L'un des principaux défis pour offrir des expériences d'apprentissage individualisées et personnalisées à chaque apprenant est d'établir des profils individuels détaillés. Ces profils doivent refléter la richesse des processus cognitifs et métacognitifs en jeu dans l'apprentissage, mais aussi intégrer les facteurs connus pour influencer l'expérience d'apprentissage, tels que la neurodiversité, le genre et le milieu socio-économique.

Le profilage cognitif sur une plateforme d'apprentissage en ligne consiste à évaluer les capacités cognitives, les styles d'apprentissage et les préférences de chaque apprenant afin de lui offrir une expérience éducative sur mesure.

En analysant des données telles que les résultats aux questionnaires, les schémas d'interaction et les niveaux d'engagement, la plateforme peut créer un profil cognitif unique pour chaque utilisateur. Ce profil permet de personnaliser la diffusion du contenu, de recommander des ressources adaptées et d'adapter les méthodes pédagogiques afin d'optimiser les résultats d'apprentissage. Les parcours d'apprentissage personnalisés peuvent renforcer la motivation, améliorer la rétention et faciliter une compréhension plus approfondie du contenu, garantissant ainsi à chaque apprenant le soutien nécessaire à sa réussite.

L'une des principales sources d'information pour établir le profil de nos étudiants est un questionnaire détaillé de 75 questions, administré au début de leur parcours avec notre système de gestion de l'apprentissage (LMS).

Pour extraire des profils des résultats de l'enquête, nous utilisons une méthode en deux étapes, combinant l'analyse factorielle exploratoire (AFE) et l'analyse des profils latents (APL). L'AFE est une technique qui identifie la structure cachée des données observées. Elle identifie des groupes de questions fortement corrélées, appelées facteurs. Nous pouvons ensuite déduire le construit cognitif correspondant ciblé par chaque facteur. Le nombre de facteurs a été choisi pour atteindre un équilibre entre la maximisation de la variance expliquée dans nos données et la prévention du surapprentissage. Un modèle APL a ensuite pu être ajusté aux réponses des participants regroupées par facteur.

L'APL est une approche à variables latentes basée sur un modèle mixte (plus précisément, des mélanges gaussiens dans notre étude) qui vise à regrouper les individus en « profils » non observés basés sur des variables continues. Comme la plupart de nos questions utilisent une échelle de type Likert à 5 points, l'APL est une technique appropriée pour démêler les profils d'apprenants cachés. Le nombre de profils est choisi pour minimiser le critère d'information bayésien (CIB), qui fournit un seuil de décision objectif.