Méta-apprentissage et Intelligence Artificielle Générale

Les avancées récentes en intelligence artificielle ont profondément renouvelé les capacités des systèmes d'apprentissage, notamment grâce au méta-apprentissage, à l'apprentissage par renforcement, aux architectures adaptatives et aux modèles capables d'intégrer des connaissances hétérogènes. Ces développements ouvrent la voie à une intelligence artificielle générale (IAG), capable d'apprendre à apprendre, de transférer des connaissances entre contextes et de raisonner sur ses propres mécanismes d'apprentissage. Parallèlement, les sciences de l'éducation et les sciences cognitives contemporaines montrent que l'apprentissage humain est un processus intrinsèquement dynamique, structuré par des propriétés internes telles que la motivation, l'intention, les schémas d'apprentissage, les désirs, les mécanismes de récompense, la régulation de l'effort cognitif et la capacité de transfert. Ces propriétés jouent un rôle central dans la vitesse d'apprentissage, la qualité des connaissances acquises et leur réutilisation dans de nouveaux contextes. Dans un contexte éducatif marqué par un paradoxe persistant - chaque apprenant est unique alors que les dispositifs sont souvent standardisés - l'enjeu est de concevoir des assistants capables d'une personnalisation fine et en temps réel, non seulement sur la base des connaissances explicites, mais aussi à partir de signaux cognitifs et motivationnels (attention, engagement, oubli, effort, confiance). Cette thèse propose de développer un cadre théorique et computationnel de méta-apprentissage, orienté intelligence artificielle générale, intégrant explicitement ces propriétés comme des objets de mo- délisation et de raisonnement. L'objectif est de fonder une théorie de l'assistance aux apprentissages humains dans laquelle un assistant intelligent adapte dynamiquement ses stratégies d'accompagnement, d'évaluation et de transfert en fonction du modèle de l'apprenant et de l'évolution de son contexte.

Méta-apprentissage * IA Générale * Modélisation de l'apprenant * Personnalisation continue * Éducation cognitive * IA explicable (XAI), Nous recherchons un(e) candidat(e) issu(e) d'un M2 ou diplôme d'ingénieur en informatique, data

science, IA ou sciences cognitives computationnelles, en mathématiques avec une forte appétence pour, bases solides en ML/DL;

• intérêt pour les sciences cognitives, les sciences de l'éducation, ou l'optimisation;

• goût pour la modélisation mathématique et pour la modélisation et la programmation;

• des connaissances en méta-apprentissage, RL, modèles séquentiels (RNN/Transformers) consti-

Méta-apprentissage et Intelligence Artificielle Générale pour une théorie computationnelle de l'assistance aux apprentissages humains, Le LITIS, Laboratoire d'Informatique, du Traitement de l'Information et des Systèmes, est une unité de recherche en sciences et technologies de l'information rattachée à l'Université de Rouen Normandie (URN), l'Université Le Havre Normandie (ULHN) et l'Institut National des Sciences Appliquées de Rouen Normandie (INSARN).