|
Projet AGATE |
Titre : AGATE
(an Approach for Genericity in Assistance To complEx tasks). Ce projet
vise à proposer des modèles génériques et des outils unifiés
pour permettre la mise en place de systèmes d’assistance dans des
applications existantes, que nous appelons applications-cibles. Chaîne Youtube
Collaborateurs principaux : Stéphanie Jean-Daubias, Pierre-Antoine Champin, Marie Lefevre, Simone Stumpf, Nicolas Bravin
Contextes :
- Thèse de doctorat entre octobre 2011 et septembre 2014, «
Modèles et outils génériques pour mettre en place des systèmes
d’assistance épiphytes », encadrée par Stéphanie Jean Daubias
(Directrice), Pierre-Antoine Champin et Sylvie Calabretto
Sujet : L’assistance aux utilisateurs est l’une des
solutions pour pallier les difficultés de prise en main et
d’utilisation des applications informatiques. De tels dispositifs
permettent d’éviter la sous-exploitation ou le rejet du logiciel.
Cependant, le développement d’un système d’assistance adapté
à une application est une tâche complexe et coûteuse, souvent
négligée par les concepteurs d’applications informatiques. Une
personne autre que le concepteur de l’application peut alors
souhaiter adjoindre un système d’assistance à une application
qui en est dépourvue, ou qui possède un système d’assistance
incomplet. Le code source de l’application est la plupart du temps
non disponible dans le cas où le concepteur de l’assistance n’est
pas le concepteur de l’application-cible ; il n’est alors pas
possible d’intégrer directement un système d’assistance dans
l’application, de plus, le concepteur de l'assistance n'est pas
nécessairement un informaticien. Une alternative à l’approche
classique de développement d’un module d’assistance intégré dans
une application consiste à adopter une démarche épiphyte pour
permettre a posteriori la spécification et l’exécution d’un
système d’assistance dans une application existante sans avoir
à la modifier. Nous proposons un processus d'adjonction de
systèmes d'assistance personnalisés dans une application existante de
manière épiphyte. Ce processus est constitué de deux phases : la
spécification de l'assistance qui concerne le concepteur de
l'assistance et l'exécution de l'assistance pour les utilisateurs
finaux de l'application. Nous proposons également aLDEAS (a Language
to Define Epi-Assistance Systems) un langage qui permet de spécifier
l'assistance souhaitée pour une application-cible quelconque sous la
forme d'un ensemble de règles d'assistance.
Nous avons mis en œuvre nos propositions au sein du système SEPIA
(Specification and Execution of Intelligent Assistance), constitué
d'un éditeur d'assistance et d'un moteur générique d'assistance
complété par un ensemble de détecteurs qui permettent d'observer en
temps réel une application-cible et par un ensemble d'assistants
capables de réaliser des actions d'assistance dans une
application-cible de manière épiphyte.
- Collaboration avec Simone Stumpf entre octobre 2014 et juin 2015, « Assistance proactive : comment fournir la bonne assistance au bon moment »
Sujet : Les systèmes d’assistance traditionnels sont
souvent réactifs : l’utilisateur doit prendre conscience de son
besoin d’assistance et être en mesure de l’identifier ou le
caractériser afin d’exploiter au mieux le système d’assistance.
Au contraire, un système d’assistance proactif peut intervenir
lorsqu’un besoin d’assistance est détecté. La mise en place
d’un système d’assistance proactif soulève néanmoins deux
principaux défis : l’identification de la tâche de l’utilisateur,
sans quoi l’assistance ne sera ni efficace ni bienvenue ; et la
détection d’un besoin d’assistance, intervenir alors que
l’utilisateur n’en ressent pas le besoin rendrait l’assistance
intrusive et risquerait d’interrompre l’utilisateur dans sa tâche,
alors qu’une intervention trop tardive risque de générer de la
frustration chez l’utilisateur et entraîner un abandon de la tâche.
Nous proposons la mise en place de systèmes d’assistance
s’appuyant sur des traces. Afin d’identifier la tâche de
l’utilisateur et d’anticiper la prochaine action que
l’utilisateur doit faire pour réaliser cette tâche, le système
d’assistance compare la trace courante de l’utilisateur avec des
traces générées par le concepteur de l’assistance. Un besoin
d’assistance peut être détecté en fonction de la durée entre deux
actions ou du nombre d’actions ne correspondant pas à la trace
générée par le concepteur.
- Collaboration entre le laboratoire LIRIS et la société Aidaxis depuis novembre 2017,
« Adaptation de l’assistance aux spécificités des ERP et aide
à la conception et à l’amélioration de l’assistance»
Sujet : L’objectif de cette collaboration est de
développer l’intelligence artificielle du système SEPIA. Pour cela,
nous souhaitons proposer des techniques d’analyse des traces pour
identifier des besoins d’assistance ou évaluer la pertinence de
l’assistance qui a été proposée dans le but de faciliter la
conception et l’amélioration de l’assistance par l’expert. Nous
souhaitons également permettre l’intégration et l’exploitation de
davantage de connaissances issues de sources hétérogènes, telles que
des bases de données ou des connaissances métiers (procédures
écrites, vidéos,…). Enfin, nous souhaitons permettre la
génération automatique d’assistance, qu’il s’agisse
d’assistance proactive ou à la demande de l’utilisateur, en
nous appuyant sur une base de traces. Ceci implique notamment de
pourvoir identifier la tâche de l’utilisateur, détecter un
éventuel besoin d’assistance et de savoir générer une assistance
adaptée à la situation et à l’utilisateur.
|
Projet européen LEA's Box |
Titre : LEA’s BOX : a Learning Analytics toolbox (FP7-619762)
Collaborateurs principaux : Susan Bull, Chris Baber, Michael Kickmeier-Rust, Ali Turker
Sujet :
Ce travail de recherche se situe dans le contexte du projet européen
FP7-619762 LEA’s Box (Learning Analytics Toolbox). Il concerne plus
particulièrement la composante modèle ouvert de l’apprenant, qui
permet aux apprenants et aux enseignants de visualiser sous
différentes formes le modèle de l’apprenant, construit Ã
partir de traces d’activités pédagogiques pouvant provenir de
différentes sources.
Un modèle de persuasion a été conçu et développé dans le but de
permettre un maintien interactif du modèle, de le rendre plus précis
et d’encourager la réflexivité dans l’apprentissage. En cas de
désaccord entre le système et l’apprenant sur le contenu du
modèle, cette fonctionnalité, paramétrée par l’enseignant, permet
à un apprenant de s’autoévaluer et de justifier son point de
vue afin de persuader le système de modifier le contenu de son
modèle. Plusieurs visualisations ont également été ajoutées, afin
notamment de permettre de visualiser l’évolution du modèle Ã
travers le temps ou les liens entre les activités et les compétences.
Enfin, plusieurs évaluations ont été menées auprès d’apprenants
du niveau secondaire à universitaire, ainsi que leurs
enseignants.
|
Travail d'Etude et de Recherche |
Titre : PERLEA (Profils d'Elèves Réutilisés pour L'Enseignant et l'Apprenant)
Collaborateurs principaux : Stéphanie Jean-Daubias, Marie Lefevre
Contextes :
- Travail d’étude et de Recherche de Master 1 entre décembre 2009 et janvier 2010, « Évolution du concept de profils évolutifs dans le cadre du projet PERLEA », encadrée par Stéphanie Jean Daubias
Sujet : Évolution théorique du langage de modélisation de
profils PMDL, proposé dans le cadre de la thèse de Carole
Eyssautier-Bavay : prise en compte de l’évolutivité des profils
d’apprenants, modification de la représentation en BNF et de la
représentation graphique, ajout d’une représentation xml. Extension
du modèle de contraintes sur profils cPMDL, proposé dans le cadre de
la thèse de Marie Lefevre. Propositions d’opérateurs sur profils.
Mise en œuvre de ces propositions théoriques au sein de l’EIAH
EPROFILEA, développement en langage Delphi.
- Stage de Master 2 Recherche entre février 2011 et juillet 2011,
« Modèles et outils pour une visualisation de profils d'apprenants
personnalisable et adaptable », encadrée par Stéphanie Jean Daubias
Sujet : Dans la lignée des recherches sur le modèle
ouvert de l’apprenant, de plus en plus d’Environnements
Informatiques pour l’Apprentissage Humain (EIAH) permettent aux
utilisateurs de visualiser les profils d’apprenants, et d’effectuer
certaines activités autour de leur visualisation : négociation du
contenu, auto-évaluation, comparaison avec d’autres profils… Ces
activités s’adressent à différents acteurs de
l’apprentissage : elles permettent par exemple aux apprenants
d’avoir une démarche réflexive sur leur apprentissage et aux
enseignants de suivre la progression de leurs élèves et de repérer
les difficultés de chacun. Nous nous sommes intéressées à la
personnalisation de ces activités, d’une part en fonction des
connaissances et compétences des apprenants, et d’autre part en
fonction des particularités de chaque utilisateur, de ses capacités
et éventuels handicaps, ainsi que ses préférences. Ce travail de
recherche a notamment abouti à la proposition du modèle de
personnalisation des activités sur les profils PERSUMAP et de sa mise
en œuvre dans l’environnement EPROFILEA, mise à l’essai avec
des apprenants en situation réelle.
|
|