💻 computer science

Cross-Platform Domain Adaptation for Multi-Modal MOOC Learner Satisfaction Prediction

Cet article présente ADAPT-MS, un cadre d'adaptation de domaine cross-plateforme qui améliore la prédiction de la satisfaction des apprenants dans les MOOC en fusionnant des données textuelles et comportementales tout en corrigeant les biais spécifiques aux plateformes et en gérant les données manquantes, même en l'absence d'étiquettes cibles.

Auteurs originaux : Jakub Kowalski, Magdalena Piotrowska

Publié 2026-04-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jakub Kowalski, Magdalena Piotrowska

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎓 Le Problème : L'Élève qui change d'école

Imaginez que vous êtes un professeur très doué qui a appris à prédire si les élèves vont aimer un cours. Vous avez passé des années à étudier les élèves de l'École A (disons, Coursera). Vous connaissez leur langage, leurs habitudes, et surtout, vous savez comment ils donnent leurs notes. Pour eux, un 5/5 signifie "C'est parfait, c'est la lune".

Maintenant, l'École A vous envoie travailler à l'École B (disons, edX).
Le problème ? Les élèves de l'École B sont différents :

Le langage : Ils parlent différemment dans leurs commentaires.
Les habitudes : Ils cliquent sur les vidéos de manière différente.
La note magique : Ici, un 5/5 est donné pour "C'est bien, mais pas parfait". C'est leur note par défaut !

Si vous utilisez votre ancien "cerveau" (votre modèle d'intelligence artificielle) tel quel, vous allez faire des erreurs monumentales. Vous allez penser que les élèves de l'École B sont insatisfaits alors qu'ils adorent le cours, juste parce que vous interprétez mal leurs notes. C'est ce qu'on appelle le "décalage de domaine".

🛠️ La Solution : ADAPT-MS (Le Caméléon Intelligent)

Les auteurs de l'article ont créé un nouveau système appelé ADAPT-MS. C'est comme un caméléon intelligent capable de s'adapter instantanément à n'importe quelle nouvelle école. Voici comment il fonctionne, en quatre étapes simples :

1. Le Traducteur Universel (Le Texte Gelé)

Le système lit les avis des élèves avec un super-lecteur (un LLM) qui est "figé". Imaginez un traducteur qui ne change jamais, pour ne pas oublier ce qu'il a appris. Il comprend le sens général des mots, peu importe si l'élève écrit avec un langage familier ou très formel.

2. Le Dictionnaire Commun (Les Comportements Standardisés)

Chaque école enregistre les actions des élèves différemment. L'une note "regardé 10 minutes", l'autre "a cliqué 5 fois".
ADAPT-MS prend toutes ces actions et les transforme en un langage commun (comme convertir des euros, des dollars et des yens en une seule monnaie universelle). Ainsi, peu importe l'école, le système comprend que "regarder une vidéo" et "faire un quiz" sont des signes d'engagement.

3. Le Détective de l'Identité (L'Alignement)

C'est la partie la plus ingénieuse. Le système a un petit "détective" caché qui essaie de deviner : "De quelle école viens-tu ?".
En même temps, le système principal essaie de cacher cette information. C'est un jeu de cache-cache : le système apprend à se comporter de manière identique quelle que soit l'école, pour que le détective ne puisse plus deviner l'origine de l'élève. Cela force l'IA à se concentrer sur ce qui est vraiment important (l'enthousiasme de l'élève) et non sur les détails superficiels de l'école.

4. Le Réglage de la Note (La Calibration)

C'est ici que la magie opère sur les notes.

Scénario A (Zéro élève étiqueté) : Le système regarde l'historique global de l'école. Il voit que "ici, tout le monde met 4,7/5". Il ajuste donc sa propre jauge : "Ah, je vois, ici un 4,5 c'est en fait un 5 pour moi". Il recadre ses prédictions sans avoir besoin de poser de questions.
Scénario B (Quelques élèves étiquetés) : Si on lui donne seulement 50 ou 100 exemples de notes réelles, il ajuste sa jauge très rapidement, comme un chef d'orchestre qui accorde son instrument en quelques secondes.

🧪 Les Résultats : Pourquoi c'est génial ?

Les chercheurs ont testé ce système sur trois grandes plateformes de cours en ligne.

Sans adaptation : Si on utilise un modèle classique sur une nouvelle école, il se trompe souvent (erreur de 0,79).
Avec ADAPT-MS : Même sans connaître les élèves de la nouvelle école (0 note fournie), il se trompe beaucoup moins (erreur de 0,66).
Avec un peu d'aide : Avec seulement 1000 élèves pour s'entraîner un peu, il devient quasi parfait (erreur de 0,60).

L'analogie finale :
Imaginez que vous êtes un cuisinier.

L'ancien modèle est un cuisinier qui ne sait cuisiner que des plats italiens. S'il arrive en Asie et qu'on lui donne du riz, il essaie de le faire cuire comme des pâtes : catastrophe.
ADAPT-MS est un chef étoilé qui arrive en Asie. Il ne change pas ses recettes de base (il garde son savoir), mais il ajuste les épices (calibration), il comprend que les gens mangent avec des baguettes (comportement commun), et il s'adapte au goût local sans avoir besoin de goûter chaque plat avant de servir.

💡 En résumé

Ce papier nous dit qu'on peut créer des intelligences artificielles capables de passer d'une plateforme de cours à l'autre sans tout réapprendre. Grâce à des astuces comme le "jeu de cache-cache" (pour ignorer les différences inutiles) et le "réglage de la jauge" (pour comprendre les nouvelles normes de notation), on peut prédire la satisfaction des élèves avec une grande précision, même avec très peu de données. C'est une étape énorme pour améliorer la qualité des cours en ligne partout dans le monde.

1. Problématique et Contexte

La prédiction de la satisfaction des apprenants dans les Cours en Ligne Ouverts et Massifs (MOOC) est cruciale pour l'amélioration de la qualité des cours et le fonctionnement des plateformes. Bien que des modèles performants existent pour prédire cette satisfaction à partir de textes (avis) et de logs comportementaux, leur déploiement réel se heurte à un problème majeur : le décalage de domaine (domain shift) lors du passage d'une plateforme source (ex. Coursera) à une plateforme cible (ex. edX ou XuetangX).

L'article identifie quatre axes principaux de cette hétérogénéité qui dégradent les performances des modèles :

Décalage linguistique : Différences de vocabulaire, de formalité et d'expression culturelle des sentiments dans les avis textuels.
Décalage démographique et de mixité des cours : Différences dans les profils des apprenants et la distribution des matières.
Décalage des schémas de journalisation comportementale : Les mêmes interactions (ex. « visionnage de vidéo ») sont définies ou enregistrées avec des granularités différentes.
Dérive sémantique de l'échelle de notation : Les utilisateurs de certaines plateformes réservent les 5 étoiles à la perfection, tandis que d'autres les utilisent comme note positive par défaut, créant un biais systématique dans les niveaux de satisfaction prédits.

Le défi consiste à développer un modèle capable de s'adapter à une plateforme cible avec peu ou pas d'étiquettes (labels) disponibles, tout en gérant les modalités manquantes (logs comportementaux absents).

2. Méthodologie : Le Framework ADAPT-MS

Les auteurs proposent ADAPT-MS (Adaptive Domain-Transfer Multi-modal Satisfaction predictor), un cadre unifié conçu pour fusionner les représentations textuelles et comportementales tout en s'adaptant aux spécificités des plateformes. L'architecture repose sur quatre composants clés :

A. Encodeur Multi-Modal avec Caractéristiques Canoniques

Encodage Textuel : Utilisation d'un encodeur LLM pré-entraîné (RoBERTa-base) figé (frozen) pour extraire les représentations des avis. Cela évite le surapprentissage au vocabulaire source et préserve les représentations linguistiques générales.
Fonctionnalités Comportementales Canoniques : Pour pallier les différences de schémas de logs, les données brutes sont mappées vers un vecteur de caractéristiques « canoniques » et agnostiques à la plateforme (ex. : minutes regardées, tentatives de quiz, lectures de forum, jours actifs, taux de relecture). Un MLP (Perceptron Multicouche) transforme ces vecteurs en embeddings.
Fusion avec Portes (Gated Fusion) et Dropout de Modalité : Un mécanisme de porte (gate) scalaire contrôle la contribution des données comportementales. Pendant l'entraînement, un dropout de modalité (probabilité de 0,3) force le modèle à fonctionner uniquement avec le texte, garantissant ainsi sa robustesse lorsque les logs comportementaux sont absents sur la plateforme cible.

B. Alignement de Représentation par Adversaire de Domaine

Pour apprendre des caractéristiques invariantes au domaine, le modèle utilise un discriminateur de domaine entraîné de manière adversaire.

Un couche de renversement de gradient (Gradient Reversal Layer - GRL) est insérée entre l'encodeur et le discriminateur.
L'objectif global combine la perte de tâche (prédiction de satisfaction sur les données source) et la perte de domaine (classification de la plateforme), où le gradient est multiplié par $-\lambda$ lors de la rétropropagation. Cela incite l'encodeur à produire des représentations que le discriminateur ne peut pas classer par plateforme.

C. Calibration des Notations Spécifiques à la Plateforme

Même après l'alignement des représentations, un biais persiste dû à la sémantique différente des échelles de notation.

Une couche de calibration affine latente ajuste la prédiction $s_i$ en $\hat{y}_i = a_p s_i + b_p$ , où $a_p$ et $b_p$ sont des paramètres spécifiques à la plateforme.
En mode supervisé (quelques étiquettes) : Ces paramètres sont optimisés avec un faible taux d'apprentissage.
En mode non supervisé (zéro étiquette) : Les paramètres sont estimés par appariement de moments (matching), en alignant la moyenne et l'écart-type des prédictions sur la cible avec les statistiques historiques de notation de la plateforme cible (souvent disponibles via des tableaux de bord publics).

3. Contributions Clés

Identification et quantification des quatre sources de décalage inter-plateforme (distribution des caractéristiques, lacunes de logs, mélange démographique, dérive sémantique des notes).
Proposition d'ADAPT-MS, un cadre d'adaptation de domaine multi-modal qui résout simultanément l'alignement des représentations et la calibration des étiquettes, tout en étant robuste aux modalités manquantes.
Évaluation rigoureuse via un protocole couvrant le transfert non supervisé, l'adaptation « few-shot » (peu d'exemples) et le transfert par paires, démontrant des améliorations constantes par rapport aux bases de référence.

4. Résultats Expérimentaux

Les expériences ont été menées sur un jeu de données multi-plateformes (480 000 inscriptions, 3 plateformes majeures : A, B, C).

Transfert Non Supervisé (k=0 étiquettes cibles) :
- ADAPT-MS atteint un RMSE de 0,66 sur la plateforme cible.
- Cela représente une réduction de 16 % par rapport au simple regroupement des données (Pool-NoAdapt, RMSE 0,76) et de 5,7 % par rapport à une adaptation adversaire sans calibration (DANN-Only, RMSE 0,70).
- L'amélioration provient principalement de la couche de calibration qui corrige le biais de sur-prédiction causé par l'usage excessif des 5 étoiles sur la plateforme cible.
Adaptation Few-Shot (k=50 à 1000 étiquettes) :
- Avec seulement 50 étiquettes, le modèle atteint un RMSE de 0,63.
- Avec 1000 étiquettes, il atteint 0,60, surpassant le fine-tuning complet (qui nécessite beaucoup plus de données pour converger).
- Cela démontre que mettre à jour uniquement les paramètres de calibration et de porte est très efficace en termes de données.
Études d'ablation :
- La suppression de la couche de calibration augmente le RMSE de 0,05.
- La suppression de l'alignement adversaire augmente le RMSE de 0,08.
- Le mécanisme de dropout de modalité est crucial pour les plateformes avec 40 % de logs manquants.

5. Signification et Perspectives

Ce travail est significatif car il comble le fossé entre la recherche académique (souvent limitée à une seule plateforme) et le déploiement industriel réel, où les données sont hétérogènes et les étiquettes rares.

Praticité : La capacité à fonctionner avec zéro étiquette cible ou très peu (50) rend le modèle viable pour l'intégration rapide de nouvelles plateformes.
Robustesse : La gestion explicite des logs manquants et des biais de notation rend le système applicable dans des environnements réels complexes.
Futur : Les auteurs suggèrent d'étendre le cadre aux contextes multilingues, de gérer la dérive conceptuelle temporelle au sein d'une même plateforme, et d'intégrer des audits d'équité pour s'assurer que la calibration ne nuit pas aux groupes d'apprenants sous-représentés.

En conclusion, ADAPT-MS établit une nouvelle référence pour l'analyse d'apprentissage (Learning Analytics) inter-plateformes, démontrant qu'une combinaison d'alignement adversaire, de calibration affine et de fusion robuste permet de surmonter les barrières de l'hétérogénéité des données éducatives.