Identification des intérêts des étudiants basée sur les données pour les systèmes de gestion d'enseignement intelligents dans les collèges d'ingénierie

Résumé

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.

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 explicite^1,2.

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 diverses ressources pédagogiques disponibles sur les plateformes éducatives en ligne et en appliquant plusieurs théories d'apprentissage afin de répondre aux besoins de 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 collèges^3,4. 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 persévérance 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 terme^5,6. Les progrès réalisés dans les technologies éducatives ont créé de nouvelles opportunités pour l'analytique éducative fondée 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 chronophages et sujettes au jugement subjectif humain. L'inattention des élèves pendant les activités en classe nuit aux résultats d'apprentissage et à la performance académique^7,8. 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 le besoin de cadres complets intégrant des approches axées sur la technologie avec 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 technologique^9,10, 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 du risque 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 basés sur l'intelligence artificielle (IA) ont également été développés afin d'améliorer les processus administratifs et académiques au sein des établissements d'enseignement supérieur. Les ensembles de données éducatives 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 résultats^13,14. Des modèles de prédiction fondés sur l'illectronisme informationnel ont été élaborés afin d'analyser les caractéristiques comportementales des étudiants universitaires. Ces recherches se concentrent principalement sur l'évaluation du comportement de l'apprenant à l'aide de méthodes d'apprentissage profond (Deep Learning, DL). Toutefois, les travaux portant sur l'évaluation intelligente du comportement de l'enseignant en sont encore à un stade préliminaire, ce qui limite les progrès dans ce domaine. Des réseaux neuronaux convolutifs rapides basés sur des régions (Fast R-CNNs) ont été appliqués à des ensembles 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 démontré une performance prédictive accrue^16,17,18. En outre, le regroupement par k-moyennes (KMC) a été utilisé pour identifier les caractéristiques de différents groupes d'étudiants par analyse de clusters, offrant des aperçus 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, en utilisant des 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 du comportement des étudiants en génie dans les environnements de classe.

L'apprentissage profond a également été appliqué à l'évaluation fondée sur les résultats des cours universitaires, y compris l'évaluation éducative dans le domaine de l'éducation politique et idéologique^21,22. 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 impulsions en avant (FSNNs) 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 dans 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 comportements, de sélection des caractéristiques et de classification. Tableau 1^{23,24,25,26,27,28,29,30,31,32} résume les méthodes représentatives rapportées dans des études antérieures, ainsi que les techniques utilisées et leurs limitations associées pour identifier 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 d'identification de l'intérêt des étudiants en ingénierie, incluant l'acquisition des données, le prétraitement, l'analyse des motifs comportementaux, la sélection des caractéristiques et la classification. Veuillez cliquer ici pour visualiser 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 transformeur 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 l'essaim de mouches du vinaigre (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 classiques d'apprentissage profond³⁵. Tableau 2^{36,37,38,39,40,41,42,43,44,45,46,47} 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 combiné basé sur des 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 indépendante^49,50. 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-tête avec des réseaux de Kolmogorov-Arnold afin d'améliorer la prédiction des performances des étudiants en capturant des interactions complexes entre caractéristiques. Les modèles de traçage des connaissances basés sur les transformeurs ont également démontré une précision et une interprétabilité accrues en exploitant des mécanismes d'attention pour modéliser les trajectoires d'apprentissage des étudiants⁵². Bien que les architectures basées sur les transformeurs 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 des performances des étudiants ou le traçage des connaissances, plutôt que sur l'identification des intérêts des étudiants prenant en compte l'incertitude, grâce à une modélisation cognitive inspirée du quantique, une sélection optimisée des caractéristiques et un méta-apprentissage hybride.

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 afin d'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 centres d'intérêt des étudiants en ingénierie. En combinant ces composants complémentaires, le protocole proposé offre une approche systématique et reproductible pour analyser des données éducatives complexes, soutenant ainsi 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 inspirée de la cognition quantique, une sélection optimisée de caractéristiques et un classificateur hybride quantique-classique à apprentissage meta (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 flux de travail computationnel unique, le cadre proposé offre une approche systématique pour l'analytique éducative et la prise de décision éducative intelligente.

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 personnellement identifiable 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 d'intelligence éducative conceptuelle inspirée du quantique (CQEI) proposé intègre le prétraitement des données, l'analyse des profils comportementaux, la sélection de caractéristiques et la classification afin d'identifier les centres d'intérêt des étudiants en ingénierie à l'aide du jeu de données sur l'évaluation de la qualité de l'enseignement provenant du dépôt Kaggle. Le jeu de données a d'abord été prétraité à l'aide de la méthode de normalisation robuste BCRIS (Box–Cox Robust IQR Scaling) 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 de caractéristiques par optimisation hybride essaim-baleine amélioré par le quantique (QES-WOFS) a ensuite été appliqué pour identifier les caractéristiques informatives tout en réduisant la redondance, en modélisant la sélection quantique optimale, la pertinence du retour d'information et les variations comportementales transitoires. Enfin, le classificateur neuronal hybride quantique-classique à méta-apprentissage (ML-HQNC) a intégré 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'attributs par optimisation hybride quantique-renforcée de type 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 selon des critères de précision, de score F1, de surface sous la courbe caractéristique de fonctionnement du récepteur (AUC), de précision de détection d'intérêt (IDP), d'indice de stabilité des motifs quantiques (QPSI) et de gain d'adaptabilité inter-domaines (CDAG).

Figure 2 : Architecture du 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 par optimisation hybride quantique des essaims et des baleines (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 sur l'évaluation de la qualité de l'enseignement
Le cadre proposé a été développé à l'aide de l'ensemble de données sur l'évaluation de la qualité de l'enseignement, disponible publiquement dans le 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 (Comprehensive Education Management Platform, 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, l'ensemble 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, dont 200 ont été réservés pour l'évaluation des performances. L'ensemble de données est publiquement accessible à l'adresse suivante : https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. Les ensembles 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 son aptitude à évaluer la qualité de l'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 basée 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 dispositif d'intelligence éducative proposé, 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'entraînement 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 le 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 intérêts 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 dans 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 sous forme de transitions cognitives pondérées par l'amplitude dans 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 au fil du 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 de 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 garantir que les caractéristiques extraites des états cognitifs reflètent 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 d’essaims et de baleines 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 renforcé l’intégration des stratégies de recherche globale et locale pour l’optimisation des caractéristiques. Les variables éducatives, notamment interactive_sessions_percentage, assignments_time_percentage et 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 permettait 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 liées à l'utilisation indépendante de l'algorithme d'optimisation par essaim de baleines (Whale Optimization Algorithm, WOA) ou de l'optimisation par essaim de particules (Particle Swarm Optimization, PSO), l'algorithme QES-WOFS combine l'exploration globale basée 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 combinait 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 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 supprimé 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 de 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 de support (80 %) et un ensemble de requête (20 %). L'ensemble de support était utilisé pour l'adaptation des paramètres spécifiques à la 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 auparavant 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 garantir une convergence réussie sans erreurs de calcul, et afin de s'assurer que les courbes de perte d'entraînement et de validation s'étaient stabilisées au fil des époques successives.

Résultats

Le cadre ML-HQNC proposé a été évalué par rapport au Fast R-CNN, au Bi-LSTM, au CNN et au 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 dans le Fichier supplémentaire 1 (section S5).

Pour évaluer la robustesse du cadre proposé, toutes les expériences ont été répétées cinq fois en utilisant différentes initialisations aléatoires. Les valeurs de performance indiquées sont présentées sous la forme de la moyenne ± l'écart type sur les cinq exécutions. La signification statistique entre le cadre proposé et les modèles de référence a été évaluée à l'aide d'un test t apparié, une valeur de p < 0,05 étant considérée comme statistiquement significative.

Comme résumé dans le Tableau supplémentaire 1, des expériences de simulation ont été menées à l’aide du jeu de données d’évaluation de la qualité de l’enseignement, comprenant 1 014 enregistrements. Un total de 800 enregistrements a été utilisé pour l’entraînement du modèle, tandis que 200 enregistrements ont été réservés pour les tests. Le cadre ML-HQNC proposé ainsi que les modèles comparatifs ont été implémentés dans l’environnement Jupyter Notebook en utilisant Python. L’attribut Teaching_Quality constituait la variable cible initiale dans le jeu de données d’évaluation de la qualité de l’enseignement disponible publiquement et comprenait deux classes, Bon et Excellent. Ces étiquettes ont été utilisées comme cibles de prédiction pour l’entraînement et l’évaluation du cadre ML-HQNC. Les catégories de prédiction obtenues sont résumées dans le Tableau 3. Le Tableau supplémentaire 2 présente les résultats de validation de l’étape de prétraitement par mise à l’échelle robuste interquartile Box–Cox (BCRIS). Le pipeline de prétraitement a supprimé les enregistrements manquants et dupliqués, réduit l’influence des valeurs aberrantes, normalisé les distributions des caractéristiques et amélioré la cohérence sémantique et comportementale avant la transformation des caractéristiques et l’entraînement du modèle.

Tableau 3 : Variable cible du jeu de données d'évaluation de la qualité de l'enseignement. Description de la variable cible Teaching_Quality d'origine et de ses catégories de classification (Bon et Excellent) utilisées pour l'entraînement et l'évaluation du modèle. Veuillez cliquer ici pour télécharger ce tableau.

Tableau supplémentaire 3 présente les caractéristiques représentatives générées par le modèle d'état cognitif quantique (QCSM). Les caractéristiques extraites décrivent le comportement d'apprentissage des étudiants, notamment l'état cognitif, l'engagement, l'incertitude, les transitions entre sujets et la cohérence comportementale, et ont servi d'entrée à l'étape suivante de sélection de caractéristiques QES-WOFS. Le tableau supplémentaire S4 énumère les caractéristiques finales sélectionnées par l'algorithme QES-WOFS, ainsi que leurs catégories de caractéristiques, leurs niveaux d'influence relatifs et leurs rôles fonctionnels au sein du cadre proposé. Les caractéristiques des caractéristiques comportementales multidimensionnelles extraites sont résumées dans le tableau supplémentaire 5. Le tableau supplémentaire 6 présente des structures d'arêtes représentatives générées lors de la représentation comportementale pour les deux classes de prédiction (Bon et Excellent).

Comme le montrent la Figure 4 et le Tableau 4, le cadre ML-HQNC proposé a obtenu le score F1 le plus élevé (87,9 %) parmi les méthodes évaluées. Les scores F1 correspondants pour Fast R-CNN, Bi-LSTM, CNN et XGBoost étaient respectivement de 77,9 %, 80,2 %, 82,8 % et 85,8 %. La significativité statistique a été évaluée à l’aide d’un test t indépendant bilatéral (p < 0,05).

Figure 5 et Tableau 5 résument les résultats de la précision de détection d'intérêt (IDP). Le cadre proposé ML-HQNC a atteint une IDP de 89,3 %, comparée à 79,11 %, 82,12 %, 84,6 % et 87,10 % pour Fast R-CNN, Bi-LSTM, CNN et XGBoost, respectivement. Figure 6 et Tableau 6 présentent les résultats de l'indice de stabilité des motifs quantiques (QPSI). Le cadre proposé a obtenu une valeur de QPSI de 92,7 %, tandis que Fast R-CNN, Bi-LSTM, CNN et XGBoost ont atteint respectivement 81,1 %, 84,11 %, 87,4 % et 90,9 %. Figure 7 et Tableau 7 résument les résultats du gain d'adaptabilité inter-domaines (CDAG). Le cadre proposé ML-HQNC a obtenu la valeur CDAG la plus élevée (0,95), comparée à Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) et XGBoost (0,86). Comme indiqué dans Figure 8 et Tableau 8, le cadre proposé ML-HQNC a atteint la précision de classification la plus élevée (96,17 %). Les précisions correspondantes pour Fast R-CNN, Bi-LSTM, CNN et XGBoost étaient respectivement de 85,10 %, 87,21 %, 90,14 % et 93,19 %. Figure 9 et Tableau 9 présentent le temps de calcul requis par chaque méthode. Le cadre proposé ML-HQNC a nécessité 9,02 ms, tandis que Fast R-CNN, Bi-LSTM, CNN et XGBoost ont nécessité respectivement 31,2 ms, 27,5 ms, 22,4 ms et 17,6 ms. Figure 10 présente l'analyse de la caractéristique opérationnelle du récepteur (ROC). Le cadre proposé ML-HQNC a obtenu une AUC de 0,944, indiquant un taux élevé de vrais positifs et un faible taux de faux positifs à travers le seuil de classification évalué.

Figure 4 : Comparaison du score F1 selon différentes tailles de jeux de données. Comparaison du score F1 obtenu par ML-HQNC et par les modèles concurrents selon différentes tailles de jeux de données. Les résultats sont exprimés comme moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Les barres d'erreur représentent un écart-type. La significativité statistique a été évaluée à l'aide d'un test t indépendant bilatéral (p < 0,05). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 4 : Comparaison du score F1 selon différentes tailles de jeu de données. Comparaison du score F1 obtenu par ML-HQNC et par les modèles concurrents. Les résultats sont indiqués sous la forme moyenne ± écart type sur cinq répétitions expérimentales indépendantes (n = 5). Veuillez cliquer ici pour télécharger ce tableau.

Figure 5 : Comparaison de la précision de détection d'intérêt (IDP) selon différentes tailles de jeux de données. Comparaison de la précision de détection d'intérêt (IDP) obtenue par ML-HQNC et par les modèles concurrents selon différentes tailles de jeux de données. Les résultats sont exprimés en moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Les barres d'erreur représentent un écart-type. La significativité statistique a été évaluée à l'aide d'un test t indépendant bilatéral (p < 0,05). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 5 : Comparaison de la précision de détection d'intérêt (IDP) selon différentes tailles de jeux de données. Comparaison de la précision de détection d'intérêt (IDP) obtenue par ML-HQNC et par les modèles concurrents. Les résultats sont exprimés comme moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Veuillez cliquer ici pour télécharger ce tableau.

Figure 6 : Comparaison de l'indice de stabilité des motifs quantiques (QPSI) selon différentes tailles de jeux de données. Comparaison de l'indice de stabilité des motifs quantiques (QPSI) obtenu par ML-HQNC et par les modèles concurrents selon différentes tailles de jeux de données. Les résultats sont exprimés sous la forme moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Les barres d'erreur représentent un écart-type. La significativité statistique a été évaluée à l'aide d'un test t indépendant bilatéral (p < 0,05). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 6 : Comparaison de l'indice de stabilité des motifs quantiques (QPSI) selon différentes tailles de jeux de données. Comparaison de l'indice de stabilité des motifs quantiques (QPSI) obtenu par le modèle ML-HQNC et par les modèles concurrents. Les résultats sont indiqués sous la forme moyenne ± écart-type, calculés à partir de cinq expériences indépendantes (n = 5). Veuillez cliquer ici pour télécharger ce tableau.

Figure 7 : Comparaison du gain d'adaptabilité inter-domaines (CDAG) pour différentes tailles de jeux de données. Comparaison du gain d'adaptabilité inter-domaines (CDAG) obtenu par ML-HQNC et les modèles concurrents pour différentes tailles de jeux de données. Les résultats sont exprimés sous la forme moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Les barres d'erreur représentent un écart-type. La significativité statistique a été évaluée à l'aide d'un test t indépendant bilatéral (p < 0,05). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 7 : Comparaison du gain d'adaptabilité inter-domaines (CDAG) selon différentes tailles de jeux de données. Comparaison du gain d'adaptabilité inter-domaines (CDAG) obtenu par ML-HQNC et par les modèles concurrents. Les résultats sont exprimés comme moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Veuillez cliquer ici pour télécharger ce tableau.

Figure 8 : Comparaison de la précision de classification selon différentes tailles de jeu de données. Comparaison de la précision de classification obtenue par ML-HQNC et par les modèles concurrents selon différentes tailles de jeu de données. Les résultats sont exprimés sous la forme moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Les barres d'erreur représentent un écart-type. La significativité statistique a été évaluée à l'aide d'un test t indépendant bilatéral (p < 0,05). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 8 : Comparaison de la précision de classification selon différentes tailles de jeu de données. Comparaison de la précision de classification obtenue par ML-HQNC et par les modèles concurrents. Les résultats sont exprimés en moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Veuillez cliquer ici pour télécharger ce tableau.

Figure 9 : Comparaison du temps de calcul pour différentes tailles de jeux de données. Comparaison du temps d'exécution computationnel de ML-HQNC et des modèles concurrents selon différentes tailles de jeux de données. Les résultats sont exprimés en moyenne ± écart-type sur cinq répétitions expérimentales indépendantes (n = 5). Les barres d'erreur représentent un écart-type. Des valeurs plus faibles indiquent un temps d'exécution computationnel plus court. La significativité statistique a été évaluée à l'aide d'un test t indépendant bilatéral (p < 0,05). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 9 : Comparaison du temps de calcul pour différentes tailles de jeux de données. Comparaison du temps d'exécution computationnel de ML-HQNC et des modèles concurrents. Les résultats sont exprimés comme moyenne ± écart type sur cinq exécutions expérimentales indépendantes (n = 5). Des valeurs plus faibles indiquent un temps d'exécution computationnel plus court. Veuillez cliquer ici pour télécharger ce tableau.

Figure 10 : Comparaison de la surface sous la courbe caractéristique de fonctionnement du récepteur (AUC). Comparaison de l'AUC obtenue par ML-HQNC et par les modèles concurrents pour l'identification de l'intérêt des étudiants en ingénierie. Les valeurs d'AUC indiquées correspondent à un seul passage expérimental ; par conséquent, les barres d'erreur et les analyses de signification statistique ne sont pas présentées. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure supplémentaire 1 présente la matrice de corrélation des variables comportementales représentatives. De fortes corrélations positives ont été observées entre Avg_Score et Course_Completion_Rate (0,81) et entre Attendance_Rate et Course_Completion_Rate (0,75). Des corrélations modérées ont été observées entre Avg_Score et Course_Completion (0,72) et entre Attendance_Rate et Time_Assignment_Percentage (0,74). Les figures supplémentaires 2 et 3, ainsi que le tableau 10, résument les cartes de précision d'apprentissage et de test. Le cadre proposé ML-HQNC a atteint une précision d'apprentissage de 96,1 % et une précision de test de 93,8 %, dépassant ainsi les performances des méthodes comparatives. Les figures supplémentaires 4 et 5, ainsi que le tableau 11, résument l'analyse de convergence. Le cadre proposé ML-HQNC a atteint la perte d'apprentissage la plus faible (0,21) et la perte de test la plus faible (0,26), avec une convergence stable tout au long du processus d'optimisation.

Tableau 12 résume les performances globales du cadre ML-HQNC proposé et des méthodes de comparaison selon tous les indicateurs d'évaluation. Le cadre proposé a obtenu les meilleures performances en termes de précision, de score F1, d'AUC, d'IDP, de QPSI et de CDAG, tout en nécessitant le temps de calcul le plus court parmi les méthodes évaluées. Tableau 13 présente l'analyse d'ablation par composant du cadre proposé. L'intégration progressive de l'étape de prétraitement BCRIS, de la représentation comportementale QCSM, de l'algorithme de sélection de caractéristiques QES-WOFS et du classifieur complet ML-HQNC a permis des améliorations progressives des performances de classification, démontrant la contribution de chaque composant au cadre global.

Tableau 10 : Comparaison de la précision lors de l'apprentissage et des tests. Comparaison de la précision obtenue lors de l'apprentissage et des tests par le modèle ML-HQNC et les modèles concurrents. Les valeurs indiquées correspondent à un seul cycle expérimental. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 11 : Comparaison des pertes d'apprentissage et de test. Comparaison des pertes d'apprentissage et de test obtenues par ML-HQNC et les modèles concurrents. Les valeurs indiquées correspondent à un seul passage expérimental. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 12 : Comparaison des performances globales. Comparaison du modèle ML-HQNC et des modèles concurrents à l’aide de plusieurs métriques d’évaluation. Les résultats sont exprimés sous la forme moyenne ± écart type sur cinq répétitions expérimentales indépendantes (n = 5). Veuillez cliquer ici pour télécharger ce tableau.

DISPONIBILITÉ DES DONNÉES :
L'ensemble de données original sur l'évaluation de la qualité de l'enseignement utilisé dans cette étude est publiquement accessible depuis le dépôt Kaggle (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). L'accès à l'ensemble de données peut nécessiter une authentification utilisateur et est soumis aux conditions d'utilisation de Kaggle. Afin de favoriser la reproductibilité tout en respectant les conditions de licence de l'ensemble de données d'origine, les ressources produites dans le cadre de l'étude — notamment l'ensemble de données synthétique, le code source, les fichiers d'implémentation et de configuration, les descriptions des caractéristiques, le flux de travail de prétraitement et la documentation complémentaire nécessaire pour reproduire les expériences rapportées — ont été déposées dans un dépôt Zenodo ouvert : https://doi.org/10.5281/zenodo.21393413.

Figure 3 : Collection de caractéristiques du jeu de données d'évaluation de la qualité de l'enseignement. Structure et composition des caractéristiques du jeu de données d'évaluation de la qualité de l'enseignement utilisé pour l'identification de l'intérêt des étudiants en ingénierie. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Figure suplémentaire 1 : Matrice de corrélation des caractéristiques. Matrice de corrélation montrant les relations par paires entre les variables représentatives d'ordre éducatif et comportemental utilisées par le cadre ML-HQNC proposé. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 2 : Comparaison de la précision d'apprentissage. Comparaison de la précision d'apprentissage obtenue par ML-HQNC et par les modèles concurrents au cours du processus d'apprentissage. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 3 : Comparaison de la précision des tests. Comparaison de la précision des tests obtenue par ML-HQNC et les modèles concurrents au cours du processus de test. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 4 : Analyse de la perte d'entraînement. Comparaison de la perte d'entraînement obtenue par ML-HQNC et par les modèles concurrents au cours de l'optimisation du modèle. Veuillez cliquer ici pour télécharger ce fichier.

Figure 5 supplémentaire : Analyse de la perte lors des tests. Comparaison de la perte lors des tests obtenue par ML-HQNC et les modèles concurrents au cours de l'évaluation du modèle.  Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 1 : Paramètres de simulation et paramètres expérimentaux. Résumé des paramètres de simulation, de l'environnement de mise en œuvre, de la partition des ensembles de données et des paramètres expérimentaux utilisés pour évaluer le cadre ML-HQNC proposé. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 2 : Résultats de validation de l'étape de prétraitement par mise à l'échelle robuste des écarts interquartiles de Box-Cox (BCRIS). Comparaison des caractéristiques représentatives des jeux de données avant et après prétraitement, incluant les valeurs manquantes, les enregistrements en double, la gestion des valeurs aberrantes, la normalisation des caractéristiques et la cohérence des données. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 3 : Caractéristiques représentatives générées par le modèle d'état cognitif quantique (QCSM). Caractéristiques comportementales représentatives générées par le QCSM après le prétraitement des données, incluant les caractéristiques d'état cognitif, d'engagement, d'incertitude, de transition de sujet et de cohérence comportementale. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 4 : Caractéristiques sélectionnées par l'algorithme de sélection de caractéristiques quantique amélioré par l'optimisation collective et de la baleine (QES-WOFS). Sous-ensemble final de caractéristiques sélectionné par l'algorithme QES-WOFS, accompagné des catégories de caractéristiques correspondantes, des niveaux d'influence relative et des rôles fonctionnels au sein du cadre proposé. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 5 : Catégories de prédiction de la qualité d'enseignement. Description des catégories de prédiction et des caractéristiques comportementales représentatives utilisées par le cadre ML-HQNC proposé. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 6 : Analyse de sensibilité des marges. Résumé de l'analyse de sensibilité des marges utilisée lors de l'évaluation du modèle. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 1 : Méthodes supplémentaires, formulations mathématiques, métriques d'évaluation et tableaux supplémentaires. Ce fichier contient les formulations mathématiques détaillées du Box–Cox Robust IQR Scaling (BCRIS), du Quantum Cognitive State Model (QCSM), du Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) et du Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) décrits dans le protocole principal. Il inclut également les définitions des métriques d'évaluation, des paramètres de simulation, des réglages expérimentaux, ainsi que les tableaux supplémentaires S1 à S6 qui appuient les résultats présentés dans l'article principal. Veuillez cliquer ici pour télécharger ce fichier.

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 comportementales proposées. Ces résultats suggèrent que la combinaison d'une représentation d'état cognitif inspirée de la mécanique quantique avec une optimisation adaptative des caractéristiques améliore la capacité du cadre à modéliser des comportements éducatifs complexes tout en maintenant une performance de classification robuste. Le faible temps de calcul et la petite différence entre les performances d'apprentissage et de test indiquent en outre une optimisation stable et une bonne généralisation.

Les métriques d'évaluation proposées complètent les mesures classiques de classification en fournissant des informations supplémentaires sur la modélisation du comportement. La précision de détection de l'intérêt (IDP) quantifie l'exactitude de l'identification de l'intérêt, l'indice de stabilité des motifs quantiques (QPSI) évalue la stabilité des représentations comportementales inspirées de la physique quantique, et le gain d'adaptabilité inter-domaines (CDAG) mesure la capacité du cadre à généraliser à travers différentes partitions de données. Ensemble, ces mesures offrent une évaluation plus complète des performances du modèle que les métriques de prédiction classiques prises isolément.

L'analyse d'ablation par composant (Tableau 13) a en outre démontré la contribution de chaque étape du flux de travail proposé. L'intégration de l'étape de prétraitement par mise à l'échelle robuste BCRIS (Box–Cox Robust IQR Scaling) a amélioré la cohérence des données en réduisant l'influence des valeurs aberrantes et en générant des représentations normalisées des caractéristiques. Le modèle d'état cognitif quantique (QCSM, Quantum Cognitive State Model) a transformé les variables éducatives multidimensionnelles en représentations comportementales capturant l'incertitude, l'engagement et les préférences d'apprentissage évolutives. La sélection ultérieure des caractéristiques à l'aide de l'algorithme de sélection de caractéristiques QES-WOFS (Quantum-Enhanced Swarm–Whale Optimization Feature Selection) a réduit la redondance tout en conservant les caractéristiques comportementales informatives. Enfin, l'intégration de ces composants au sein du classifieur neuronal hybride quantique-classique à méta-apprentissage (ML-HQNC, Meta-Learning Hybrid Quantum-Classical Neural Classifier) a amélioré les performances de classification et la généralisation par rapport aux modèles de référence.

Le protocole proposé vise à identifier l'intérêt des étudiants en génie à l'aide de données éducatives et comportementales multidimensionnelles recueillies dans des environnements d'apprentissage numériques. Le flux de travail computationnel peut soutenir l'apprentissage personnalisé, l'accompagnement académique, la planification des programmes d'enseignement et la gestion éducative intelligente en offrant une approche systématique pour analyser les comportements d'apprentissage des étudiants et repérer leurs intérêts évolutifs. Le cadre est particulièrement adapté aux ensembles de données éducatives structurés contenant des variables comportementales, académiques et contextuelles.

La mise en œuvre réussie dépend de la disponibilité de données éducatives de haute qualité et de ressources informatiques adéquates. Avant l'analyse, les ensembles de données éducatives doivent être examinés afin de détecter les valeurs manquantes, les enregistrements en double et les incohérences, car la qualité des données influence directement le prétraitement et la modélisation comportementale ultérieure. Des représentations stables des caractéristiques dépendent également d'un prétraitement approprié, d'une transformation adéquate des caractéristiques et d'une optimisation des hyperparamètres. Pendant l'entraînement du modèle, la convergence doit être surveillée à l'aide des courbes de perte d'apprentissage et de validation, et les paramètres d'optimisation doivent être ajustés si nécessaire afin de maintenir un comportement d'apprentissage stable.

Bien que le cadre ait démontré des performances efficaces à l’aide du jeu de données évalué, plusieurs limites doivent être prises en compte. Le protocole a été validé à l’aide d’un seul jeu de données éducatives publiquement disponible, et une évaluation supplémentaire utilisant des jeux de données éducatives plus vastes, pluridisciplinaires et plus diversifiés est nécessaire afin d’évaluer davantage sa généralisabilité. De plus, le cadre d’apprentissage hybride inspiré du quantique requiert davantage de ressources computationnelles que les approches conventionnelles d’apprentissage automatique en raison de ses composantes de prétraitement, d’optimisation et d’apprentissage hybride. Le cadre dépend également de données éducatives bien annotées, et ses performances peuvent être affectées par des jeux de données incomplets, bruités ou fortement déséquilibrés.

Les travaux futurs viseront à étendre le cadre à une identification plus fine des intérêts des étudiants en plusieurs classes, à intégrer d'autres modalités de données éducatives telles que les retours textuels, les comportements d'apprentissage temporels et les journaux d'activité en temps réel des systèmes de gestion de l'apprentissage, ainsi qu'à évaluer le protocole dans divers environnements d'enseignement en ingénierie. Une optimisation supplémentaire du flux de travail computationnel pourrait également améliorer la scalabilité et faciliter le déploiement dans des systèmes de gestion éducative à grande échelle.

En résumé, le cadre ML-HQNC proposé offre un flux de travail computationnel reproductible pour l'identification de l'intérêt des étudiants en ingénierie à l'aide de données éducatives multidimensionnelles. En intégrant un prétraitement rigoureux, une modélisation comportementale inspirée du quantique, une sélection adaptative des caractéristiques et un apprentissage neuronal hybride quantique-classique, ce cadre a permis d'améliorer les performances de classification tout en maintenant une optimisation stable et un calcul efficace. Ces caractéristiques soutiennent son potentiel d'application dans l'analyse éducative intelligente et la gestion de l'enseignement de l'ingénierie.

Matériaux

Liste des matériaux utilisés dans cet article

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.