Recherche
Recherche sur l’éducation robotique adaptative et les jumeaux numériques
HCR est un instrument de recherche pour l’évaluation Blockly, l’apprentissage adaptatif et l’enseignement robotique par jumeau numérique. La personne choisit de participer avant la création d’un joueur ou d’une session.
Participation
Choisissez de participer ou non avant de commencer
Le client ne crée aucune session du simulateur ni aucun identifiant de joueur tant que la personne n’a pas choisi de participer à l’étude.
Données nécessaires à l’étude
Blockly Program IR compilé, version du défi, score et identifiants techniques de session ou d’envoi nécessaires à la relecture et à l’analyse.
Contexte facultatif
La langue principale est enregistrée sous un code général tel que zh ou en, et le décalage UTC sous forme de minutes. Le bouton « Participer » active les deux ; « Plus de réglages » permet de les désactiver séparément.
Données non recueillies
Nous ne recueillons aucune empreinte du navigateur, aucun nom précis de fuseau IANA, aucune position déduite, aucun identifiant publicitaire et aucun profil de suivi intersites.
Comment nous décrivons les données
Nous ne présentons pas ces données comme entièrement anonymes. Les dossiers de l’étude peuvent conserver des identifiants de session et le serveur garde ses journaux de sécurité habituels ; nous parlons donc de données désidentifiées.
Problématique
Deux problèmes, un système
Pédagogie
Une classe avance à un rythme unique
Le coût du matériel et les besoins d’encadrement limitent l’enseignement de la robotique ; la classe suit donc souvent une progression unique. Or les élèves n’apprennent pas tous au même rythme, et ce décalage pénalise les deux extrémités du groupe.
Mesure
La capacité à programmer est difficile à évaluer
Contrairement à une réponse à choix multiple, un programme possède un espace de réponse ouvert et un résultat continu. Les méthodes classiques de test adaptatif ne supposent ni l’un ni l’autre et doivent donc être adaptées pour mesurer les performances en programmation.
Contributions
Les apports de ce travail
- 01
Sélection adaptative dans une banque d’items générés
Les défis ne proviennent pas d’une liste fixe. Des familles génèrent et étalonnent des candidats, puis l’information de Fisher sélectionne celui qui correspond à l’aptitude estimée. La banque peut grandir sans créer chaque niveau à la main.
- 02
Items générés dont la résolution est garantie
La génération procédurale peut produire une cible plausible mais inaccessible. Résoudre chaque candidat avant de le proposer transforme la solvabilité en condition préalable.
- 03
Scores continus dans un estimateur dichotomique
La performance est continue, contrairement à l’estimateur disponible. Un remappage préservant l’ordre autour du seuil de maîtrise conserve le classement et le score brut pour l’analyse.
- 04
Le déterminisme comme condition d’équité
Le serveur rejoue chaque programme et estime le temps à partir du déplacement des articulations. Le matériel client ne peut donc pas modifier un score utilisé en compétition ou en diagnostic.
Méthode
Construction de la couche adaptative
Après chaque essai, la plateforme réestime le niveau et choisit le défi suivant. Une réussite aisée augmente la difficulté ; une difficulté persistante la réduit.
Modèle
Modèle logistique à deux paramètres
Le modèle utilise le niveau θ sur une échelle logit, la difficulté b et le pouvoir discriminant a. Le paramètre de hasard est fixé à zéro : la réponse est un programme, pas un choix parmi plusieurs, donc rien ne peut être deviné. Estimer un troisième paramètre ne ferait qu’ajuster le bruit.
Réponse
Le programme constitue la réponse
Le serveur rejoue et note l’IR du programme de l’apprenant. Le score normalisé est recentré sur le seuil de maîtrise τ afin que « dépasser τ » corresponde à « maîtrisé », puis transmis à l’estimateur. Le score brut est conservé séparément.
Sélection
Information, puis contrôle de l’exposition
Les items candidats sont classés selon l’information apportée au niveau θ courant, puis leur exposition est plafonnée. Ainsi, des apprenants de même niveau ne reçoivent pas tous les mêmes items et la banque n’est pas épuisée.
Génération
La difficulté comme cible, non comme résultat
Les familles d’items utilisent des caractéristiques prédictives de la difficulté : marge de dégagement, effort d’atteinte, contrainte de budget et structure des boucles. Chaque candidat est résolu pour une difficulté cible b et rejeté dès la génération si le solveur de référence ne trouve aucune solution.
Étalonnage
Provisoire tant que les données manquent
Tout nouvel item commence en phase provisoire : son exposition est plafonnée et il ne compte pas dans les mises à jour officielles du niveau. Après collecte de réponses, sa difficulté est réajustée par itération de Newton sur la vraisemblance marginale, θ étant fixé aux moyennes a posteriori.
Cette version représente le niveau par un θ composite unique et enregistre des étiquettes de dimension sur chaque réponse pour les rapports. Un véritable modèle multidimensionnel reste une étape future, pas une prétention de cette version.
Validité
Un item que personne ne peut terminer ne mesure rien
Dessiner d’abord la coupe cible en espérant que le bras puisse l’atteindre ne fonctionne pas. Un ancien défi demandait de couper 91 éléments alors que le bras n’en atteignait que 20. Il était impossible, sans que le niveau n’en avertisse l’apprenant.
Le solveur intervient désormais en premier. Chaque cible candidate est balayée dans l’espace articulaire sans collision, puis confiée à un solveur de référence ; si celui-ci ne peut pas la terminer, elle est rejetée dès la génération et ne sera jamais proposée. La solution fixe le coût et le temps de référence du niveau.
L’ensemble atteignable réunit tous les voxels que l’outil peut toucher en balayant l’espace articulaire sans collision. Ce calcul étant coûteux, il est effectué une seule fois et mis en cache comme donnée de test. Les tests vérifient ensuite que la solution de référence peut être rejouée et qu’aucune cible ne se trouve dans une zone inaccessible.
L’échec à l’origine de cette solution
Un apprenant pourrait prendre cette impossibilité structurelle pour un échec personnel. L’estimation de son niveau utiliserait alors cet échec comme donnée.
Reproductibilité
Ce dont dépend un résultat
Génération déterministe
La génération de la coiffure est une fonction pure de la configuration du défi. Une même configuration produit toujours le même ensemble ordonné de voxels, sans aucun aléa.
Relecture côté serveur
Les scores compétitifs proviennent du rejeu du programme soumis sur le service, jamais d’une valeur déclarée par le navigateur.
Temps estimé, non mesuré
Le temps d’exécution est calculé à partir du déplacement des articulations et des vitesses configurées ; il dépend donc du programme, pas de la machine utilisée.
Contrat de communication figé
L’application et le service partagent les mêmes types de score et de programme. Les changements de protocole sont uniquement additifs, de sorte que les anciens clients continuent de fonctionner.
Ailleurs
Publications et équipe
Publications
Articles de conférence, brevets et références BibTeX du groupe à l’origine de HCR, notamment ses travaux sur le système adaptatif d’apprentissage et d’évaluation utilisé par cette plateforme. La collection est tenue à jour sur le site Pmine Research.
L’équipe
Pmine Research, au sein de Field of Dream Studio, développe HCR. Les profils complets figurent sur le site du groupe.