Modélisation automatique des états cognitifs des apprenants en programmation : une approche hybride et interprétable par apprentissage profond
Par : Monsieur GROTA Abdelkader
Le samedi 5 décembre 2026 à 10:00
Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur GROTA Abdelkader, soutiendra une thèse de Doctorat intitulée : « Modélisation automatique des états cognitifs des apprenants en programmation : une approche hybride et interprétable par apprentissage profond.».
La soutenance publique aura lieu le Samedi 05 Décembre 2026 à 10h00 à l'Amphi 6, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, devant le jury composé de :
Monsieur Rachid EL AYACHI : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Président ;
Monsieur Mohamed BASLAM : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane,, Béni Mellal, Rapporteur ;
Monsieur Badr HSSINA : Maître de Conférence Habilité, Faculté des Sciences et Techniques, Université Hassan II, Mohammedia, Rapporteur ;
Monsieur Mohammed-Alamine EL HOUSSAINI : Maître de Conférence Habilité, Ecole Supérieure d'Education et de Formation, université chouaib doukkali, El Jadida, Rapporteur ;
Monsieur Badreddine CHERKAOUI : Maître de Conférence Habilité, Ecole Supérieure d'Education et de Formation, université chouaib doukkali, El Jadida, Examinateur ;
Monsieur Youness KHOURDIFI : Maître de Conférence Habilité, Faculté Polydisciplinaire, Université Sultan Moulay Slimane,, Béni Mellal, Examinateur ;
Monsieur Mohammed ERRITALI : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane,, Béni Mellal, Directeur de thèse .
Résumé:
La détection automatique des blocages des étudiants en programmation constitue un défi pédagogique majeur. Cette thèse propose une approche complète, structurée autour de cinq contributions complémentaires. La contributionC1établit un cadre tri dimensionnel (comportemental, cognitif, séquentiel) et une taxonomie de 13 types d’actions validée par accord inter-annotateurs (κ= 0,81 sur 500 séquences annotées par trois évaluateurs). La contribution C2 présente Fusion Adaptative, un modèle hybride combinant chaînes de Markov, modèles de Markov cachés (HMM) et réseau BiGRU avec mécanisme d’attention de Bahdanau. Évalué sur 70étudiantsenL1 Informatique par validation croisée student-level 5-fold, il atteint un Macro-F1de90,7%etdétectelesblocages2,8 minutes en avance sur leur manifestation visible. LacontributionC3proposeunencodeur Transformer auto-supervisé pré-entraîné sur deux tâches (NAP, 87,4 %; MAP, 95,2 %), sans annotation externe. LacontributionC4 démontre empiriquement que la granularité keystroke surpasse la quantité sémantique : le modèle institutionnel (70étudiants) dépasse un corpus public de4 87 étudiants de +15,1% NAP malgré un volume 7 fois inférieur. La contribution C5 conduit une analyse XAI comparative : SHAP sur l’hybride (n_compile, |φ| = 0,314) et Integrated Gradients sur le Transformer (Copie Dans Document, IG=0,651). La comparaison inter-modèles révèle une convergence qualitative partielle : les deux méthodes désignent les comportements de compilation et d’édition comme centraux, toute néclairant des dimensions complémentaires du blocage.
Mots-clés: