M. Michel C. Desmarais, Professeur, École Polytechnique de Montréal (Rapporteur)
M. Sébastien George, Professeur, Le Mans Université (Rapporteur)
Mme Vanda Luengo, Professeure, Sorbonne Université
Mme Agathe Merceron, Professeure, Beuth University of Applied Sciences
Mme Kalina Yacef, Professeure, University of Sydney
Dernière mise à jour : 9 janvier, 2026 - 12:38
