EPFL Logo
fr|en
Se Connecter
Unité

Laboratoire d'intelligence artificielle pour l'éducation

Laboratoire
Résumé

Le Laboratoire d'Intelligence Artificielle pour l'Education (ML4ED) de l'EPFL se concentre sur la recherche à l'intersection de l'apprentissage automatique, de l'extraction de données et de l'éducation. Ils développent des modèles et des algorithmes pour créer des outils d'apprentissage hautement personnalisés, visant à optimiser le transfert des connaissances et à favoriser les compétences de pensée critique. Le laboratoire accueille le Digital Vocational Education and Training Hub, dédié à la recherche sur la transformation numérique de l'enseignement professionnel. Leurs projets comprennent la collaboration avec les acteurs de la FEP pour développer des méthodes didactiques innovantes et des solutions technologiques éducatives. De plus, ils offrent aux étudiants des projets d'extraction de données et d'apprentissage automatique pour les écosystèmes éducatifs, mettant l'accent sur la conception axée sur l'utilisateur et l'essai continu d'innovations éducatives.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Personnes associées (14)
Afficher plus
Publications associées (32)

Enhancing Procedural Writing Through Personalized Example Retrieval: A Case Study on Cooking Recipes

Antoine Bosselut, Jibril Albachir Frej, Paola Mejia Domenzain, Luca Mouchel, Tatjana Nazaretsky, Seyed Parsa Neshaei, Thiemo Wambsganss

Writing high-quality procedural texts is a challenging task for many learners. While example-based learning has shown promise as a feedback approach, a limitation arises when all learners receive the same content without considering their individual input ...
2024

GELEX: Generative AI-Hybrid System for Example-Based Learning

Jibril Albachir Frej, Aybars Yazici

Traditional example-based learning methods are often limited by static, expert-created content. Hence, they face challenges in scalability, engagement, and effectiveness, as some learners might struggle to relate to the examples or find them relevant. To a ...
Association for Computing Machinery2024

Infusing structured knowledge priors in neural models for sample-efficient symbolic reasoning

Mattia Atzeni

The ability to reason, plan and solve highly abstract problems is a hallmark of human intelligence. Recent advancements in artificial intelligence, propelled by deep neural networks, have revolutionized disciplines like computer vision and natural language ...
EPFL2024
Afficher plus

Copyright © 2025 EPFL, tous droits réservés

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.