Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français français
CORDIS - Résultats de la recherche de l’UE
CORDIS

Hybrid Human-AI Regulation: Supporting Young Learners' Self-Regulated Learning

Description du projet

De nouvelles façons de développer des compétences d’apprentissage autorégulé dans la technologie d’apprentissage adaptatif

La technologie d’apprentissage adaptatif (TAA) fonctionne sur des tablettes et est largement utilisée pour l’arithmétique et l’orthographe dans les écoles d’Europe et d’ailleurs. Si les TAA optimisent l’apprentissage en fonction des données de performance des apprenants, elles ne parviennent pas à soutenir l’apprentissage autorégulé (AAR), qui est orienté vers un objectif, conscient et central à la motivation d’apprentissage. Dans cette optique, le projet HHAIR, financé par l’UE, développera une mesure avancée de l’AAR et des algorithmes pour piloter une régulation hybride afin de développer les compétences d’AAR des TAA. Plus précisément, il soutiendra l’optimisation de l’apprentissage et du transfert (apprentissage profond) et le développement de compétences en matière d’AAR pour l’apprentissage tout au long de la vie. HHAIR est novateur en ce qu’il développe les premiers systèmes hybrides pour former l’intelligence artificielle à des compétences d’AAR humaines.

Objectif

Hybrid systems combining artificial and human intelligence hold great promise for training human skills. I propose to develop Hybrid Human-AI Regulation (HHAIR) to develop learners’ Self-Regulated Learning (SRL) skills within Adaptive Learning Technologies (ALTs). HHAIR targets young learners (10-14 years) for whom SRL skills are critical in today’s society. Many of these learners use ALTs to learn mathematics and languages every day in school. ALTs optimize learning based on learners’ performance data but even the most sophisticated ALTs fail to support SRL. In fact, most ALTs take over (offload) control and monitoring from learners. HHAIR on the other hand aims to gradually transfer regulation of learning from AI-regulation to self-regulation. Learners will increasingly regulate their own learning progressing through different degrees of hybrid regulation. In this way HHAIR supports optimized learning and transfer (deep learning) and development of SRL skills for lifelong learning (future learning). This project is ground-breaking in developing the first hybrid systems to train human SRL skills with AI.

The design of HHAIR resolves four scientific challenges: i) identify individual learner’s SRL during learning; ii) design degrees of hybrid regulation; iii) confirm effects of HHAIR on deep learning; and iv) validate effects of HHAIR on SRL skills for future learning. The four design challenges are addressed by investigating ALTs’ trace data in exploratory studies (WP1), applying these insights to develop HHAIR in design studies (WP2), investigating immediate effects on deep learning in short-term field studies (WP3) and effects on SRL-skills for future learning in long-term field studies (WP4). The AI@EDU infrastructure will connect HHAIR to ALTs used daily in schools across Europe. The project will develop advanced measurement of SRL and algorithms to drive hybrid regulation for developing SRL skills in ALTs.

Mots‑clés

Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).

Programme(s)

Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.

Thème(s)

Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.

Régime de financement

Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.

ERC-STG - Starting Grant

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.

(s’ouvre dans une nouvelle fenêtre) ERC-2020-STG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

STICHTING RADBOUD UNIVERSITEIT
Contribution nette de l'UE

La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.

€ 1 499 248,00
Adresse
HOUTLAAN 4
6525 XZ Nijmegen
Pays-Bas

Voir sur la carte

Région
Oost-Nederland Gelderland Arnhem/Nijmegen
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total

Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.

€ 1 499 248,00

Bénéficiaires (1)

Mon livret 0 0