Blog

Introduction aux systèmes de recommandation

Selon R. Burke¹ et L. Cui², un système de recommandation est un système qui produit des recommandations individualisées ou qui a pour effet de guider l’utilisateur de manière personnalisée vers des éléments intéressants ou utiles lorsque de nombreuses options sont possibles. De plus en plus, les systèmes de recommandation deviennent indispensables dans tous les domaines afin de faire face à l’augmentation de la quantité d’informations et de produits disponibles et à la demande toujours croissante des utilisateurs. Le système comprend généralement quatre composants : le modèle utilisateur, le modèle d’objet de recommandation, l’algorithme de recommandation et l’évaluation des recommandations. Nous verrons comment les systèmes de recommandation peuvent être utilisés dans la formation.

Les différents algorithmes de recommandation

Dans la littérature, les algorithmes de recommandation sont généralement classés en plusieurs types, selon la manière dont les recommandations sont formulées³ :

• Content Based : on recommande à l’utilisateur des éléments similaires à ceux qu’il a préférés dans le passé. Les systèmes de recommandation basés sur le contenu analysent un ensemble d’éléments et/ou de descriptions précédemment préférés par un utilisateur, et modélisent les intérêts de l’utilisateur en fonction des caractéristiques de ces éléments.
• Collaborative Filtering : on recommande à l’utilisateur des éléments que des personnes ayant des goûts similaires aux siens ont apprécié dans le passé. Les systèmes de recommandation collaborative (ou filtrage collaboratif) prédisent l’intérêt d’un utilisateur pour de nouveaux éléments en se basant sur les interactions d’autres personnes ayant des intérêts similaires avec ces éléments.
• Demographic Recommendation : les utilisateurs sont répertoriés selon les attributs de leur profil personnel, et des recommandations sont faites à partir de leurs classes démographiques par exemple selon la position géographique, l’âge, le sexe, etc…
• Rule Based : la recommandation est faite à partir d’une fonction mathématique qui a été construite selon certains paramètres prédéterminés. Par exemple, une fonction pour vous recommander la meilleure assurance auto prendrait en entrée des informations tel que le modèle de votre voiture, son kilométrage ou encore l’historique de vos incidents sur votre permis de conduire.
• Knowledge Based : l’algorithme suggère des éléments basés sur des inférences logiques prédéfinies⁴ par un expert du domaine. C’est une représentation des connaissances (par exemple, des ontologies) sur la manière dont un élément répond à un besoin utilisateur en particulier.

Chaque algorithme de recommandation présente des avantages et des inconvénients et convient à différents scénarii d’application. Il est souvent préférable de construire un système de recommandation hybride qui combine plusieurs algorithmes.

Systèmes de recommandation pour la formation

Les systèmes de recommandation sont apparus en formation au travers des systèmes de gestion de l’apprentissage (LMS), afin d’améliorer les processus d’apprentissage et d’enseignement en ligne⁵. Cependant, avec la croissance du nombre de ressources pédagogiques et leurs diversités, le problème de la surcharge d’informations devient de plus en plus critique. Par conséquent, offrir aux apprenants des outils de recommandation pédagogiques personnalisés est une nécessité⁶.

La personnalisation dans les LMS fait référence à la fonctionnalité qui permet au système de répondre de manière personnalisée aux besoins et aux caractéristiques d’un apprenant afin de l’aider à progresser. Par exemple les niveaux de maîtrise, les connaissances antérieures, les capacités cognitives, les compétences, les intérêts, les préférences et les styles d’apprentissage. Ce type de personnalisation peut aider à améliorer la qualité globale de l’apprentissage en fournissant des recommandations de contenus pédagogiques qui sont utiles pour atteindre l’objectif pédagogique, mais qui peuvent également améliorer les performances⁷ et la satisfaction de l’apprenant⁸. Il est important de noter qu’il existe des différences considérables entre les systèmes de recommandation à usage général et les systèmes de recommandation dans l’apprentissage, et notamment parmi elles : l’objectif du système.

Dans des domaines comme le e-commerce, un utilisateur cherche à acheter un produit, avec une qualité et une fourchette de prix spécifiques alors que l’objectif des systèmes de recommandation pédagogique est d’aider l’utilisateur ou un groupe d’utilisateurs à trouver des ressources et des activités d’apprentissage appropriées pour une meilleure réalisation de l’objectif d’apprentissage et le développement de compétences. Même si les principes des systèmes de recommandation peuvent bien correspondre à ceux des sciences de l’apprentissage, il est important de noter que les systèmes de recommandation doivent souvent être adaptés afin de faciliter l’apprentissage⁹.

A la différence des systèmes à visée marketing, les systèmes de recommandation en apprentissage doivent impliquer les apprenants en les challengeant. En effet, plutôt que de leur fournir un environnement avec beaucoup de contraintes, ces systèmes sont pensés pour laisser une large place à l’exploration et confronter les apprenants à un contenu inattendu, permettant ainsi l’apprentissage par la découverte. Toutes ces différences entre l’e-commerce et les contextes pédagogiques appellent à une adaptation des systèmes de recommandation afin qu’ils deviennent de puissants outils d’apprentissage¹⁰.

Les Challenges

Les défis rencontrés lorsqu’on souhaite recommander pour la formation et l’apprentissage sont différents de ceux des systèmes habituels d’e-commerce ou autres. Il faut prendre en compte les critères nécessaires à la création d’une recommandation pertinente :

Aspect pédagogique

Afin d’améliorer le processus d’apprentissage, les systèmes de recommandation doivent être en mesure de guider les apprenants et de recommander des contenus ou des stratégies pour aider à l’accomplissement des objectifs d’apprentissage¹¹.

Il faut tenir compte du fait que la maîtrise des apprenants évolue avec le temps. Ils n’atteignent jamais un niveau de connaissance ou un état de compétence final, mais passent plutôt au niveau supérieur.

Une seconde spécificité est la prise en compte des théories pédagogiques dans le système. Les apprenants doivent être confrontés à des contenus inattendus, car cela les encourage à apprendre par la découverte et l’exploration. Recommander des éléments différents de ceux qu’un apprenant connaît déjà stimule la réflexion critique et contre les biais de confirmation¹² (biais cognitif qui consiste à privilégier les informations confirmant ses idées/hypothèses préconçues et à accorder moins de poids aux hypothèses et informations jouant en défaveur de ses conceptions).

La pertinence des recommandations, du point de vue pédagogique, est également critique, le but ultime étant bien sûr d’aider l’apprenant à s’améliorer. Des métriques d’évaluation spécifiques sont donc mise en place pour les systèmes de recommandation éducatifs, qui seront abordées dans les prochaines sections.

Aspect technique

Le choix de l’algorithme ou des algorithmes de recommandation est au cœur de la problématique de création d’un système. Ce choix doit donc s’adapter aux besoins du système à mettre en place pour garantir des recommandations adaptées.

Les résultats de l’étude faite par A. C. Rivera ont révélé que l’un des types de système de recommandation les plus fréquemment utilisés dans l’éducation est le filtrage collaboratif (CF) représentant environ 30 des articles scientifiques examinés. Le CF a, malgré sa popularité, quelques inconvénients. Parmi eux, la rareté des évaluations (parcimonie), qui fait référence à la situation dans laquelle les données sont rares et insuffisantes pour identifier les similitudes des intérêts entre les utilisateurs. On note aussi le démarrage à froid : ce problème se produit lors du lancement alors qu’il n’y a pas encore d’évaluation pour les nouvelles ressources ou qu’un nouvel utilisateur n’a évalué aucun élément.

La solution la plus populaire pour contrer ces limites est l’approche hybride. Environ 46 des articles scientifiques examinés sont basés sur une combinaison de différents types de recommandations. Les systèmes hybrides sont mis en œuvre pour exploiter les avantages de plus d’une technique tout en compensant les inconvénients de chacune. La solution hybride permet alors de mettre en place un système robuste, adapté à plusieurs scénarii d’utilisation.

L’Evaluation

L’évaluation des systèmes de recommandation dans un contexte général est un processus complexe. Il l’est encore plus pour dans un contexte pédagogique, qui doit évaluer en plus des paramètres généraux, l’impact des recommandations pendant l’apprentissage. Les normes d’évaluation générales pour un système de recommandation comprennent la précision des prévisions, la diversité, la fraction de couverture, la sérendipité, le coefficient de confiance, la robustesse, l’extensibilité, etc.

Pour ce qui est des systèmes de recommandation en apprentissage, il est demandé qu’ils soient évalués non seulement selon des normes techniques, mais également par une combinaison de critères techniques et pédagogiques¹³. L’évaluation se fait selon trois aspects :

Mesurer les performances du système de recommandation

L’objectif de cette évaluation est de mesurer les performances du système de recommandation ou de l’algorithme de recommandation d’un point de vue technique, comme la précision de la prédiction, la fraction de couverture et la pertinence des recommandations.

Mesurer les effets centrés sur l’utilisateur

Il s’agit là de mesurer la perception générale du système de recommandation par l’utilisateur. Cela inclut la préférence ou la satisfaction, la confiance de l’utilisateur dans les recommandations du système, la nouveauté perçue par l’utilisateur, la diversité et la sérendipité¹⁴ des recommandations.

Mesurer les effets sur l’apprentissage

Cette évaluation vise à mesurer l’impact des recommandations sur les objectifs d’apprentissage. L’un de ces objectifs est de mesurer les performances d’apprentissage de l’apprenant, cela comprend la mesure du niveau de maîtrise de l’apprenant sur un sujet particulier et la comparaison des acquis d’apprentissage et des résultats de l’apprenant aux tests. Un autre objectif consiste à̀ mesurer l’efficacité́ de la réussite de l’apprenant, qui indique le temps nécessaire à̀ un apprenant pour atteindre un objectif d’apprentissage et les contenus consultés.

Les systèmes de recommandation, malgré leur omniprésence dans nos vies digitales, ne sont pas encore généralisés dans la création de parcours d’apprentissage personnalisés. Ce domaine reste pour autant prometteur avec l’expansion de l’apprentissage en ligne et la démocratisation de l’adaptive learning. Fort de son expérience dans l’IA et l’adaptive learning, Domoscio propose aujourd’hui des produits matures exploitant le potentiel des systèmes de recommandation pour individualiser la formation. Grâce aux projets mis en œuvre avec nos clients, nous avons pu mesurer et valider l’impact pédagogique des recommandations de formations sur la montée en compétences des apprenants.

---

Sources : 

¹  R. Burke, “Hybrid Web Recommender Systems”, en, in The Adaptive Web, P. Brusilovsky, A. Kobsa et W. Nejdl, éd., t. 4321, Berlin, Heidelberg : Springer Berlin Heidelberg, 2007, p. 377-408, isbn : 9783540720782. doi : 10.1007/978-3-540-72079-9_12. adresse : http://link.springer.com/10.1007/978-3-540- 72079-9_12 (visité le 19/08/2020).

² L.-Z. Cui, F.-L. Guo et Y.-j. Liang, “Research Overview of Educational Recommender Systems”, en, in Proceedings of the 2nd International Conference on Computer Science and Application Engineering – CSAE ’18, Hohhot, China : ACM Press, 2018, p. 1-7, isbn : 9781450365123. doi : 10.1145/3207677.3278071. adresse : http://dl.acm.org/citation.cfm?doid=3207677.3278071 (visité le 18/08/2020).

³ G. Adomavicius et A. Tuzhilin, “Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions”, IEEE Transactions on Knowledge and Data Engineering, t. 17, no 6, p. 734-749, juin 2005, issn : 1041-4347. doi : 10.1109/TKDE.2005.99. adresse : http://ieeexplore.ieee. org/document/1423975/ (visité le 19/08/2020).

⁴ Les inférences sont des étapes de raisonnement, passant des propositions aux résultats logiques.

⁵ Julián, M.-P.; Jose, A.; Edwin, M.; Camilo, S., “Autonomous recommender system architecture for virtuallearning environments”, Applied Computing and Informatics, 2020.

⁶ M. Erdt, A. Fernandez et C. Rensing, “Evaluating Recommender Systems for Technology Enhanced Learning: A Quantitative Survey”, IEEE Transactions on Learning Technologies, t. 8, no 4, p. 326-344, oct. 2015, issn : 1939-1382. doi : 10.1109/TLT.2015.2438867. adresse : http://ieeexplore.ieee.org/ document/7115158/ (visité le 18/08/2020).

⁷ A. C. Rivera, M. Tapia-Leon et S. Lujan-Mora, “Recommendation Systems in Education: A Systematic Mapping Study”, en, in Proceedings of the International Conference on Information Technology & Systems (ICITS 2018), Á. Rocha et T. Guarda, éd., t. 721, Cham : Springer International Publishing, 2018, p. 937- 947, isbn : 9783319734491 9783319734507. doi : 10.1007/978-3-319-73450-7_89. adresse : http: //link.springer.com/10.1007/978-3-319-73450-7_89 (visité le 18/08/2020).

⁸ H. Imran, M. Belghis-Zadeh, T.-W. Chang, Kinshuk et S. Graf, “PLORS: a personalized learning object recommender system”, en, Vietnam Journal of Computer Science, t. 3, no 1, p. 3-13, fév. 2016, issn : 2196-8888, 2196-8896. doi : 10.1007/s40595-015-0049-6. adresse : http://link.springer.com/10.1007/s40595- 015-0049-6 (visité le 18/08/2020).

⁹S. Garcia-Martinez et A. Hamou-Lhadj, “Educational Recommender Systems: A Pedagogical-Focused Perspective”, in Multimedia Services in Intelligent Environments, G. A. Tsihrintzis, M. Virvou et L. C. Jain, éd., t. 25, Heidelberg : Springer International Publishing, 2013, p. 113-124, isbn : 9783319003740 9783319003757. doi : 10.1007/978-3-319-00375-7_8. adresse : http://link.springer.com/10.1007/978- 3-319-00375-7_8 (visité le 18/08/2020).

¹⁰  J. Buder et C. Schwind, “Learning with personalized recommender systems: A psychological view”, en, Computers in Human Behavior, t. 28, no 1, p. 207-216, jan. 2012, issn : 07475632. doi : 10.1016/j.chb. 2011.09.002. adresse : https://linkinghub.elsevier.com/retrieve/pii/S0747563211001956 (visité le 18/08/2020

¹¹ N. Manouselis, H. Drachsler, K. Verbert et E. Duval, Recommender Systems for Learning, sér. Sprin- gerBriefs in Electrical and Computer Engineering. New York, NY : Springer New York, 2013, isbn : 97814614436059781461443612. doi : 10.1007/978-1-4614-4361-2. adresse : http://link.springer.com/10.1007/978- 1-4614-4361-2 (visité le 18/08/2020).

¹² M. Erdt, A. Fernandez et C. Rensing, “Evaluating Recommender Systems for Technology Enhanced Learning: A Quantitative Survey”, IEEE Transactions on Learning Technologies, t. 8, no 4, p. 326-344, oct. 2015, issn : 1939-1382. doi : 10.1109/TLT.2015.2438867. adresse : http://ieeexplore.ieee.org/ document/7115158/ (visité le 18/08/2020).

¹³ H. Drachsler, K. Verbert, O. C. Santos et N. Manouselis, “Panorama of Recommender Systems to Support Learning”, en, in Recommender Systems Handbook, F. Ricci, L. Rokach et B. Shapira, éd., Boston, MA : Springer US, 2015, p. 421-451, isbn : 9781489976369 9781489976376. doi : 10.1007/978-1-4899- 7637-6_12. adresse : http://link.springer.com/10.1007/978-1-4899-7637-6_12 (visité le 18/08/2020).

¹⁴ Traduction de la définition originale faite par Merriam-Webster : « la faculté ou le phénomène permettant de trouver des choses précieuses ou agréables non-recherchées ».