Analyse de l'apprentissage humain

Modèles supervisés pour prédire le nombre d'essais VR nécessaires pour apprendre une tâche, à partir des métriques comportementales du premier essai fournies en tableur (mai–juin 2024, ENIB).

Projet académique réalisé avec un camarade français (ENIB).

Python
Pandas
NumPy
Scikit-learn
Seaborn
Matplotlib
Jupyter

Problème

À partir de journaux anonymisés d'une tâche d'apprentissage en réalité virtuelle, prédire le nombre d'essais nécessaires à chaque participant. Les données VR étaient déjà collectées ; le travail portait sur la préparation des features et des modèles généralisables.

Préparation des données

Chargement Excel avec Pandas, tri des essais, et jeu de features du premier essai (temps de manipulation, inactivité, consultation des instructions, erreurs, etc.) pour prédire le nombre total d'essais. EDA (histogrammes, corrélations, scatter, outliers), transformées log1p et split train/test.

Pipeline du tableur à la prédiction — Tableur VR → EDA → features du 1er essai → modèles sklearn → prédiction du nombre d'essais.

Modélisation et évaluation

Comparaison Dummy, régression linéaire, arbre de décision, SVR (GridSearch) et forêt aléatoire avec Scikit-learn. Évaluation par MSE en validation croisée, nuages vrai/prédit et heatmaps Seaborn après arrondi des prédictions. La régression linéaire était la meilleure des baselines initiales ; la précision restait limitée sur ce jeu de données.