Le protocole du classificateur neuronal hybride quantique-classique par méta-apprentissage (ML-HQNC) intègre une modélisation cognitive inspirée du quantique, un prétraitement des données, une sélection de caractéristiques et un apprentissage neuronal hybride afin d'identifier les centres d'intérêt des étudiants en ingénierie. Ce protocole présente un flux de travail reproductible d'apprentissage automatique hybride inspiré du quantique pour l'analytique éducative, illustré par l'identification des intérêts des étudiants en ingénierie à partir de données éducatives multidimensionnelles.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Identification des intérêts des étudiants basée sur les données pour les systèmes de gestion d'enseignement intelligents dans les collèges d'ingénierie
Dans cet article
Résumé
Résumé
Ce protocole présente un cadre computationnel inspiré de la physique quantique permettant d'identifier les centres d'intérêt des étudiants en ingénierie à l'aide de données éducatives et comportementales multidimensionnelles. L'objectif est de fournir un flux de travail systématique et reproductible intégrant le prétraitement des données, l'analyse des motifs comportementaux, la sélection de caractéristiques et un apprentissage neuronal hybride afin d'aider à la prise de décision éducative et de soutenir l'apprentissage personnalisé. Le flux de travail commence par une normalisation et un prétraitement des données éducatives à l'aide de la méthode d'échelonnement robuste Box-Cox IQR (BCRIS), qui réduit le bruit sémantique et améliore la qualité des données. Les comportements d'apprentissage des étudiants sont ensuite analysés à l'aide du modèle d'état cognitif quantique (QCSM), qui représente les transitions comportementales et l'évolution des préférences d'apprentissage dans des conditions d'incertitude. Les caractéristiques pertinentes sont ensuite sélectionnées à l'aide de l'algorithme de sélection de caractéristiques par optimisation hybride essaim-baleine amélioré par la physique quantique (QES-WOFS), afin de réduire la redondance des caractéristiques et d'identifier les traits comportementaux informatifs. Enfin, le classificateur neuronal hybride quantique-classique à méta-apprentissage (ML-HQNC) intègre un apprentissage inspiré de la physique quantique à des réseaux neuronaux profonds pour classifier les centres d'intérêt des étudiants. Le protocole a été validé à l'aide d'un ensemble de données éducatives publiquement accessible. Les performances du modèle ont été évaluées à l'aide de métriques classiques telles que la précision, le score F1 et l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), ainsi que par la précision de détection des intérêts (IDP), l'indice de stabilité des motifs quantiques (QPSI) et le gain d'adaptabilité inter-domaines (CDAG). Le cadre proposé a atteint une précision globale de classification de 96,17 % sur l'ensemble de données évalué. Ce protocole fournit un flux de travail computationnel reproductible pour analyser des données éducatives multidimensionnelles et soutenir la gestion éducative intelligente ainsi que les applications d'apprentissage personnalisé.
Introduction
Les systèmes de gestion éducative sont de plus en plus utilisés dans tout le secteur de l'éducation, portés par les progrès rapides des technologies de l'information et des réseaux informatiques. La croissance continue de l'enseignement supérieur s'accompagne d'une augmentation de l'inscription des étudiants, en particulier parmi les étudiants en ingénierie, entraînant une augmentation substantielle des données de gestion éducative. Cette croissance soutient le développement éducatif durable, accélère l'informatisation de l'enseignement et facilite la mise en place de systèmes normalisés de gestion éducative, améliorant ainsi la cohérence et l'efficacité de l'administration pédagogique. L'apprentissage automatique (Machine Learning, ML) fournit des techniques computationnelles permettant aux systèmes d'analyser des données, d'apprendre à partir de motifs et d'améliorer continuellement leurs performances prédictives sans programmation explicite1,2.
La qualité éducative est un élément fondamental de l'enseignement supérieur. Ces dernières années, les examens ont été largement utilisés pour évaluer la compréhension des étudiants en génie du contenu des cours et leur capacité à acquérir de nouvelles connaissances, favorisant ainsi des améliorations continues de la qualité éducative. Des environnements centrés sur l'apprenant peuvent être mis en place en exploitant les ressources d'apprentissage variées disponibles via les plateformes éducatives en ligne et en appliquant plusieurs théories de l'apprentissage afin de répondre aux besoins des différents apprenants. Un enseignement efficace joue un rôle clé dans l'amélioration des résultats d'apprentissage des étudiants en génie dans les universités et les collèges3,4. En outre, un enseignement efficace favorise un environnement d'apprentissage positif, soutient la compréhension du contenu des cours par les étudiants et améliore la performance académique. La qualité éducative est évaluée à l'aide de plusieurs indicateurs tout au long du processus d'apprentissage, notamment la structure du programme, l'environnement en classe et le contenu enseigné.
L'enseignement supérieur favorise le développement intellectuel, personnel et social des étudiants. Parallèlement, l'engagement des étudiants — comprenant ses dimensions comportementale, émotionnelle et cognitive — ainsi que la persistance académique sont devenus des déterminants importants des résultats d'apprentissage. De hauts niveaux d'engagement des étudiants contribuent de manière significative au succès académique à long terme5,6. Les progrès réalisés dans les technologies éducatives ont créé de nouvelles opportunités pour des analyses éducatives fondées sur les données, en modélisant les relations non linéaires complexes entre les caractéristiques cognitives, comportementales et académiques des étudiants à l'aide de techniques d'apprentissage automatique (ML) et d'apprentissage profond (DL).
Un défi majeur demeure l'observation et l'évaluation efficaces de la dynamique en classe tout en tenant compte de l'évolution des comportements des élèves. Les approches traditionnelles d'évaluation de la qualité pédagogique et d'analyse du comportement des étudiants en ingénierie sont souvent longues et sujettes au jugement subjectif humain. L'inattention des élèves pendant les activités en classe nuit aux résultats d'apprentissage et à la performance académique7,8. Toutefois, maintenir une attention soutenue chez les étudiants en ingénierie reste difficile en raison de distractions internes et externes ainsi que de fluctuations de la motivation.
L'évaluation et l'amélioration de l'engagement des étudiants sont devenues de plus en plus importantes avec l'adoption généralisée des apprentissages en ligne, des salles de classe intelligentes et d'autres technologies éducatives interactives. Garantir l'inclusion au sein de groupes d'étudiants en ingénierie diversifiés souligne davantage la nécessité de cadres complets intégrant des approches fondées sur la technologie à la pratique éducative, tout en maintenant des normes de confidentialité et d'éthique. En outre, la transparence limitée des modèles et les difficultés liées à l'intégration technologique9,10, notamment les biais méthodologiques et l'équité éducative, continuent de freiner le développement de systèmes prédictifs capables d'accompagner les apprenants par une surveillance continue.
Les approches d'apprentissage automatique ont été largement utilisées pour relever des défis éducatifs, tels que la prédiction des risques d'échec et des taux d'abandon scolaire. Ces approches ont démontré leur capacité à identifier les étudiants à haut risque, permettant ainsi des interventions qui améliorent la réussite académique11. Des systèmes de gestion éducative fondés sur l'intelligence artificielle (IA) ont également été développés afin d'améliorer à la fois les processus administratifs et académiques au sein des établissements d'enseignement supérieur. Les ensembles de données éducatifs incluent généralement des dossiers académiques tels que les notes de cours, les relevés de présence et l'historique des inscriptions12.
Des études antérieures ont analysé le comportement des étudiants selon trois perspectives : les données d'évaluation, les méthodes et les résultats13,14. Des modèles prédictifs fondés sur l'illectronisme informationnel ont été élaborés afin d'analyser les caractéristiques comportementales des étudiants universitaires. Ces études portent principalement sur l'évaluation du comportement de l'apprenant à l'aide de méthodes d'apprentissage profond (Deep Learning, DL). Toutefois, la recherche sur l'évaluation intelligente du comportement des enseignants en est encore à un stade préliminaire, ce qui limite les progrès dans ce domaine. Les réseaux neuronaux convolutionnels rapides fondés sur des régions (Fast R-CNN) ont été appliqués à des jeux de données éducatifs afin d'améliorer la détection des activités en classe, démontrant des améliorations significatives des performances par rapport aux méthodes traditionnelles15.
Les modèles bidirectionnels à mémoire longue courte (Bi-LSTM) intégrant des mécanismes d'auto-surveillance ont également amélioré la précision de la prédiction des notes chez les étudiants universitaires. De même, les modèles de prédiction élaborés à partir de jeux de données sur les comportements d'apprentissage en ligne ont montré une performance prédictive améliorée16,17,18. En outre, le regroupement par k-moyennes (KMC) a été utilisé pour identifier les caractéristiques des différents groupes d'étudiants par analyse de clusters, fournissant ainsi des informations sur le comportement des étudiants qui soutiennent l'amélioration de l'enseignement, de la gestion et de l'apprentissage. Des stratégies fondées sur l'apprentissage profond ont également été proposées afin d'améliorer la détection et l'évaluation des comportements d'enseignement en classe. Dans ces approches, les caractéristiques comportementales en classe sont utilisées pour établir des relations entre les représentations des caractéristiques et les hyperplans, à l'aide de valeurs initiales linéairement séparables pour la machine à vecteurs de support (SVM)19,20. Toutefois, des défis tels que l'occultation, les détails comportementaux fins et les interférences environnementales continuent de limiter la précision de la reconnaissance des comportements des étudiants en génie dans les environnements de classe.
L'apprentissage profond a également été appliqué à l'évaluation axée sur les résultats des cours universitaires, notamment l'évaluation pédagogique dans le domaine de l'éducation politique et idéologique21,22. L'efficacité de ces modèles de prédiction a été démontrée à l'aide de jeux de données éducatifs accessibles au public. Des réseaux neuronaux à pics en avant (FSNN) ont été utilisés pour prédire le rendement scolaire des étudiants à partir de données recueillies sur des plateformes d'apprentissage en ligne et des systèmes de gestion de l'apprentissage. Comme illustré à la Figure 1, le flux de travail computationnel proposé intègre un jeu de données d'évaluation éducative afin d'identifier les centres d'intérêt des étudiants en génie à travers des étapes successives de prétraitement des données, d'analyse des profils comportementaux, de sélection des caractéristiques et de classification. Tableau 123,24,25,26,27,28,29,30,31,32 résume les méthodes représentatives rapportées dans des études antérieures, ainsi que les techniques employées et leurs limites associées pour l'identification de l'intérêt des étudiants au sein des systèmes de gestion de l'apprentissage.
Figure 1 : Cadre d'identification de l'intérêt des étudiants. Flux général du cadre proposé pour l'identification de l'intérêt des étudiants en ingénierie, incluant l'acquisition des données, le prétraitement, l'analyse des motifs comportementaux, la sélection de caractéristiques et la classification. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Tableau 1 : Analyse du comportement des élèves en gestion pédagogique. Résumé des méthodes, techniques, ensembles de données, métriques d'évaluation et limitations signalées représentatives pour l'analyse du comportement des élèves en gestion pédagogique. Veuillez cliquer ici pour télécharger ce tableau.
Le transformateur Swin et le réseau pyramidal de caractéristiques léger (FPN) ont été appliqués à la détection du comportement des élèves en classe en traitant efficacement des cartes de caractéristiques multi-échelles33. De plus, un réseau neuronal récurrent ajustable optimisé par l'algorithme de mouche du fruit (PFFO-ARNN) a été utilisé pour analyser le comportement d'apprentissage en ligne des étudiants et prédire leur réussite aux cours34. Des études fondées sur des données de comportement étudiant recueillies à partir de systèmes universitaires de gestion de l'apprentissage ont également mis en évidence l'inefficacité et le caractère chronophage du suivi du comportement en classe à l'aide de méthodes conventionnelles d'apprentissage profond35. Tableau 236,37,38,39,40,41,42,43,44,45,46,47 résume les méthodes de classification représentatives, les ensembles de données, les métriques d'évaluation et les limitations signalées pour les systèmes de gestion pédagogique intelligents dans l'enseignement du génie.
Tableau 2 : Systèmes intelligents de gestion de l'enseignement fondés sur l'apprentissage profond pour l'enseignement de l'ingénierie. Comparaison des systèmes représentatifs de gestion de l'enseignement fondés sur l'apprentissage profond, des ensembles de données, des métriques d'évaluation et des limitations signalées. Veuillez cliquer ici pour télécharger ce tableau.
Une étude antérieure48 a mis au point un modèle d'évaluation de la qualité de l'enseignement mixte basé sur les réseaux de croyance profonds (DBNs) et a proposé une stratégie d'évaluation mixte pour évaluer la qualité de l'enseignement dans les universités. L'approche proposée a surpassé l'algorithme génétique (GA) classique tant en précision de classification qu'en temps d'exécution, atteignant une précision supérieure à 95 % en moins de 5,4 ms. Le modèle a été entraîné à l'aide de jeux de données éducatifs étiquetés et évalué selon une stratégie de test indépendante49,50. Les résultats rapportés ont démontré une forte performance prédictive, avec une erreur absolue moyenne (MAE) de 0,593 % et une erreur quadratique moyenne (RMSE) de 0,785 %.
De récentes architectures améliorant l'attention, telles que KANFormer51, intègrent une auto-attention multi-têtes avec des réseaux de Kolmogorov-Arnold afin d'améliorer la prédiction de la performance des étudiants en capturant des interactions complexes entre caractéristiques. Les modèles de traçage des connaissances basés sur l'architecture Transformer ont également démontré une précision accrue et une meilleure interprétabilité en exploitant des mécanismes d'attention pour modéliser les trajectoires d'apprentissage des étudiants52. Bien que les architectures basées sur les Transformers et l'attention aient amélioré les performances dans les tâches de prédiction éducative en modélisant les dépendances contextuelles et les interactions à longue portée entre caractéristiques, ces approches se concentrent principalement sur la prédiction de la performance des étudiants ou le traçage des connaissances, plutôt que sur l'identification des intérêts des étudiants prenant en compte l'incertitude, par le biais d'une modélisation cognitive inspirée de la physique quantique, d'une sélection optimisée de caractéristiques et d'un apprentissage hybride par méta-apprentissage.
Malgré les récents progrès réalisés en apprentissage automatique et en apprentissage profond appliqués à l'analyse éducative, les méthodes existantes permettant d'identifier les centres d'intérêt des étudiants en ingénierie présentent plusieurs limites. De nombreuses approches classiques se concentrent principalement sur la précision des prédictions, au détriment de la nature plurielle du comportement des étudiants, incluant l'évolution des préférences d'apprentissage, l'incertitude comportementale, les relations contextuelles et les interactions sémantiques. De plus, ces méthodes s'appuient souvent sur une ingénierie traditionnelle des caractéristiques et sur des stratégies d'apprentissage déterministes, qui peuvent ne pas suffire à capturer les schémas comportementaux non linéaires ou à s'adapter à des environnements d'apprentissage dynamiques. Par conséquent, un cadre plus complet intégrant un prétraitement robuste des données, une modélisation comportementale intelligente, une sélection adaptative des caractéristiques et des techniques d'apprentissage hybrides est nécessaire pour améliorer l'analyse des données éducatives complexes.
Pour pallier ces limites, le cadre proposé intègre un prétraitement robuste des données, une modélisation comportementale inspirée du quantique, une sélection optimisée de caractéristiques et un apprentissage neuronal hybride quantique-classique au sein d'un flux de travail computationnel unifié afin d'identifier les intérêts des étudiants en ingénierie. En combinant ces composants complémentaires, le protocole proposé offre une approche systématique et reproductible pour analyser des données éducatives complexes afin de soutenir l'apprentissage personnalisé et la prise de décision éducative.
L'objectif de cette étude est de développer et de valider le cadre CQEI à l'aide de données éducatives et comportementales multidimensionnelles permettant l'identification de l'intérêt des étudiants en ingénierie. Ce cadre combine un prétraitement robuste des données, une modélisation quantique inspirée de l'état cognitif, une sélection optimisée de caractéristiques et un classificateur neuronal hybride quantique-classique basé sur l'apprentissage par méta-apprentissage (ML-HQNC) afin d'analyser les comportements d'apprentissage des étudiants et de faciliter une identification précise de leurs centres d'intérêt. Les performances sont évaluées à l'aide de métriques standard, notamment la précision, le score F1 et l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), ainsi que la précision de détection des intérêts (IDP), l'indice de stabilité des motifs quantiques (QPSI) et le gain d'adaptabilité inter-domaines (CDAG). En intégrant ces composants complémentaires au sein d'un unique flux de travail computationnel, le cadre proposé offre une approche systématique pour l'analytique éducative et la prise de décision éducative intelligente.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Cette étude a utilisé un ensemble de données anonymisé et accessible au public, obtenu à partir du référentiel Kaggle. Aucun participant humain n'a été recruté ou impliqué directement, et aucune information permettant une identification personnelle n'a été collectée. Par conséquent, une approbation éthique institutionnelle et un consentement éclairé n'étaient pas requis. Les outils de recherche utilisés dans cette étude sont répertoriés dans le Tableau des matériaux.
1. Aperçu du cadre CQEI
Le cadre proposé d'Intelligence Éducative Conceptuelle Inspirée du Quantique (CQEI) intègre le prétraitement des données, l'analyse des profils comportementaux, la sélection des caractéristiques et la classification afin d'identifier les centres d'intérêt des étudiants en ingénierie, en utilisant le jeu de données sur l'Évaluation de la Qualité de l'Enseignement provenant du dépôt Kaggle. Ce jeu de données a d'abord été prétraité à l'aide de la méthode de mise à l'échelle robuste par intervalle interquartile de Box–Cox (BCRIS) afin de réduire le bruit sémantique et normaliser les caractéristiques d'entrée. Les profils comportementaux des étudiants ont ensuite été analysés à l'aide du Modèle d'État Cognitif Quantique (QCSM). L'algorithme de Sélection Quantique-Améliorée des Caractéristiques par Essaim et Baleine (QES-WOFS) a ensuite été appliqué pour identifier les caractéristiques informatives tout en réduisant la redondance, en modélisant la sélection optimale quantique, la pertinence du retour d'information et les variations comportementales transitoires. Enfin, le Classificateur Hybride Métacognitif Quantique-Classique (ML-HQNC) combine un apprentissage inspiré du quantique avec des couches sémantiques résiduelles profondes pour identifier les centres d'intérêt des étudiants.
Le flux de travail global du cadre ML-HQNC proposé est illustré dans la Figure 2. Le protocole comprenait six étapes séquentielles, commençant par l'acquisition du jeu de données éducatif à partir du dépôt Kaggle, suivie du prétraitement des données à l'aide de la normalisation robuste de Box–Cox par intervalle interquartile (BCRIS), de la transformation des caractéristiques et de la représentation comportementale à l'aide du modèle d'état cognitif quantique (QCSM), puis de la sélection des caractéristiques à l'aide de l'algorithme de sélection d'éléments quantique-amélioré par optimisation hybride essaim-baleine (QES-WOFS). Les caractéristiques sélectionnées ont ensuite été utilisées pour l'apprentissage et la validation du modèle à l'aide du classificateur neuronal hybride quantique-classique à méta-apprentissage (ML-HQNC), et le cadre a finalement été évalué à l'aide de la précision, du score F1, de l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC), de la précision de détection d'intérêt (IDP), de l'indice de stabilité des motifs quantiques (QPSI) et du gain d'adaptabilité inter-domaines (CDAG).
Figure 2 : Cadre du classificateur neuronal hybride quantique-classique par méta-apprentissage (ML-HQNC). Architecture générale du cadre ML-HQNC proposé, intégrant la normalisation robuste par intervalle interquartile de Box–Cox (BCRIS) pour le prétraitement des données, le modèle d'état cognitif quantique (QCSM) pour l'analyse des motifs comportementaux, l'algorithme de sélection de caractéristiques quantique-amélioré par essaim-baleine (QES-WOFS) pour la sélection des caractéristiques, et un apprentissage neuronal hybride quantique-classique pour la classification de l'intérêt des étudiants. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
2. Ensemble de données d'évaluation de la qualité de l'enseignement
Le cadre proposé a été développé à l'aide de l'ensemble de données publiquement disponible sur l'évaluation de la qualité de l'enseignement, obtenu à partir du référentiel Kaggle. Cet ensemble de données contenait 1 014 enregistrements éducatifs avec 14 caractéristiques multidimensionnelles représentant la performance académique, les notes d'évaluation, la fréquentation, les caractéristiques pédagogiques et les indicateurs de comportement des étudiants, collectés via la plateforme intégrée de gestion de l'éducation (CEMP). Ces attributs fournissaient les informations éducatives multidimensionnelles nécessaires pour modéliser les relations non linéaires associées à l'identification des centres d'intérêt des étudiants en ingénierie.
Comme illustré à la Figure 3, le jeu de données a été divisé en sous-ensembles d'apprentissage (80 %) et de test (20 %). Un total de 800 enregistrements a été utilisé pour entraîner le modèle proposé, tandis que 200 ont été réservés pour l'évaluation des performances. Le jeu de données est accessible publiquement à l'adresse suivante : https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. Les jeux de données d'apprentissage et de test ont ensuite été traités à l'aide du cadre proposé afin de construire le modèle d'apprentissage et d'améliorer sa capacité prédictive.
Bien que l'ensemble de données sous-jacent porte le nom de Teaching Quality Evaluation Dataset, cette étude visait à identifier les centres d'intérêt des étudiants en ingénierie. Les attributs éducatifs, comportementaux et pédagogiques contenus dans l'ensemble de données ont servi de variables d'entrée pour l'entraînement et l'évaluation du cadre proposé. Par conséquent, tous les résultats de prédiction et métriques de performance rapportés décrivent l'efficacité du cadre à identifier les centres d'intérêt des étudiants en ingénierie, et non l'évaluation de la qualité d'enseignement. Avant le prétraitement des données, l'ensemble de données importé a été vérifié afin de s'assurer que les 1 014 enregistrements avaient été correctement chargés, que le schéma correspondait au format attendu, et que les éventuels enregistrements manquants ou en double avaient été identifiés et traités.
3. Prétraitement des données à l'aide de la normalisation robuste par intervalle interquartile de Box–Cox (BCRIS)
La méthode de normalisation robuste par intervalle interquartile de Box–Cox (BCRIS) a été utilisée pour prétraiter et normaliser le jeu de données éducatif en combinant la transformation de Box–Cox avec une normalisation robuste fondée sur l'intervalle interquartile (IQR), afin de réduire l'influence des valeurs extrêmes. Une correction de symétrie associée à une normalisation centrée sur la médiane a permis d'obtenir des représentations de caractéristiques statistiquement stables et évolutives, adaptées à une analyse ultérieure. Dans le cadre du modèle proposé d'intelligence éducative, la BCRIS a transformé les indicateurs multidimensionnels liés à l'éducation, à l'enseignement et au comportement en des représentations de caractéristiques contrôlées en variance. Les caractéristiques telles que attendance_rate, interactive_sessions_percentage et d'autres variables éducatives connexes ont été normalisées afin d'améliorer la cohérence des jeux de données d'apprentissage et de test. Des explications mathématiques détaillées sont fournies dans le fichier supplémentaire 1 (section S1). La méthode BCRIS a fourni une stratégie de prétraitement compatible avec l'approche quantique, permettant de normaliser des données éducatives hétérogènes avant une analyse statistique ultérieure, tout en préservant les caractéristiques comportementales sous-jacentes nécessaires à la modélisation en aval. Avant l'analyse comportementale, le pipeline de prétraitement a été vérifié afin de s'assurer que le jeu de données normalisé ne contenait aucune valeur invalide ou manquante, que le bruit sémantique avait été réduit, et que les caractéristiques traitées étaient adaptées à une modélisation comportementale ultérieure.
4. Transformation des caractéristiques et représentation comportementale à l'aide du modèle d'état cognitif quantique (QCSM)
Le modèle d'état cognitif quantique (QCSM) a été mis en œuvre pour modéliser la dynamique des centres d'intérêt des étudiants en ingénierie à l'aide de représentations probabilistes inspirées de la mécanique quantique. L'intérêt des étudiants a été représenté comme un recouvrement de plusieurs états conceptuels reflétant la hiérarchie des concepts cognitifs, l'incertitude, le chevauchement conceptuel, l'engagement simultané avec plusieurs sujets, les comportements d'apprentissage hésitants ou indécis, ainsi que la probabilité de changements dans les préférences d'apprentissage. Les indicateurs multidimensionnels provenant du jeu de données d'évaluation de la qualité de l'enseignement en ingénierie, notamment Student_Avg_Score, Attendance_rate et Student_Feedback_Rating, ont été représentés comme des transitions cognitives pondérées par amplitude au sein d'un espace d'état quantique normalisé. Le QCSM a combiné des transitions d'état quantique avec un alignement conceptuel fondé sur l'interférence afin de générer des représentations cognitives inspirées de la mécanique quantique, reflétant la stabilité et l'évolution de l'intérêt des étudiants dans le temps. Des formulations mathématiques détaillées sont fournies dans le fichier supplémentaire 1 (section S2). Le QCSM a modélisé des états cognitifs probabilistes afin de représenter l'acquisition des connaissances, le changement conceptuel, l'engagement dans l'apprentissage et l'intérêt pour les matières, à travers des représentations normalisées d'état quantique. Les représentations comportementales ont été vérifiées sur l'ensemble des dossiers d'étudiants afin de s'assurer que les caractéristiques extraites des états cognitifs traduisent fidèlement les comportements d'apprentissage et les transitions entre sujets.
5. Sélection de caractéristiques à l’aide de l’algorithme Quantum-Enhanced Swarm–Whale Optimization Feature Selector (QES-WOFS)
L’algorithme de sélection de caractéristiques par optimisation hybride essaim-baleine amélioré par la mécanique quantique (Quantum-Enhanced Swarm–Whale Optimization Feature Selection, QES-WOFS) a été utilisé pour identifier le sous-ensemble optimal de caractéristiques et déterminer les caractéristiques comportementales les plus informatives à partir de données éducatives multidimensionnelles. Des mécanismes de recherche inspirés de la physique quantique ont permis d’améliorer l’intégration des stratégies de recherche globale et locale pour l’optimisation des caractéristiques. Les variables éducatives, notamment le interactive_sessions_percentage, le assignments_time_percentage et le course_completion_rate, ont été évaluées en fonction de leur corrélation avec le résultat cible. Les sous-ensembles de caractéristiques candidates ont été modélisés à l’aide de représentations probabilistes quantiques, tandis qu’un mécanisme de tunnel quantique a permis des transitions probabilistes au-delà des optima locaux. L’importance des caractéristiques a été estimée à l’aide de la vraisemblance marginale afin de quantifier la contribution de chaque caractéristique à la performance de classification et aux états adaptatifs de l’essaim. L’algorithme QES-WOFS a sélectionné des caractéristiques stables et significatives sur le plan comportemental, améliorant ainsi la robustesse face au bruit, aux variations d’un semestre à l’autre et aux fluctuations comportementales périodiques.
Pour surmonter les limitations associées à l'utilisation indépendante de l'algorithme d'optimisation par essaim de baleines (WOA) ou de l'optimisation par essaim de particules (PSO), l'algorithme QES-WOFS combine l'exploration globale fondée sur la PSO à l'exploitation locale fondée sur le WOA. Un mécanisme de tunnel quantique permet en outre des transitions probabilistes au-delà des optima locaux, augmentant ainsi la diversité de la population, réduisant la redondance des caractéristiques et améliorant la convergence vers un sous-ensemble optimal de caractéristiques pour identifier l'intérêt des étudiants en génie.
Des formulations mathématiques détaillées sont fournies dans le Fichier supplémentaire 1 (section S3). L'algorithme QES-WOFS combine un encodage quantique probabiliste des caractéristiques, une stratégie de vitesse adaptée à l'optimisation par essaim de particules (PSO) et un mécanisme de recherche en spirale inspiré des baleines afin d'identifier les caractéristiques éducatives les plus informatives. Les hyperparamètres ont été optimisés empiriquement à l'aide du jeu de données d'entraînement. Des valeurs candidates ont été évaluées par expérimentation systématique, et la combinaison offrant les meilleures performances sur l'ensemble de validation a été retenue. Plus précisément, le paramètre de transformation Box–Cox (λ = 0,25), la marge de la perte contrastive (m = 1,0) et les coefficients de tunnel quantique (α = 0,7 et β = 0,3) ont été choisis en fonction de la précision sur l'ensemble de validation, du score-F1 et du comportement de convergence. Avant l'entraînement du classifieur, les résultats de la sélection de caractéristiques ont été vérifiés afin de s'assurer que l'algorithme QES-WOFS avait sélectionné le sous-ensemble optimal de caractéristiques et éliminé les caractéristiques redondantes ou peu importantes.
6. Entraînement et validation du modèle à l'aide du classificateur neuronal hybride quantique-classique par méta-apprentissage (ML-HQNC)
Le classificateur neuronal hybride quantique-classique par méta-apprentissage (ML-HQNC) a été mis en œuvre en combinant des réseaux neuronaux profonds avec des calculs inspirés de la mécanique quantique afin d'identifier les centres d'intérêt des étudiants en ingénierie. Des mécanismes d'attention quantique multi-têtes et des couches sémantiques résiduelles profondes ont permis de capturer des relations non linéaires complexes au sein de données éducatives multidimensionnelles représentées à l'aide de circuits quantiques variationnels (VQCs). Des caractéristiques dérivées du comportement, telles que student_average_grade, attendance_rate et student_feedback_rating, ont été projetées dans un espace d'état quantique, où les entrées normalisées ont été transformées en représentations quantiques basées sur l'amplitude afin de modéliser des motifs d'engagement superposés et probabilistes. Les vecteurs normalisés des caractéristiques comportementales des étudiants ont été calculés selon les équations fournies dans le fichier supplémentaire 1 (section S4). Le ML-HQNC a ensuite classifié et identifié les centres d'intérêt des étudiants en ingénierie.
Le classificateur ML-HQNC a utilisé une stratégie d'apprentissage méta-épisodique pendant l'entraînement. Une tâche d'apprentissage méta choisie aléatoirement dans l'ensemble de données d'entraînement était attribuée à chaque épisode. En conservant la distribution des classes, les données d'entraînement étaient divisées en un ensemble d'appui (80 %) et un ensemble de requête (20 %). L'ensemble d'appui servait à l'adaptation des paramètres propres à chaque tâche via la boucle d'optimisation interne, tandis que l'ensemble de requête permettait d'évaluer le modèle adapté et de calculer la perte méta utilisée pour mettre à jour les paramètres partagés. Un total de 100 tâches d'apprentissage méta ont été générées à chaque cycle d'entraînement. Cinq étapes de mise à jour par gradient, avec un taux d'apprentissage interne de 0,001, ont été utilisées pour l'adaptation en boucle interne, tandis que l'optimiseur Adam, avec un taux d'apprentissage externe de 0,0005, optimisait les méta-paramètres. L'échantillonnage aléatoire des tâches était répété à chaque époque d'entraînement afin d'exposer le modèle à des profils comportementaux variés et d'améliorer sa généralisation à des profils d'étudiants jusqu'alors inconnus. L'estimation de la perte pour l'alignement contrastif quantique est décrite dans le Fichier Supplémentaire 1 (Équations 41–45). L'entraînement du modèle a été vérifié afin de s'assurer d'une convergence réussie sans erreurs de calcul, et que les courbes de perte d'entraînement et de validation s'étaient stabilisées au fil des époques successives.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Le cadre ML-HQNC proposé a été évalué par rapport au Fast R-CNN, au Bi-LSTM, au CNN et à XGBoost à l'aide de métriques de classification classiques, notamment la précision, le rappel, le score F1 et la surface sous la courbe caractéristique de fonctionnement du récepteur (AUC), ainsi que les métriques d'évaluation proposées : précision de détection d'intérêt (IDP), indice de stabilité des motifs quantiques (QPSI) et gain d'adaptabilité inter-domaines (CDAG). Les définitions mathématiques de ces métriques sont fournies da...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
Le cadre ML-HQNC proposé a démontré une performance améliorée dans l'identification de l'intérêt des étudiants en génie, en intégrant une modélisation comportementale inspirée de la mécanique quantique, une sélection adaptative des caractéristiques et un apprentissage méta dans un flux de travail computationnel unifié. Comparé au Fast R-CNN, au Bi-LSTM, au CNN et à XGBoost, le cadre a systématiquement atteint une performance supérieure selon les métriques classiques de classification ainsi que selon les métriques comport...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
L'auteur déclare ne pas avoir d'intérêts concurrents.
Remerciements
L'auteur remercie l'Université de Bengbu, Bengbu, Chine, pour avoir fourni le soutien académique et l'environnement de recherche qui ont permis cette étude. Ce travail a été soutenu par le Projet annuel de génie de qualité au niveau de l'établissement de l'Université de Bengbu 2025 (n° 2025zhkc1).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Modèles de base (Fast R-CNN, Bi-LSTM, CNN, XGBoost) | Implémentations open source | Fast R-CNN (2015) ; implémentation TensorFlow/Keras v2.16 ; XGBoost v2.1.1 | Modèles de référence utilisés pour l'évaluation comparative des performances. |
| Module de prétraitement BCRIS | Développé dans cette étude | Version 1.0 | Module de prétraitement personnalisé implémentant la transformation de Box-Cox et une normalisation robuste par l'écart interquartile. |
| Jupyter Notebook | Project Jupyter | Version 7.2.2 | Environnement de développement interactif utilisé pour la mise en œuvre, l'entraînement et les tests. |
| Classificateur ML-HQNC | Développé dans cette étude | Version 1.0 | Classificateur hybride basé sur un réseau de neurones quantique-classique avec un cadre d'apprentissage par méta-apprentissage. |
| Python | Fondation Python | Version 3.11.9 | Langage de programmation utilisé pour le développement du modèle et les expérimentations. |
| PyTorch | Fondation PyTorch | Version 2.5.1 | Cadre d'apprentissage profond utilisé pour la mise en œuvre et l'entraînement du modèle. |
| Modèle QCSM | Développé dans cette étude | Version 1.0 | Modèle cognitif quantique proposé pour la représentation des motifs comportementaux. |
| Algorithme QES-WOFS | Développé dans cette étude | Version 1.0 | Essaim proposé à amélioration quantique–Algorithme de sélection de caractéristiques par optimisation selon le comportement des baleines. |
| Scikit-learn | Développeurs de Scikit-learn | Version 1.6.1 | Bibliothèque d'apprentissage automatique utilisée pour le prétraitement, la sélection des caractéristiques et l'évaluation. |
Références
- Xu Q, Deng H. Research on education management system based on machine learning and multidimensional data modeling. Applied Mathematics and Nonlinear Sciences. 2024;9(1). https://dialnet.unirioja.es/servlet/articulo?codigo=9386765
- Li D. An interactive teaching evaluation system for preschool education in universities based on machine learning algorithm. Comput Hum Behav. 2024;157:108211. https://doi.org/10.1016/j.chb.2024.108211
- Chunhua H, Kaabar MKA, Qiuju X, Zhang G. Fuzzy comprehensive evaluation of students' classroom experience in online teaching. International Journal of Emerging Technologies in Learning. 2023;18(21):79-88.
- He Z, et al. Assessment of influencing factors of college and universities' teaching effects using fuzzy and deep learning techniques. Scientific Reports. 2026;16:5168. https://doi.org/10.1038/s41598-026-35940-5
- Liu J. Innovation and practice of educational management system in colleges and universities based on the concept of data analysis education. Applied Mathematics and Nonlinear Sciences. 2023;9(1). https://www.researchgate.net/publication/377568313
- Li C, Cao Z. Deep learning-based AI model for predicting academic success and engagement among physical higher education students. Scientific Reports. 2025;15:45471. https://doi.org/10.1038/s41598-025-29000-7
- Kong Y, Dong R, Zhang H. Classroom behavior analysis and digital teaching quality evaluation based on spatiotemporal graph neural network. Discover Artificial Intelligence. 2025;5:404. https://doi.org/10.1007/s44163-025-00623-z
- Zedan F, Jabali RR, Raiyn J. Detecting student inattention using deep learning and behavioral analysis. Journal of International Education Practice. 2026;9(1):1-17.
- Feng F. Deep learning-based model for analyzing student engagement in activities. Scientific Reports. 2025;16:2552. https://doi.org/10.1038/s41598-025-32521-w
- Turkmenbayev A, et al. The application of machine learning in predicting student performance in university engineering programs: A rapid review. Frontiers in Education. 2025;10:1562586. https://doi.org/10.3389/feduc.2025.1562586
- Albreiki B, Zaki N, Alashwal H. A systematic literature review of student performance prediction using machine learning techniques. Education Sciences. 2021;11(9):552. https://doi.org/10.3390/educsci11090552
- Lai Q. Research on the refinement of college student education management based on artificial intelligence. Discover Artificial Intelligence. 2026;6:31. https://doi.org/10.1007/s44163-025-00651-9
- Yuanyuan L, et al. Research on the application framework of intelligent technologies to promote teachers' classroom teaching behavior evaluation. Frontiers of Education in China. 2023;18(1):12–35. https://doi.org/10.3868/s110-008-023-0012-8
- Shi Y, Sun F, Zuo H, Peng F. Analysis of learning behavior characteristics and prediction of learning effect for improving college students' information literacy based on machine learning. IEEE Access. 2023;11:50447-50461.
- Liu S, Zhang J, Su W. An improved method of identifying learner's behaviors based on deep learning. Journal of Supercomputing. 2022;78(10):12861-12872.
- Yang J. Accurate prediction and analysis of college students' performance from online learning behavior data. IEIE Transactions on Smart Processing and Computing. 2023;12(3):404-411.
- Xie Y, Zhang S, Liu Y. Abnormal behavior recognition in classroom pose estimation of college students based on spatiotemporal representation learning. Traitement du Signal. 2021;38(6):1769-1778.
- Shen X, Yuan C. A college student behavior analysis and management method based on machine learning technology. Wireless Communications and Mobile Computing. 2021;2021:6611630. https://doi.org/10.1155/2021/6611630
- Li G, et al. A convolutional neural network-based approach for the recognition and evaluation of classroom teaching behavior. Scientific Programming. 2021;2021:5513886. https://doi.org/10.1155/2021/5513886
- Feng C, et al. IMRMB-Net: A lightweight student behavior recognition model for complex classroom scenarios. PLoS ONE. 2025;20(2):e0318817. https://doi.org/10.1371/journal.pone.0318817
- Zhang Y, Liu T, Ru B. Effect evaluation and student behavior design method of moral education in colleges and universities under the environment of deep learning. Scientific Programming. 2022;2022:6056117. https://doi.org/10.1155/2022/6056117
- Liu C, Wang H, Yuan Z. A method for predicting the academic performances of college students based on education system data. Mathematics. 2022;10(19):3737. https://doi.org/10.3390/math10193737
- Vora DR, Iyer KR. Deep learning in engineering education: performance prediction using cuckoo-based hybrid classification. In: Machine Learning and Deep Learning in Real-Time Applications. Studies in Computational Intelligence, Vol. 841, pp. 187-218. Springer; Singapore; 2020.
- Li H, Liu Z. An intelligent educational system: analyzing student behavior and academic performance using multi-source data. Electronics. 2024;14(16):3328. https://doi.org/10.3390/electronics14163328
- Zhang Y, Li J. Deep learning-based model for predicting student learning behavior: a pathway to early intervention and enhanced outcomes. Journal of Computational Methods in Sciences and Engineering. 2025;25(2):1169-1184.
- Jia Q, He J. Student behavior recognition in classroom based on deep learning. Applied Sciences. 2024;14(18):7981. https://doi.org/10.3390/app14187981
- Luo H. Prediction of student decision-making behaviour based on machine learning algorithms. Pakistan Journal of Life and Social Sciences. 2024;22(2):11045-11058.
- Abdi A, Sedrakyan G, Veldkamp B. Students' feedback analysis model using deep learning-based method and linguistic knowledge for intelligent educational systems. Soft Computing. 2023;27(38):14073-14094.
- Ning X. Behavior recognition of college students based on improved deep learning algorithm. International Journal of Web-Based Learning and Teaching Technologies. 2023;18(1):1-16.
- Sravya MN, Prashanth D, Saifa S, Reddy LS. A comprehensive analysis of learning behaviour characteristics and predictive modeling of learning outcomes to enhance college-level academic performance. International Journal of Pharmacy and Medical Sciences. 2025;5(2):94-100.
- Kalita E, et al. Predicting student academic performance using Bi-LSTM: a deep learning framework with SHAP-based interpretability and statistical validation. Frontiers in Education. 2025;10:1581247. https://doi.org/10.3389/feduc.2025.1581247
- Alias MAH, Hambali N, Aziz MAA. Feature selection techniques and classification algorithms for student performance classification: a review. International Journal of Electrical and Computer Engineering. 2024;14(3):3230-3242.
- Wang Z, et al. Students' classroom behavior detection system incorporating deformable DETR with Swin Transformer and lightweight feature pyramid network. Systems. 2023;11(7):372. https://doi.org/10.3390/systems11070372
- Zou X. Design of student behavior analysis and management system based on deep learning. International Journal of High Speed Electronics and Systems. 2024;33(1):2450005. https://doi.org/10.1142/S012915642450005X
- Zhang Q. The impact of machine learning-based student behaviour detection on teaching in classroom scenarios. Journal of Information and Knowledge Management. 2025;24(1):2450101. https://doi.org/10.1142/S021964922450101X
- Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
- Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
- Han X, Chen X. The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning. Scientific Reports. 2025;15:14733. https://doi.org/10.1038/s41598-025-14733-x
- Guo S, et al. The analysis of teaching quality evaluation for college sports dance by convolutional neural network model and deep learning. Heliyon. 2024;10(8):e36067. https://doi.org/10.1016/j.heliyon.2024.e36067
- Gao Y. Deep learning-based strategies for evaluating and enhancing university teaching quality. Computers and Education: Artificial Intelligence. 2025;8:100362. https://doi.org/10.1016/j.caeai.2025.100362
- Li Y, Lu B. Intelligent educational systems based on adaptive learning algorithms and multimodal behavior modeling. PeerJ Computer Science. 2025;11:e3157. https://doi.org/10.7717/peerj-cs.3157
- Geng F, John AD, Chinnappan CV. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework. Progress in Artificial Intelligence. 2023;12(2):147-162.
- Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
- Chen W, Min L. The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience. 2025;26(3):458-466.
- Zhang Y. A comprehensive evaluation system for physical education teaching effectiveness supported by multimodal machine learning. Discover Artificial Intelligence. 2026;6:75. https://doi.org/10.1007/s44163-026-00075-x
- Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
- Ding J, Su Y. A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing. 2024;28(2):685-701.
- Li Y, Zhang L, Tian Y, Qi W. Research on teaching practice of blended higher education based on deep learning route. Computational Intelligence and Neuroscience. 2022;2022:5751843. https://doi.org/10.1155/2022/5751843
- Jiang X, Du Y, Zheng Y. Evaluation of physical education teaching effect using Random Forest model under artificial intelligence. Heliyon. 2024;10(1):e23576. https://doi.org/10.1016/j.heliyon.2024.e23576
- Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
- Alnasyan B, Basheri M, Alassafi MO, Alnasyan K. Kanformer: An Attention-Enhanced Deep Learning Model for Predicting Student Performance in Virtual Learning Environments. Social Network Analysis and Mining. 2025;15:25. https://doi.org/10.1007/s13278-025-01446-7
- Lu Y, Tong L, Cheng Y. Advanced Knowledge Tracing: Incorporating Process Data and Curricula Information via an Attention-Based Framework for Accuracy and Interpretability. Journal of Educational Data Mining. 2024;16(2):58-84.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.