Contexte
La plateforme numérique d'apprentissage LabNbook est conçue pour enrichir l'enseignement scientifique et soutenir les démarches pédagogiques actives à travers la rédaction de rapports et de travaux pratiques en ligne. Dans le cadre de projets d'innovation pédagogique portés notamment avec IMT Atlantique, l'analyse des traces d'apprentissage (Learning Analytics) est devenue un enjeu central pour évaluer et accompagner le travail collaboratif des étudiants lors de la rédaction de documents scientifiques.
Pour répondre à ce besoin, SOFIA est intervenue en tant que partenaire technique et scientifique afin de concevoir et développer des briques logicielles d'intelligence artificielle. Grâce à son expertise avancée en Traitement Automatique du Langage (NLP) et en ingénierie des données, l'équipe de SOFIA a contribué au développement des capacités d'analyse de LabNbook à travers la réalisation de deux projets majeurs.
Problématique : Les défis pédagogiques et industriels
L'évaluation de la rédaction collaborative au sein d'environnements numériques scientifiques présente des défis techniques et conceptuels complexes :
- Mesure objective des stratégies de co-rédaction : Quantifier l'équilibre des contributions entre étudiants et identifier si la construction du document relève d'une juxtaposition d'apports ou d'une réelle intégration collaborative.
- Prise en compte du contenu scientifique et mathématique : Traiter la spécificité des textes académiques enrichis de formules mathématiques, souvent mal pris en compte par les modèles NLP standards.
- Calcul automatisé de l'évolution sémantique : Mesurer précisément la transformation sémantique des documents au fil des révisions successives effectuées par les auteurs.
Solutions mises en place : Un parcours d'immersion pratique
L'agence SOFIA a conçu et implémenté deux solutions techniques complémentaires intégrées aux données de LabNbook :
- Pipeline d'indicateurs de rédaction collaborative : Développement d'un flux d'ingénierie des données calculant des matrices de contribution, l'équilibre des apports individuels et la similarité sémantique entre les versions successives des rapports.
- Modèle de Reconnaissance d'Entités Nommées (NER avec SpaCy) : Création d'un modèle d'IA basé sur SpaCy spécifiquement entraîné pour détecter et extraire les équations et formules mathématiques dans les textes d'étudiants.
- Annotation et affinement par apprentissage actif : Mise en place d'un processus rigoureux d'annotation automatique par expressions régulières, affiné manuellement avec Prodigy pour garantir une haute précision du modèle NER.
- Architecture de calcul et visualisation : Structuration de workflows automatisés sous Python et déploiement de tableaux de bord interactifs Streamlit pour visualiser la dynamique de rédaction.
Résultats
L'implication de SOFIA dans le développement de LabNbook a permis de franchir un cap décisif dans l'analyse automatique des écritures collaboratives :
- Opérationnalisation des indicateurs de collaboration : Calcul automatique d'indicateurs précis retraçant la dynamique d'écriture, l'équilibre des contributions et l'évolution sémantique des documents.
- Détection ciblée des contenus mathématiques : Identification automatique des formules mathématiques au sein des textes scientifiques grâce au modèle NER SpaCy sur mesure.
- Outillage d'analyse pour la recherche pédagogique : Mise à disposition d'une suite logicielle modulaire ouvrant la voie à des améliorations futures via des modèles spécialisés comme MathBERT.
Technologies et méthodes
- Stack IA & NLP : Python, SpaCy, Scikit-learn, Transformers, Streamlit.
- Ingénierie de données & MLOps : Orchestration de workflows avec Prefect.
- Pôle d'expertise : Machine Learning & MLOps et Formations professionnelles.
