Programme de Doctorat en informatique

Département d’informatique et de génie logiciel

Faculté des sciences et de génie

Présentation de la proposition de projet de recherche de

De

Idrissa Abdou

 

jeudi 3 juin à 14h

Par vidéoconférence teams (voir lien ci-dessous)

 

https://teams.microsoft.com/l/meetup-join/19%3ameeting_NGM1MWU3NWUtMDcwYS00Mzg3LTljZGQtZDBiMWViMWY0YjBj%40thread.v2/0?context=%7b%22Tid%22%3a%2256778bd5-6a3f-4bd3-a265-93163e4d5bfe%22%2c%22Oid%22%3a%22e2bbb35f-f1ad-4d5f-bdc8-a1952e6c1491%22%7d

Évaluation automatique de questions ouvertes : calcul de score par similarité sémantique ” 

 

Membres du comité

France Lafleur (examinatrice, professeure UQTR)

Luc Lamontagne (examinateur, professeur Université Laval)

Thierry Eude (Directeur de recherche, professeur Université Laval)

 

 

Résumé

L’évaluation d’épreuves pour la validation des connaissances est un élément incontournable pour tout processus d’apprentissage. Deux principaux modes d’évaluation s’opposent : l’évaluation subjective et l’évaluation automatisée. L’évaluation subjective est taxée de beaucoup de tares telles que l’inconsistance du correcteur humain et le temps qu’elle nécessite. Ces insuffisances de l’évaluation subjective ont encouragé les enseignants à se tourner vers l’évaluation automatisée, surtout pour les grands groupes.

 

Cependant, l’enthousiasme suscité par l’évaluation automatisée s’est vite retrouvé confronté à un problème de mise en œuvre. S’il est aisé de concevoir un outil de correction automatique entièrement satisfaisant pour les questions fermées, il est aussi difficile de le faire pour les questions ouvertes. En effet, le constat est que l’évaluation de celles-ci est complexe à automatiser de manière à être exploitée à grande échelle avec une précision similaire à celle d’un correcteur humain. C’est cette problématique qui nous intéresse.
Jusqu’à aujourd’hui, les techniques qui font appel à l’intelligence artificielle offrent les meilleurs résultats en la matière. Ces techniques sont bâties sur les réseaux de neurones. Or, il est reproché à ces derniers d’être des boîtes noires, ce qui rend difficile l’interprétabilité et l’explicabilité des résultats. Aussi, elles nécessitent un jeu de données volumineux pour un entraînement efficace. Des études récentes utilisent l’apprentissage à partir de peu d’exemples (few-shot learning) pour compenser ce handicap. Cette approche n’ayant pas encore été appliquée au calcul de la similarité sémantique entre deux segments de texte, nous voulons nous orienter vers cette direction. Ainsi, nous présenterons notre avenue de recherche basée sur le few-shot learning appliqué au calcul de similarité sémantique et sur deux variantes de celui-ci qui constituent deux autres pistes de recherche que nous nous proposons d’explorer.

 

Note: La présentation sera donnée en français.

 

 

Bienvenue à tous!