GTnum #IA_EO / axe 1 - Exploitation Intelligible des Learning Analytics - webinaire 3 - Etude sur les explications du résultat d'un classifieur par Laurence Rozé

Dans le cadre du Groupe Thématique Numérique intitulé Intelligence Artificielle & Éducation Ouverte, l'un de nos axes de travail concerne l'exploitation intelligible des Learning Analytics. Le but est notamment d’étudier les relations entre décrochage (remédiation, prédiction), interprétabilité, explicabilité et confiance, à l’aide notamment de Tableaux de Bord. Il s’agit notamment d’établir la confiance en rendant transparent la provenance des données et la manière dont elles ont été calculées. En termes d’explicabilité et d’interprétabilité, qu’y a-t-il de spécifique en Éducation sur ce point par rapport à ces problématiques en Intelligence artificielle ?

Nous vous invitons à regarder cette présentation réalisée par Laurence Rozé, Maîtresse de conférences à l'INSA de Rennes, au sujet de l'étude sur les explications du résultat d'un classifieur. Après une définition pédagogique d’un classifieur, un état de l’art des différentes approches proposées pour générer des explications est explicitée - méthodes globales, méthodes locales et méthodes par inspections. La présentation est plus particulièrement dédiée aux méthodes locales développées par son équipe et à leurs limites. Pour terminer, la portabilité de ces méthodes vers la problématique de STAPS est également analysée et discutée. 

Si vous avez des questions ou souhaitez en savoir plus sur notre GTnum #IA_EO, n'hésitez pas à consulter notre blog https://chaireunescorel.ls2n.fr/, twitter https://twitter.com/Chaire_RELIA ou nous contacter par mail à chaireunesco@ls2n.fr