Programmes de recherche internationaux

 

         Programme de recherche Evariation

L'objectif de cette recherche est d'étudier dans une approche sociocognitive les processus d’enseignement-apprentissage dans l’enseignement supérieur dans des environnements incluant du numérique. Cette étude internationale vise à essayer de repérer les facteurs favorisant l’augmentation du sentiment d’efficacité personnelle (SEP)* des étudiants dans les phases d’apprentissage en comparant les environnements incluant ou non du numérique.
Elle s'inscrit est dans le prolongement des travaux entrepris en 2021 sur les changements de pratiques d'apprentissage liées au recours massif au numérique pendant la pandémie.
Il s’agit donc d’analyser les pratiques actuelles des étudiants en questionnant l’apport éventuel (ou pas) du numérique dans les facteurs favorisant l’augmentation du SEP des étudiants à la réussite universitaire avec le numérique.
Pour mieux analyser le processus complexe de l'enseignement-apprentissage, nous étudions en même temps les pratiques d'enseignement et d'évaluation des enseignants du supérieur lorsqu'ils font éventuellement appel à des outils numériques (ou pas).
Dans le cadre de la société inclusive, la recherche EVARIATION s'intéresse particulièrement aux publics à besoins éducatifs particuliers dans ces processus de formation.

Référents UT2J : Fatiha Tali (EFTS), responsable scientifique du projet, Christiana Charalampopoulou (EFTS), Jean-Philippe Gaudron (EFTS), Lucie Loubère (EFTS/LERASS), Gabriela Valente (EFTS)

          Programme de recherche IMHOTEP

This project aims to support teachers to help them overcome the psychological and social risks by addressing the following main research questions :

1. How to take into account the teachers context in the identification of key psychosocial risk factors ?
2. How to ethically collect heterogeneous data/information related to these key factors ?
3. How to process these data (numerically and/or symbolically) within a personalized risk prevention recommender system ?
4. How to measure the relevance of the recommendations produced ?

Référente UT2J : Fatiha Tali
 

AI-DRecT: AI-Driven Recommender System for Teachers

 

•  Defining the expectations of teachers and student from this recommendation system
•  The collection of teachers’ and students’ data, with their consent, whether it be demographic data, emotions or traces of the teachers’ activities;
•  Modelling of teacher and student profiles to develop a recommendation system for teachers.
•  The implementation of AI techniques to learn the teachers’ and students’ profiles and recommend appropriate suggestions and concerns to teachers.