Portrait de Maria Cutumisu

Maria Cutumisu

Membre affilié
Professeur associé, McGill University
Sujets de recherche
Apprentissage automatique appliqué
Apprentissage par renforcement
Apprentissage profond
Éthique de l'IA
Grands modèles de langage (LLM)
IA et santé
Modèles génératifs
Théorie de l'apprentissage automatique
Traitement du langage naturel

Biographie

Maria Cutumisu est professeure associée en sciences de l'apprentissage au département de psychologie de l'éducation et du conseil de la faculté d'éducation de l'Université McGill. Auparavant, elle était professeure agrégée permanente au département de psychologie de l'éducation, à la faculté d'éducation de l'Université de l'Alberta, où elle a créé son laboratoire en 2015 dans le domaine de la mesure, de l'évaluation et de la science des données, affilié au Centre for Research in Applied Measurement and Evaluation (CRAME). Elle est également professeure adjointe au département d'informatique de la faculté des sciences de l'Université de l'Alberta. Elle est titulaire d'une maîtrise et d'un doctorat en informatique du département d'informatique de l'université de l'Alberta et a suivi une formation postdoctorale en sciences de l'apprentissage au laboratoire AAA de la Stanford Graduate School of Education.

Ses recherches s'appuient sur l'informatique et la psychologie de l'éducation et ont été financées par des subventions et des bourses des trois conseils en tant que chercheuse principale (DG du CRSNG, BESC-D du CRSNG, IG du CRSH et IDG du CRSH) et en tant que cochercheuse principale (IG du CRSH, IDG du CRSH, CREATE du CRSNG et IRSC). Ses recherches portent sur le traitement de la rétroaction et la mémoire (subventions IDG du CRSH), l'apprentissage machine et l'exploration de données éducatives pour la génération automatisée de rétroaction (DG du CRSNG), les évaluations basées sur le jeu qui soutiennent l'apprentissage et l'apprentissage basé sur la performance (subventions IG du CRSH), la pensée computationnelle et la maîtrise des données (subventions CanCode Callysto, tests CCTt et IG du CRSH), l'IA dans les jeux (apprentissage par renforcement dans les jeux de rôle informatiques) et les comportements des personnages non joueurs (CGS-D du CRSNG), et les jeux sérieux (le jeu RETAIN pour la réanimation néonatale ; FRQS). Elle utilise l'analyse de l'apprentissage pour étudier l'impact des choix des étudiants de la maternelle à la 16e année (par exemple, la volonté de demander un retour critique et de réviser) et l'état d'esprit sur les résultats d'apprentissage dans une évaluation en ligne basée sur le jeu afin de comprendre dans quelle mesure les étudiants sont prêts à apprendre et à innover. Elle utilise la technologie psychophysiologique (suivi des yeux et activité électrodermale) pour mieux comprendre les processus d'apprentissage et de mémorisation des étudiants (SSHRC IDG, Killam).

Publications

Predicting the Mathematics Literacy of Resilient Students from High‐performing Economies: A Machine Learning Approach
Yimei Zhang
Predictive Modeling of Body Image Dissatisfaction in People With Type 1 Diabetes
COURTNEY SOUTH
SHAHRYAR EBRAHIMI
ANNE-SOPHIE BRAZEAU
Predictive Modeling of Body Image Dissatisfaction in People With Type 1 Diabetes
COURTNEY SOUTH
SHAHRYAR EBRAHIMI
A. Brazeau
Predicting teachers’ research reading: A machine learning approach
Mehrdad Yousefpoori-Naeim
Surina He
Ying Cui
A Randomized Controlled Simulation Trial of a Neonatal Resuscitation Digital Game Simulator for Labour and Delivery Room Staff
Christiane Bilodeau
Georg M. Schmölzer
Using machine learning to predict student science achievement based on science curriculum type in TIMSS 2019
Yajie Song
Using machine learning to predict student science achievement based on science curriculum type in TIMSS 2019
Yajie Song
Cognitive, interpersonal, and intrapersonal deeper learning domains: A systematic review of computational thinking
Hao-Yue Jin
Assessing Numerical Analysis Performance with the Practi Mobile App
Kristin Garn
Raymond J. Spiteri
The Effects of a Digital Game Simulator versus a Traditional Intervention on Paramedics’ Neonatal Resuscitation Performance
Georg M. Schmölzer