Effort cognitif réel dans les tiers-lieux numériques éducatifs: modélisation multimodale, personnalisée et explicable par apprentissage automatique // Personalized multimodal machine learning for real cognitive effort estimation in hybrid digital learnin

Topic description

Ce projet de thèse se situe à l'intersection de l'intelligence artificielle, des sciences cognitives et des sciences de l'éducation. Il vise à développer des modèles d'apprentissage automatique multimodaux, personnalisés, robustes et explicables pour estimer l'effort cognitif réel des apprenants dans des environnements d'apprentissage numériques hybrides, notamment les tiers-lieux numériques éducatifs.
L'effort cognitif joue un rôle central dans l'engagement des apprenants : il conditionne la profondeur du traitement de l'information, la consolidation des connaissances et la capacité à transférer les apprentissages. Pourtant, cet effort est difficile à observer directement et est le plus souvent approximé par des mesures subjectives (questionnaires d'auto-évaluation, échelles de charge mentale), dont la fiabilité est limitée par des biais de perception, de comparaison sociale ou de contexte. La littérature distingue ainsi l'effort réel avec les ressources cognitives effectivement mobilisées de l'effort perçu et la perception subjective qu'en a l'apprenant, concernant ces deux dimensions qui peuvent fortement diverger.
Les environnements d'apprentissage numériques génèrent aujourd'hui de grandes quantités de traces d'interaction : logs de navigation, réponses à des questionnaires, signaux physiologiques (fréquence cardiaque, activité électrodermale), indicateurs de performance. Ces données hétérogènes, encore rarement exploitées de manière intégrée, constituent un matériau riche pour estimer l'effort cognitif réel de façon plus objective et personnalisée.
Trois défis scientifiques principaux structurent ce projet. Le premier consiste à formaliser un cadre conceptuel robuste de l'effort cognitif réel, distinguant clairement effort réel et effort perçu, en intégrant les biais individuels (profil, motivation, état émotionnel) et contextuels (tâche, dispositif technique), et en définissant un ensemble cohérent d'indicateurs observables exploitables par des modèles d'IA. Le deuxième défi porte sur la conception de modèles d'apprentissage automatique multimodaux et personnalisés, capables de fusionner des données subjectives, comportementales, physiologiques et de performance, de capturer les dynamiques temporelles de l'effort, et de maintenir un équilibre entre précision, robustesse et complexité computationnelle. Le troisième défi concerne l'intégration des principes de l'IA responsable dès la conception : explicabilité des prédictions pour les enseignants et chercheurs en éducation, détection et réduction des biais (genre, niveau académique, contexte socio-économique), et évaluation de l'impact pédagogique et éthique des indicateurs produits.
Les travaux seront organisés sur trois ans : une première année dédiée à la revue de littérature interdisciplinaire, à la formalisation du cadre conceptuel et à la conception du protocole de collecte de données ; une deuxième année consacrée au développement et à la comparaison d'architectures de modèles multimodaux (modèles séquentiels, architectures profondes, modèles à facteurs latents) et à l'intégration de la personnalisation ; une troisième année focalisée sur les méthodes d'explicabilité, l'analyse des biais, les stratégies de mitigation et l'évaluation de l'acceptabilité des indicateurs par les parties prenantes éducatives.
Ce projet s'inscrit dans les ambitions du cluster ENACT et vise à produire des outils concrets d'aide à la décision pédagogique, plus adaptatifs, équitables et transparents.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project sits at the crossroads of artificial intelligence, cognitive science, and educational science. It aims to develop multimodal, personalized, robust, and explainable machine learning models to estimate learners' real cognitive effort in hybrid digital learning environments, particularly educational digital third places.
Cognitive effort plays a central role in learner engagement: it conditions the depth of information processing, the consolidation of knowledge, and the ability to transfer learning to new situations. However, cognitive effort is difficult to observe directly and is most often approximated through subjective measures (self-report questionnaires, mental workload scales), whose reliability is limited by perception biases, social comparison, or contextual factors. The literature distinguishes real effort i.e. the cognitive resources actually mobilised by the learner, from perceived effort, and the subjective perception reported by the individual. Those two dimensions that can significantly diverge.
Digital learning environments generate large amounts of interaction data: navigation logs, questionnaire responses, physiological signals (heart rate, electrodermal activity), and performance indicators. These heterogeneous data, still rarely exploited in an integrated manner, constitute rich material for estimating real cognitive effort in a more objective and personalised way.
Three main scientific challenges structure this project. The first consists in formalising a robust conceptual framework for real cognitive effort, clearly distinguishing real effort from perceived effort, integrating individual biases (profile, motivation, emotional state) and contextual factors (task, technical device, environment), and defining a coherent set of observable indicators suitable for use in AI models. The second challenge concerns the design of multimodal and personalised machine learning models capable of fusing subjective, behavioural, physiological, and performance data, capturing the temporal dynamics of effort, and maintaining a balance between accuracy, robustness, and computational complexity compatible with real educational deployment constraints. The third challenge involves integrating responsible AI principles from the very beginning of model design: providing explainability mechanisms interpretable by teachers and educational researchers, detecting and reducing potential biases (gender, academic level, socioeconomic context), and assessing the pedagogical and ethical impact of the produced indicators.

The work will be organised over three years: the first year dedicated to an interdisciplinary literature review, conceptual framework development, and data collection protocol design; the second year focused on developing and comparing multimodal model architectures (sequence models, deep multimodal architectures, latent-factor models) and integrating personalisation; the third year centred on explainability methods, bias analysis, mitigation strategies, and evaluation of indicator acceptability with educational stakeholders.

This project is aligned with the ambitions of the ENACT cluster and aims to produce concrete decision-support tools for educators that are more adaptive, fair, and transparent.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral