@ARTICLE{10.21494/ISTE.OP.2026.1447, 

TITLE={Une approche hybride combinant Markov, HMM et RNN pour détecter les blocages des étudiants dans l’apprentissage de la programmation}, 
  
AUTHOR={Grota Abdelkader
, Mohammed Erritali
, Patrick Etcheverry
, Thierry Nodenot, }, 
	
JOURNAL={Revue ouverte d’ingénierie des systèmes d’information}, 
	
VOLUME={6}, 

NUMBER={Numéro spécial INFORSID 2025}, 
	
YEAR={2026}, 

URL={https://openscience.fr/Une-approche-hybride-combinant-Markov-HMM-et-RNN-pour-detecter-les-blocages-des}, 
	
DOI={10.21494/ISTE.OP.2026.1447}, 
	
ISSN={2634-1468}, 
	
ABSTRACT={Comprendre le processus d’apprentissage en programmation constitue un défi complexe en raison de la nature séquentielle et multidimensionnelle des interactions des étudiants avec les environnements numériques. Cette étude analyse les journaux d’activité de 70 étudiants débutants en informatique, placés en situation de résolution de problèmes de programmation, afin de détecter les difficultés rencontrées et de proposer des interventions pédagogiques adaptées. Nous présentons une approche hybride combinant des Chaînes de Markov pour modéliser les transitions entre types d’actions, des Modèles Cachés de Markov (HMM) pour inférer les états latents d’apprentissage (progression, hésitation, blocage) et des Réseaux Neuronaux Récurrents (RNN) enrichis d’un mécanisme d’attention pour repérer les moments critiques. Cette combinaison permet d’exploiter simultanément les dimensions comportementale, cognitive et séquentielle de l’apprentissage. La méthodologie consiste à extraire des caractéristiques temporelles et structurelles des journaux d’activité, à modéliser les cycles d’exploration, d’hésitation et de blocage, et à les intégrer dans un cadre unifié pour prédire les états d’apprentissage. Les données proviennent de plusieurs sessions standardisées de travaux pratiques, totalisant plus de 80 MB de traces horodatées, collectées avec le consentement des participants et stockées dans une base NoSQL. Chaque session est divisée en séquences correspondant à des phases cohérentes de résolution de problème, permettant une analyse fine des trajectoires d’apprentissage.Les résultats expérimentaux montrent que le modèle hybride proposé surpasse les approches traditionnelles, et atteignant une précision de 93,5% et réduisant significativement les faux positifs dans la détection de blocages. L’analyse multidimensionnelle offre une compréhension plus riche des trajectoires d’apprentissage, y compris dans leurs dimensions invisibles telles que l’engagement non productif ou les phases de flottement.Cette recherche ouvre la voie à des plateformes éducatives intelligentes capables de fournir un feedback personnalisé en temps réel, sensible aux micro-indicateurs d’activité, à l’intensité cognitive et au contexte individuel, contribuant ainsi à une meilleure réussite et un engagement renforcé des étudiants.}}