kodzuken

Système adaptatif de préparation aux examens par apprentissage actif

Machine learning

Un système d'apprentissage actif qui estime le niveau d'un étudiant en posant le moins de questions possible. En choisissant à chaque étape la question la plus informative, il parvient à la même évaluation fiable avec 60 % de questions en moins qu'un quiz fixe.

Système adaptatif de préparation aux examens par apprentissage actif - Machine learning cover image

Aperçu du projet

L'évaluation traditionnelle soumet à tous les étudiants le même quiz, long et figé. Adaptive Exam Prep reformule le problème : quel est le nombre minimal de questions nécessaires pour estimer avec confiance le niveau d'un étudiant ? Construit sur le jeu de données ASSISTments 2009/2010 (~120 Mo, ~1 900 étudiants), il traite la sélection des questions comme un problème d'apprentissage actif : choisir la question suivante qui nous apprend le plus, puis prédire à nouveau.

Le moteur associe la théorie de réponse à l'item (un modèle 2PL ajusté par espérance-maximisation) à cinq stratégies d'apprentissage actif : information de Fisher issue de l'IRT, entropie, échantillonnage par incertitude, comité de modèles et une référence aléatoire, chacune pilotant des classifieurs RandomForest, GradientBoosting et LogisticRegression réentraînés aux points de contrôle k ∈ {2, 4, …, 30}.

Fonctionnalités clés

  • Sélection des questions par apprentissage actif : cinq stratégies comparées (information de Fisher issue de l'IRT, entropie, échantillonnage par incertitude, comité de modèles, référence aléatoire)
  • Moteur de théorie de réponse à l'item : un modèle 2PL ajusté par EM, utilisé pour estimer le niveau de l'étudiant (θ) et piloter la sélection par information de Fisher
  • 60 % de questions en moins : 80 % de précision atteints dès k=12 contre k=30 pour la référence, et 86,4 % de précision à k=30 (validation croisée à 5 plis sur 490 étudiants réservés)
  • Évaluation rigoureuse : validation croisée à 5 plis, jeu de validation externe indépendant et quatre critères formels de réussite que les meilleurs modèles franchissent tous
  • Démo Streamlit en direct : adaptatif et aléatoire exécutés côte à côte sur le même étudiant, avec un graphique de confiance en temps réel marquant le seuil de 80 %

Technologies utilisées

  • Python
  • scikit-learn
  • NumPy
  • pandas
  • SciPy
  • Streamlit
  • Matplotlib
  • Active Learning
  • Item Response Theory

Galerie du projet

Autres projets

Retour au portfolio