Search

La modélisation de l’usager dans les systèmes interactifs plus particulièrement dans les systèmes interactifs d’apprentissage humain, s’apparente à un processus de construction de sa représentation synthétique tel que vu par ces systèmes. On souhaite à terme, qu’au-delà de ce niveau de représentation, le modèle permette aussi d’établir certains liens de cause à effet et présente par conséquent une adéquation explicative. Cette modélisation consiste essentiellement en trois processus : (1) le traçage de modèle : savoir ce que fait l’usager, (2) la prédiction des actions de l’usager selon les connaissances qu’il possède, et (3) le traçage des connaissances : évaluer ce que l’usager a appris. Cette modélisation est généralement utilisée pour permettre (4) l’adaptation dans les systèmes interactifs. Bien que la modélisation des usagers dans les systèmes interactifs soit centrale à leur efficacité, trop souvent elle est incomplète ou incertaine. Dans cette thèse, nous proposons une amélioration de la modélisation des processus (2), (3) et dans une certaine mesure (4) au moyen des techniques d’apprentissage profond. Ces techniques qui n’étaient jusqu’alors pas assez exploitées dans ce domaine, permettent d’extraire des représentations latentes utiles à la discrimination et à la prédiction. Nous proposons un cadre facilitant une modélisation précise de l’usager, et une approche d’adaptation simplifiée. La première solution proposée est un algorithme permettant une optimisation de l’apprentissage dans les architectures profondes, afin de leur rendre propice à la modélisation de l’usager. La deuxième solution est une architecture hybride permettant de combiner les connaissances expertes et les données collectées, pour l’amélioration des modèles visant la prédiction de comportements. La troisième solution est une amélioration du traçage profond des connaissances (Deep Knowledge Tracing), qui prends en compte des compétences rares. La quatrième solution est une architecture multimodale permettant de fusionner intelligemment les différentes modalités (lorsque disponibles) du comportement de l’usager. Finalement la dernière solution est une technique d’extraction automatique des règles de production à l’aide d’un arbre de décision et d’un réseau de neurones, pour des fins d’adaptation. Toutes ces solutions ont été testées dans plusieurs cadres applicatifs, à l’instar d’un jeu sérieux pour l’apprentissage du raisonnement socio-moral. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Intelligence artificielle, apprentissage profond, modélisation de l’usager, systèmes d’apprentissage humain, système tutoriel intelligent, jeux sérieux.

Cette thèse porte sur les jeux sérieux éducatifs (JSÉ). En tant qu'environnements informatiques pour l'apprentissage humain (EIAH), les JSÉ doivent adapter leur contenu à la progression de l'apprentissage chez le joueur-apprenant (JA) et, en tant que jeux vidéo, ils doivent chercher à maintenir son engagement dans cette expérience d'apprentissage. Dans un JSÉ, les tâches que réalise le JA ainsi que les rétroactions que fournit le système forment le scénario pédagogique de jeu (SPJ). Cette thèse se focalise sur l'adaptation de ces SPJ à la progression de l'apprentissage du JA, tout en le maintenant engagé. Nous proposons une architecture de génération automatique des SPJ principalement composée d'un modèle du JA et d'un module d'adaptation. Le modèle du JA est soutenu par un réseau bayésien, dont le rôle est d'estimer la progression de l'apprentissage en cours de jeu, afin d'envoyer cette estimation au module d'adaptation, qui, grâce à la technique d'intelligence artificielle de la planification, génère le contenu du SPJ. Nous avons mis en œuvre notre architecture dans un JSÉ de simulation appelé Game of Homes, visant le développement de compétences de base en vente immobilière chez des apprenants adultes. Afin d'évaluer empiriquement notre architecture, nous avons effectué deux expérimentations au cours desquelles nous demandions à des participants de jouer à Game of Homes. Dans une première expérimentation, quatorze participants ont rempli un test de connaissances un jour avant et un jour après la session de jeu. Ils ont également rempli un questionnaire de motivation et d'engagement immédiatement après la partie. Dans une deuxième expérimentation, dix-huit participants ont participé à une session de Game of Homes, et leurs traces enregistrées lors de la partie ont été recueillies. Les résultats des expérimentations montrent que les participants, après avoir joué à Game of Homes, ont développé les connaissances associées aux compétences ciblées dans le JSÉ de simulation, tout en se sentant engagés lors de leur expérience de jeu. De plus, les analyses des traces montrent que les SPJ générés par le système étaient adaptés pour chaque JA et respectaient leur progression d'apprentissage. L'architecture de génération automatique de SPJ présentée dans cette thèse permet non seulement de proposer une démarche d'apprentissage s'adaptant à la progression du JA, mais aussi de révéler des données détaillées sur la démarche de chaque JA qui peuvent être utiles au formateur. Notre architecture pourrait être mise en œuvre dans d'autres JSÉ de simulation et donc s'appliquer à d'autres domaines d'expertise. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : jeux sérieux éducatifs de simulation, scénario pédagogique de jeu, système adaptatif d'apprentissage, engagement du joueur-apprenant, développement des compétences, génération automatique de scénarios, réseau bayésien, planification en intelligence artificielle, analyse de traces.