Maria Cutumisu

Membre affilié

Professeure agrégée, McGill University

Sujets de recherche

Apprentissage

Apprentissage automatique appliqué

Apprentissage par renforcement

Apprentissage profond

Cognition

Éthique de l'IA

Exploration des données

Grands modèles de langage (LLM)

IA en santé

IA et santé

Interaction humain-IA

Interaction humain-machine (IHM)

Mémoire

Modèles génératifs

Réseaux de neurones profonds

Science des données

Systèmes multi-agents

Théorie de l'apprentissage automatique

Traitement du langage naturel

Site web

Google Scholar

Biographie

Maria Cutumisu est professeure agrégée en sciences de l'apprentissage au département de psychologie de l'éducation et du conseil de la faculté d'éducation de l'Université McGill. Elle est également professeure agrégée au département de psychologie de l'éducation, à la faculté d'éducation de l'Université de l'Alberta. Auparavant, elle était professeure agrégée titulaire au Département de psychologie de l'éducation de l’Université de l’Alberta, où elle a fondé en 2015 son laboratoire en mesure, évaluation et science des données, affilié au Centre for Research in Applied Measurement and Evaluation (CRAME).

Elle détient une maîtrise et 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). En 2025, elle a été incluse dans la liste Elsevier et de l’Université Stanford des 2 % des scientifiques les plus cité·e·s au monde en 2024.

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).