Les avantages des QCM :

Correction rapide et automatique : Les QCM sont faciles à corriger, notamment grâce aux outils numériques. Cela permet de gagner du temps, en particulier lorsqu’il s’agit d’un grand nombre d’apprenants.

Objectivité dans l'évaluation : La correction est objective, car il n’y a pas de subjectivité ou d’interprétation dans la notation. Cela garantit une évaluation équitable pour tous les apprenants.

Large couverture des connaissances : Un QCM permet d'évaluer un large éventail de connaissances en peu de temps. On peut poser des questions sur plusieurs thèmes, offrant ainsi une vision globale du niveau de compréhension de l'apprenant.

Format standardisé : Le format des QCM est facile à comprendre pour les apprenants. Ils savent à quoi s’attendre et comment répondre, ce qui réduit l'anxiété associée à des formes d'évaluation plus ouvertes.

Facilité d’adaptation aux outils numériques : Les QCM sont facilement intégrables dans des plateformes d’apprentissage en ligne, ce qui permet une diffusion et une évaluation à grande échelle.

Évaluation rapide des connaissances factuelles : Les QCM sont particulièrement efficaces pour tester les connaissances de base et factuelles, comme des dates, des définitions ou des concepts simples.

Les inconvénient:

Superficialité de l'évaluation : Les QCM testent souvent des connaissances factuelles ou superficielles, sans permettre d’évaluer des compétences plus complexes, comme la capacité d’analyse, de synthèse ou la résolution de problèmes.

Présence de biais de devinette : Comme les réponses sont fournies sous forme d'options, il est possible pour les apprenants de deviner la bonne réponse, ce qui peut conduire à une évaluation inexacte de leur compréhension réelle du sujet.

Difficulté à tester la créativité et l'originalité : Les QCM ne permettent pas aux apprenants de formuler des réponses originales ou créatives, car ils doivent choisir parmi des options prédéfinies.

Conception exigeante : Rédiger de bonnes questions de QCM qui soient à la fois claires et efficaces pour mesurer des compétences pertinentes peut être complexe et demande un effort considérable de la part des enseignants.

Limitation des compétences évaluées : Les QCM ne sont pas toujours adaptés pour évaluer des compétences pratiques, des capacités rédactionnelles, ou des processus de réflexion détaillés, comme la résolution de problèmes complexes.

Tendance à favoriser la mémorisation : En raison du format de réponse, les QCM peuvent encourager les apprenants à privilégier la mémorisation au détriment de la compréhension profonde ou de l'application des concepts.

Risques de confusion avec les distracteurs : Les distracteurs (réponses incorrectes) mal choisis peuvent semer la confusion et déstabiliser les étudiants, même si ces derniers comprennent bien le sujet.

Avec centreIA, allez au-delà des QCM !

Avec les questions ouvertes sur centreIA, voici les avantages :

Correction rapide et automatique: Tout comme les QCM, avec l’aide de LLM.

Objectivité dans l'évaluation : La correction est objective, elle est basée sur les LLM et leur masse de connaissance.

Large couverture des connaissances : Les questions ouvertes peuvent couvrir un large éventail de connaissances, y compris celles propres à un domaine particulier.

Format standardisé : Une question, une réponse écrite à fournir. Une même question peut couvrir plusieurs questions de QCM.

Facilité d’adaptation aux outils numériques : Les questions ouvertes sont intégrées dans centreIA.

Évaluation rapide des connaissances factuelles : Une réponse est fournie après avoir répondu à la question.

Les inconvénients listés:

Superficialité de l'évaluation : Non, les questions ouvertes peuvent demander un effort de d’analyse, de synthèse...

Présence de biais de devinette : Non, pas de devinette possible.

Difficulté à tester la créativité et l'originalité : Non, les réponses originales ou créatives sont possibles.

Conception exigeante : Non, les questions ouvertes sont plus facile à créer.

Limitation des compétences évaluées : Non, les capacités rédactionnelles, ou processus de réflexion sont possible.

Tendance à favoriser la mémorisation : Non, Le format de réponse est textuel.

Risques de confusion avec les distracteurs : Non, pas de ‘distracteurs’ (réponses incorrectes).

Dans cet article, nous allons explorer un projet fascinant de transformation numérique impliquant une collection massive de 37,000 images, allant des années 1900 jusqu'à aujourd'hui. Ce projet combine des techniques avancées de reconnaissance faciale, de clustering, de réduction de dimension et de création de bases de données vectorielles pour rendre ces souvenirs photographiques facilement accessibles et interrogeables. Voici un aperçu détaillé de ce travail.

Contexte du Projet

La collection initiale comprenait 37,000 images, dont beaucoup avaient été récupérées d'albums de photos physiques. Ces images couvrent plus d'un siècle d'histoire, et pour beaucoup d'entre elles, il a été nécessaire de rechercher et d'identifier les personnes représentées, en particulier pour les plus anciennes.

Reconnaissance Faciale pour l'Identification

Pour identifier les personnes sur les photos, nous avons utilisé des logiciels de reconnaissance faciale. Ces outils ont permis de détecter et de marquer automatiquement les visages, facilitant ainsi l'organisation des images par individu et par groupe familial.

Clustering et Réduction de Dimension

Techniques Utilisées

Nous avons appliqué des techniques de clustering pour regrouper les images en fonction de thèmes similaires. Deux méthodes principales ont été utilisées :

1. UMAP (Uniform Manifold Approximation and Projection) : Cette technique de réduction de dimension permet de projeter des données de haute dimension en deux ou trois dimensions pour faciliter la visualisation des clusters.
2. k-means : Un algorithme de clustering classique qui regroupe les données en k clusters en minimisant la variance au sein de chaque cluster.

Visualisation

Les librairies UMAP et k-means ont été utilisées conjointement pour créer des visualisations intuitives des regroupements. Ces visualisations permettent de voir clairement comment les images se répartissent en différents clusters thématiques.

Création d'Embeddings et Recherche Avancée

Pour chaque image, nous avons créé un embedding, une représentation vectorielle qui capture les caractéristiques essentielles de l'image. Ces embeddings ont été stockés dans une base de données vectorielle, facilitant ainsi des recherches complexes et rapides.

Recherche par Exemples

Grâce aux embeddings, il est possible de réaliser des recherches sophistiquées. Par exemple, une requête telle que "photo avec un enfant au bord de la mer le soleil qui brille un parasol" permet de retrouver instantanément toutes les images correspondant à ces critères. Cela est rendu possible par l'utilisation de la base de données vectorielle qui contient les embeddings des images.

Conclusion

Ce projet démontre comment des technologies avancées de machine learning et de traitement d'images peuvent transformer une vaste collection de photos historiques en une ressource numérique précieuse et facilement accessible. Le clustering, la réduction de dimension et la création d'embeddings ont permis de structurer, visualiser et interroger efficacement les images, ouvrant ainsi de nouvelles possibilités pour la gestion et la préservation du patrimoine photographique.

Nous espérons que cet article vous a offert un aperçu inspirant des défis et des solutions techniques impliqués dans ce projet. Si vous avez des questions ou souhaitez en savoir plus, n'hésitez pas à nous contacter.

------------------------------------------------------------------------------------------------

Découvrez comment nous avons transformé 37,000 images historiques en un trésor numérique 📸

Grâce à des techniques de clustering avancées et à la reconnaissance faciale, nous avons rendu ces souvenirs accessibles et faciles à rechercher 🔍

Plongez dans notre démarche innovante et voyez comment nous utilisons des bases de données vectorielles pour optimiser la recherche d'images précieuses 🌐

#Innovation #DataScience #MachineLearning #PhotoClustering #Fintech #DigitalTransformation #HeritagePreservation #TechForGood #AI #ImageProcessing