Les environnements d'apprentissage par le jeu peuvent favoriser l'apprentissage de la pensée informatique et de la programmation dans l'enseignement primaire et secondaire, en permettant aux apprenants de concevoir et exécuter des algorithmes au moyen de blocs de programmation pour avancer dans le jeu. Cependant, ces environnements peuvent poser des difficultés aux étudiants en raison de leur caractère peu contraint demandant de l'autonomie et de l'autorégulation. Des études ont montré que cette difficulté peut être en partie réduite par l'entremise de rétroactions pouvant aider l'apprenant à avancer dans la création de leurs algorithmes. Dans ce projet, nous souhaitons créer et évaluer dans ces environnements des rétroactions qui sont guidées par une IA, qui aurait pour tâche de prédire le niveau d'aide qu'un apprenant a besoin, via leur solution courante, leur comportement dans l'environnement et leur attention visuelle. Cette recherche se fera en deux étapes. D'abord, nous utiliserons des traces multimodales de l'apprenant pour prédire en temps réel le besoin d'aide des apprenants lors de la conception d'algorithmes. Ces prédictions feront office de politique d'aide personnalisée pour déclencher l'émission d'une rétroaction. Deuxièmement, nous examinerons comment formuler et délivrer ces rétroactions, en considérant notamment les agents pédagogiques qui peuvent interagir de façon plus naturelle avec l'apprenant. Nous utiliserons deux jeux sérieux dédiés à l'apprentissage de la pensée informatique et de la programmation pour ce faire, Pyrates et Spy. L'objectif de ce projet est de concevoir un modèle guidée par l'IA pour la personnalisation de rétroactions sur des connaissances liées à la pensée informatique, ainsi que des résultats sur la meilleures manières de fournir ces rétroactions. À long terme, nous visons à faciliter l'adoption à l'école de ces jeux personnalisés.
Sebastien LALLE