Un système de recommandation ouvert basé sur l'IA pour une éducation personnalisée axée sur le marché du travail

Acquérir des compétences correspondant à la demande du marché du travail devient de plus en plus compliqué, notamment dans l'éducation en ingénierie, puisque les connaissances, compétences et capacités préalables évoluent dynamiquement à travers un processus incontrôlable et apparemment imprévisible. Anticiper et traiter ce dynamisme représente un défi fondamental pour l'éducation du vingt et unième siècle. La disponibilité croissante des données, non seulement du côté de la demande mais aussi du côté de l'offre (sous la forme de ressources éducatives ouvertes), couplée à des technologies intelligentes, peut fournir un terreau fertile pour relever ce défi. Dans cet article, nous proposons une approche novatrice, pilotée par l'intelligence artificielle (IA), pour le développement d'un système de recommandation d'apprentissage ouvert, personnalisé et orienté vers le marché du travail, appelé eDoer. Nous discutons du cycle complet de développement du système en commençant par une collecte systématique des exigences des utilisateurs, suivie de la conception, de la mise en œuvre et de la validation du système. Notre prototype de recommandation (1) dérive les exigences de compétences pour des professions particulières à travers une analyse des annonces de postes vacants en ligne ; (2) décompose les compétences en sujets d'apprentissage ; (3) collecte une variété de ressources éducatives ouvertes en ligne qui traitent ces sujets ; (4) vérifie la qualité de ces ressources et la pertinence des sujets avec trois modèles de prédiction intelligents ; (5) aide les apprenants à définir leurs objectifs d'apprentissage en fonction de leurs compétences professionnelles souhaitées ; (6) recommande des parcours d'apprentissage personnalisés et du contenu d'apprentissage basé sur les objectifs d'apprentissage individuels ; et (7) fournit des services d'évaluation aux apprenants pour surveiller leurs progrès vers leurs objectifs d'apprentissage souhaités. En conséquence, nous avons créé un tableau de bord d'apprentissage axé sur trois métiers liés aux données et mené une validation initiale d'eDoer à travers une expérience randomisée. Contrôlant les effets des connaissances antérieures évaluées par un prétest, l'expérience randomisée a fourni un soutien provisoire à l'hypothèse selon laquelle les apprenants ayant interagi avec des recommandations personnelles fournies par eDoer pour acquérir des connaissances sur les statistiques de base, ont obtenu des scores plus élevés au post-test que ceux qui n'ont pas interagi. L'hypothèse selon laquelle les apprenants qui ont reçu du contenu personnalisé en termes de format, de longueur, de niveau de détail et de type de contenu, atteindraient des scores plus élevés que ceux recevant du contenu non personnalisé n'a pas été soutenue.