Introduction

Dans  votre plateforme, vous pouvez trouver un moteur de recommandations doté d’IA qui sert à apporter diverses suggestions personnalisées. Vous pouvez en savoir plus sur où et comment les suggestions interviennent dans la plateforme dans l’article dédié de la Knowledge Base. (section Suggestions Personnalisées)

Cet article montre un aperçu des principes généraux et des techniques utilisées par le moteur de recommandations pour élaborer et fournir ces suggestions ainsi que des informations sur les utilisateurs et les contenus pédagogiques actuellement concernés. 

Suggestions Basées sur l’Historique

Les suggestions personnalisées de la plateforme sont issues de l’analyse de l’historique des utilisateurs au sein de la plateforme. Cela veut dire que la source principale d’informations du moteur de recommandations est la séquence cumulée des interactions que chaque utilisateur a avec les différents contenus pédagogiques de la plateforme. 

Plus spécifiquement, la plateforme considère les interactions suivantes dans le moteur de recommandations : 

• Pour les cours formels, la complétion des cours
• Pour les contributions, les vues, l’évaluation et l’invitation faite aux autres utilisateurs à voir la contribution

Le moteur de recommandation utilise cet historique d’interactions pour constituer une grande matrice Apprenants vs Contenus. Une représentation intuitive de cette matrice se trouve ci-dessous. 

A partir de cette matrice, le système de recommandation peut déduire, à l’aide d’un algorithme connu de factorisation de matrice, un espace métrique multidimensionnel dans lequel les utilisateurs et les contenus sont intégrés dans les mêmes coordonnées. Une représentation de cet espace métrique se trouve ci-dessous :  

Veuillez noter qu’à des fins d’affichage, cette image montre un espace métrique à deux dimensions alors qu’en réalité, l’espace métrique a un nombre beaucoup plus élevé de dimensions. 

L’avantage d’un tel espace métrique est de pouvoir dériver des mesures de distance ou de proximité entre les utilisateurs et les contenus. En d’autres termes, cela permet de savoir quels utilisateurs sont près de quels contenus. 

L’interprétation de la proximité est particulièrement intéressante : par exemple, quand un utilisateur U est particulièrement proche d’un contenu C dans leur espace métrique, cela veut dire que le contenu C a été vu par d’autres utilisateurs ayant un historique d’interactions similaire à celui de U. 

Cela représente la base de la production de suggestions personnalisées dans la plateforme : le moteur de recommandation calcule la distance entre les utilisateurs et les contenus intégrés dans l’espace métrique en fonction de l’algorithme de factorisation de la matrice et extrait les contenus qui sont le plus proches de l’utilisateur puisque ce sont ceux qui sont le plus susceptibles de l'intéresser. 

D’autres aspects entrent également en compte : évidemment aucun contenu déjà consulté par l’utilisateur n’est suggéré. De plus, seuls les contenus qui sont accessibles à un utilisateur lui sont suggérés afin de respecter les règles de visibilité des contenus pédagogiques que vous avez définies dans la plateforme. 

Suggestions Contextuelles

Le moteur de recommandations exploite également la proximité entre les différents contenus pour ajouter du contexte aux suggestions fournies à un utilisateur U. Il considère le dernier contenu C consulté par U (ou celui actuellement consulté) et détermine quels sont les autres contenus les plus proches de C dans l’espace métrique. Ces contenus feront partie des suggestions ainsi que les contenus les plus proches de U.  

Fonctionnement de l’Historique Court

Le moteur de recommandation étant actuellement basé sur l’historique d’interactions qui s’accumulent au fil du temps, à mesure que les apprenants bénéficient des contenus pédagogiques, quand une toute nouvelle plateforme est lancée, il n’existe pas de contenu suffisant pour produire des suggestions pertinentes. Cependant, au fur et à mesure que les interactions ont lieu, le moteur de recommandations  peut remplir la matrice. De manière générale, plus la plateforme est utilisée, plus les suggestions sont spécifiques et personnalisées. 

De la même manière, quand l’historique d’un utilisateur est vide ou très court - comme pour un nouvel utilisateur sur la plateforme ou des utilisateurs qui interagissent rarement avec du contenu - le moteur de recommandation peut ne pas produire de recommandation. Cependant, plus l’utilisateur a l’occasion d’utiliser la plateforme, plus il/elle verra apparaître des conseils personnalisés.

Mise à Jour de l’Historique des Interactions

Au fur et à mesure que les utilisateurs continuent d’utiliser la plateforme et d’interagir avec le contenu, la matrice enregistre l’historique de leurs interactions et les changements de cours. Le moteur de recommandation re-calcule périodiquement la matrice pour refléter les dernières interactions, puis applique à nouveau l’algorithme de factorisation de la matrice pour créer un espace métrique à jour. 

Dans un cas d’utilisation réel, la matrice d’interactions peut devenir très volumineuse et les calculs requis pour obtenir la matrice et l’espace métrique correspondant peuvent prendre un long moment. Par conséquent, la plateforme programme une mise à jour tous les quelques jours. Il est donc important de noter que les dernières interactions entre les utilisateurs et les contenus peuvent ne pas être prises en compte dans le calcul des suggestions personnalisées jusqu’à la prochaine mise à jour prévue dans la plateforme. 

Limitations Techniques

Pour un très grand nombre d'utilisateurs et/ou de contenus (supérieur à 1 million), l'implémentation actuelle de l'algorithme de recommandation pourrait ne pas être en capacité de produire la matrice Utilisateur vs Contenu décrite par cet article. Dans ces quelques rares cas, la fonctionnalité de suggestion de contenu ne pourra pas fonctionner et les suggestions ne seront pas produites.