Hybrid Approach Combining Markov, HMM, and RNN to Detect Learning Blockages in Programming Résumé

Understanding the learning process in programming poses a complex challenge due to the sequential and multidimensional nature of students’ interactions with digital environments. This study analyzes the activity logs of 70 beginner computer science students engaged in problem-solving programming tasks to identify encountered difficulties and propose tailored pedagogical interventions.We present a hybrid approach combining Markov Chains to model transitions between types of actions, Hidden Markov Models (HMM) to infer latent learning states (progress, hesitation, blockage), and Recurrent Neural Networks (RNN) enhanced with an attention mechanism to detect critical moments. This combination allows for the simultaneous exploitation of behavioral, cognitive, and sequential dimensions of learning.The methodology involves extracting temporal and structural features from the activity logs, modeling cycles of exploration, hesitation, and blockage, and integrating them into a unified framework to predict learning states. The data comes from several standardized practical work sessions, totaling over 80 MB of timestamped traces, collected with consent and stored in a NoSQL database. Each session is divided into sequences corresponding to coherent problem-solving phases, enabling a fine-grained analysis of learning trajectories.Experimental results show that the proposed hybrid model outperforms traditional approaches, achieving an accuracy of 93.5% and significantly reducing false positives in blockage detection.
The multidimensional analysis offers a richer understanding of learning trajectories, including their invisible dimensions such as unproductive engagement or phases of uncertainty.This research paves the way for intelligent educational platforms capable of providing personalized real-time feedback, sensitive to micro-indicators of activity, cognitive intensity, and individual context, thereby contributing to improved student success and enhanced engagement.

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.

Activity logs programming learning hybrid model RNN HMM Markov chains student difficulties

journaux d’activité apprentissage de la programmation modèle hybride RNN HMM chaînes de Markov difficultés des étudiants