Optimisation d’un système de recommandation multi-critère basé sur l’apprentissage fédéré pour les plateformes éducatives en ligne

Project Abstract

Ce travail présente une approche innovante d’optimisation d’un système de recommandation mult critère déployé sur des plateformes éducatives en ligne, en tirant parti de l’apprentissage fédéré pour préserver la confidentialité des données tout en améliorant la précision des suggestions pédagogiques. L’objectif principal est de concevoir et d’évaluer un cadre capable d’intégrer simultanément plusieurs critères (récence du contenu, complexité/terme technique, préférences d’apprentissage, performance des évaluations, et cohérence pédagogique) afin de personnaliser les parcours des apprenants sans centraliser les données sensibles. Le cadre proposé combine des mécanismes d’agrégation fédérée des signaux d’engagement et des modèles de recommandation hybrides qui fusionnent des approches basées sur le contenu, la collaboration et des métriques d’évaluation des compétences acquises. La contribution clé réside dans la formulation d’un objectif d’optimisation multi-critère, résoluble par des techniques d’optimisation distribuée, qui maximise simultanément la pertinence des ressources, le temps de complétion des modules, la rétention des apprenants et l’équité algorithmique entre les segments démographiques. Un noyau fédéré permet d’entraîner localement des modèles légers sur chaque institution ou groupe d’utilisateurs, avec diffusion intermittente des paramètres et des mises à jour d’importance, afin d’améliorer la généralisation tout en minimisant le risque de fuite d’informations personnelles. En parallèle, un mécanisme d’évaluation continue des contenus est mis en œuvre pour adapter dynamiquement les recommandations en fonction de l’évolution des objectifs d’apprentissage, des compétences cibles et du niveau de maîtrise des apprenants. L’étude intègre un cadre expérimental reposant sur un corpus multi-plateformes simulé et des données réelles anonymisées provenant de partenaires éducatifs. Les métriques utilisées couvrent la précision de recommandation (MAP, NDCG), les taux d’achèvement, les mesures de satisfaction et les covariables d’inclusion (accessibilité et diversité des contenus). Des expériences comparatives démontrent que l’approche fédérée multi-critère surpasse les systèmes centralisés classiques et les méthodes fédérées non spécialisées, en termes de précision et de robustesse face au bruit des données locales. Une analyse de complexité montre la viabilité opérationnelle du cadre sur des infrastructures avec contraintes de bande passante et de calcul. Le travail explore également les enjeux éthiques et de confidentialité, en évaluant les risques de fuite d’informations et en démontrant l’efficacité des mécanismes de cryptographie légère et d’anonymisation adaptative. Enfin, des scénarios d’implémentation pratique sont proposés, décrivant les étapes de déploiement, les considérations d’ingénierie logicielle et les perspectives d’évolution du système pour s’adapter à des domaines d’enseignement variés et à des niveaux scolaires différents.

Project Overview

What This Project Is About

---

This project explores how online learning platforms can better suggest relevant courses, lessons, or activities by using multiple simple criteria (like usefulness, popularity, and personal interest) while keeping data private on each user’s device. It combines two ideas: recommending content based on several factors and learning from data without sharing raw information.

---

---

The Problem It Addresses

---

Many learners see irrelevant recommendations, which wastes time and reduces motivation. Traditional systems often rely on centralized data, raising privacy concerns and potential biases. This project seeks a balance between accurate suggestions and user privacy while handling diverse user needs.

---

---

Objectives of the Project

---

1. Identify key factors that influence good recommendations in education.
2. Design a multi-criteria scoring method to rank content.
3. Incorporate privacy by default through federated learning concepts.
4. Build a simple prototype that suggests content without sending personal data to a central server.

---

---

What You Will Do Step by Step

---

1. Review existing recommendation methods and privacy approaches.
2. Define the data types needed (non-sensitive usage signals, content metadata).
3. Set up a small-scale federated learning environment to train a shared model on-device.
4. Combine multiple criteria into a scoring mechanism for recommendations.
5. Evaluate the prototype with a user study or simulated data.

---

---

Expected Outcome

A working prototype that delivers personalized, privacy-preserving educational recommendations and a short evaluation report explaining its strengths and limitations.