La découverte et la compréhension des profils d’apprenants : classification semi-supervisée et acquisition d’une langue seconde - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2019

Discovery and comprehension of language learners profile : semi supervised clustering et second language acquisition

La découverte et la compréhension des profils d’apprenants : classification semi-supervisée et acquisition d’une langue seconde

Résumé

The purpose of this study is to elaborate an efficient methodology allowing the description of learner’s profile of an L2 based on acquisition data (perception, comprehension and production). The proposed methodology belongs to Artificial Intelligence field, more specifically to clustering techniques [Jain et al., 1999b]. Clustering is a non-supervised classification methodology which aims at creating subgroups of objects called clusters. The purpose is to detect subgroup regularities with respect to acquisition among the learners (objects), by taking into account the multidimensional aspect of the L2 learning process. Our algorithm has been applied to the data base of the VILLA project [Dimroth et al., 2013], which includes the performance of learners from 5 different source languages (French, Italian, Dutch, German and English) with Polish as the target language. Each learner was tested with a variety of Polish tests during 14h of teaching session, starting from initial exposure. Consequently, the data base stores the evolution of the acquisitional process of 160 adults. Thus, we have applied our algorithm on the learners’ performances at phonological, morphological, morphosyntactic and lexical levels. These performances also include results with regards to input characteristics, such as frequency and transparency of lexical items used in language tasks that may have influenced the learner outcomes. Our algorithm revisits the similarity measure used in classical clustering techniques, in order to evaluate the distance between two learners from a SLA point of view. The measure we used, called "comparability measure", relies on the identification of a learner’s response strategy to a specific language test structure. We show that this measure allows the detection of the presence or the absence of a coherent strategy in learner’s answers, and so enables our algorithm to provide a resulting classification consistent with second language acquisition research [Klein et Perdue, 1997, Rast, 2008]. As a result, we claim that our algorithm might be relevant in the empirical establishment of learners’ profiles and the discovery of new opportunities for reflection or analysis.
L’objectif de cette thèse est d’élaborer une méthodologie efficace permettant de décrire le profil de l’apprenant d’une L2 à partir de données d’acquisition (perception, compréhension et production). La méthodologie proposée appartient au domaine de l’intelligence artificielle, plus spécifiquement aux techniques de clustering [Jain et al., 1999b]. Le clustering est une méthode de classification non supervisée qui vise à créer des sous-groupes d’objets appelés clusters. L’objectif est de détecter des régularités dans les comportements acquisitionnels de sousgroupes d’apprenants, en tenant compte de l’aspect multidimensionnel du processus d’apprentissage L2. Notre algorithme a été appliqué à la base de données du projet VILLA [Dimroth et al., 2013], qui inclut les données d’acquisition d’apprenants de 5 langues sources différentes (français, italien, néerlandais, allemand et anglais) avec le polonais comme langue cible. Chaque apprenant a été testé avec une variété de tests en polonais pendant 14h de session d’enseignement, à partir de l’exposition initiale. Par conséquent, la base de données stocke l’évolution du processus d’acquisition de 156 adultes. Ainsi, nous avons appliqué l’algorithme aux performances des apprenants sur les niveaux d’analyse linguistique que sont la phonologie, la morphologie, la morphosyntaxe et le lexique. La base de données inclut également la sensibilité des apprenants aux caractéristiques de l’input, telles que la fréquence et la transparence des éléments lexicaux utilisés dans les tâches linguistiques. Notre algorithme revisite la mesure de similarité utilisée dans les techniques classiques de clustering, afin d’évaluer la distance entre deux apprenants d’un point de vue acquisitionniste. La mesure que nous avons utilisée, appelée " mesure de comparabilité ", repose sur l’identification de la stratégie de réponse de l’apprenant à une structure de test linguistique spécifique. Nous montrons que cette mesure permet de détecter la présence ou l’absence dans les réponses de l’apprenant d’une stratégie proche du système flexionnel de la LC. Ce procédé fournit une classification des apprenants cohérente avec la recherche sur l’acquisition de la langue seconde [Klein et Perdue, 1997, Rast, 2008] et apporte de nouvelles pistes de réflexions sur les parcours acquisitionnels des apprenants ab initio .
Fichier principal
Vignette du fichier
2019PA080029_DURAND_Lad.pdf (3.85 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04441448 , version 1 (06-02-2024)

Identifiants

  • HAL Id : tel-04441448 , version 1

Citer

Marie E.C. Durand. La découverte et la compréhension des profils d’apprenants : classification semi-supervisée et acquisition d’une langue seconde. Informatique [cs]. Université Vincennes Saint-Denis (Paris 8), 2019. Français. ⟨NNT : ⟩. ⟨tel-04441448⟩
17 Consultations
23 Téléchargements

Partager

Gmail Facebook X LinkedIn More