Open Access

Ahcène Boubekki

• Online behaviors analysis consists of extracting patterns from server-logs. The works presented here were carried out within the “mBook” project which aimed to develop indicators of the quantity and quality of the learning process of pupils from their usage of an eponymous electronic textbook for History. In this thesis, we investigate several models that adopt different points of view on the data. The studied methods are either well established in the field of pattern mining or transferred from other fields of machine learning and data-mining. We improve the performance of archetypal analysis in large dimensions and apply it to unveil correlations between visibility time of particular objects in the e-textbook and pupils’ motivation. We present next two models based on mixtures of Markov chains. The first extracts users’weekly browsing patterns. The second is designed to process essions at a fine resolution, which is sine qua non to reveal the significance of scrolling behaviors. We also propose a new paradigm for online behaviors analysis that interprets sessions as trajectories within the page-graph. In this respect, we establish a general framework for the study of similarity measures between spatio-temporal trajectories, for which the study of sessions is a particular case. Finally, we construct two centroid-based clustering methods using neural networks and thus lay the foundations for unsupervised behaviors analysis using neural networks. Keywords: online behaviors analysis, educational data mining, Markov models, archetypal analysis, spatio-temporal trajectories, neural network
• Die Online-Verhaltensanalyse beschäftigt sich mit der Extraktion von Mustern aus Server-Logs. Die hier vorgestellten Arbeiten wurden im Kontext des ”mBook“-Projekts durchgeführt, das zum Ziel hat, Indikatoren für Qualität und Quantität von Lernprozessen von Schülern zu entwickeln, die auf deren Nutzung eines elektronischen Lehrbuchs für das Fach Geschichte basieren. Wir untersuchen mehrere Modelle, die unterschiedliche Sichtweisen auf die Daten einnehmen. Die verwendeten Methoden sind entweder bereits im Gebiet des pattern mining etabliert oder wurden aus anderen Bereichen des maschinellen Lernens und des Data Mining übertragen. Wir verbessern die Leistungsfähigkeit der Archetypenanalyse für hochdimensionale Daten decken mit ihrer Hilfe Zusammenhänge zwischen der Sichbarkeitszeit von bestimmten Objekten im elektronischen Lehrbuch und Lernmotivation der Nutzer auf. Wir stellen außerdem zwei Mixturmodelle auf der Basis von Markow-Ketten vor. Das erste dient zur Extraktion von Mustern im wöchentlichen Browsing-Verhalten der Nutzer. Das zweite verarbeitet Sessions auf eine feiner-granulären Ebene, und erlaubt so, bedeutsame Verhaltensweisen im Scrolling aufzuzeigen. Wir stellen des Weiteren ein neues Paradigma der Online-Verhaltensanalyse vor, das Sessions als Trajektorien von Nutzern im Seitengraph interpretiert. In dieser Hinsicht schaffen wir einen Rahmen für die Untersuchung von Maßen für die Ähnlichkeit von räumlich-zeitlichen Trajektorien, in welchem die Analyse von Sessions einen Spezialfall darstellt. Schlussendlich demonstrieren wir zwei Clusteringverfahren mittels entroidbasierter neuronaler Netze und legen damit die Grundlagen für unüberwachte Mustererkennung unter Verwendung neuronaler Netze. Schlüsselwörter: Online-Verhaltensanalyse, Bildungsdatenanalyse, Markow-Modelle, Archetypenanalyse, räumlich-zeitlich Trajektorien, künstliches neuronales, Netz