Profilage hybride et mise à jour adaptative des profils utilisateur pour la recommandation Personnalisée dans les plateformes e-Learning

Abstract

Les systèmes de recommandation ont énormément amélioré l’expérience utilisateur sur internet. En particulier, les systèmes de recommandation dans l’e-Learning ont joué un rôle clé en aidant les étudiants à découvrir de nouveaux cours pertinents, basés sur des facteurs spécifiques et leur comportement sur la plateforme. Notre objectif principal est de créer un système de recommandation hybride en combinant deux modèles : l’approche basée sur le contenu et l’approche de filtrage collaboratif. Le principal problème pour les étudiants lorsqu’ils étudient en ligne est qu’ils sont exposés à une grande quantité de données qui peut nuire à leur réussite académique notre algorithme améliore l’apprentissage automatique, et les résultats démontrent son efficacité en termes de qualité et de pertinence .L’apprentissage automatique aidera notre système à comprendre le comportement des étudiants grâce a de nombreuses méthodes ce qui permettra d’obtenir des informations sur le contenu le plus susceptible de leur être pertinent, cette recherche constitue une modeste contribution au domaine des systèmes de recommandation et met en lumière leur potentiel à améliorer l’expérience et la productivité des étudiants.