YUAN FAN ZHANG

MODLISATION DE LAPPRENANT
DANS LE CADRE DUN
ENVIRONNEMENT INFORMATIQUE
POUR LAPPRENTISSAGE HUMAIN
OFFRANT DES CONSEILS PERSONNALISS





Mmoire prsent
la Facult des tudes suprieures de l'Universit Laval
dans le cadre du programme de matrise en informatique
pour lobtention du grade de matre s sciences (M. Sc.)






DPARTEMENT DINFORMATIQUE ET DE GNIE LOGICIEL
FACULT DE SCIENCES ET GNIE
UNIVERSIT LAVAL
QUBEC




2010


Yuan Fan Zhang, 2010

i
Rsum
Nous avons labor un Modle de lApprenant (MA) dans le but de donner des conseils
personnaliss en fonction des connaissances de lapprenant dans le cadre des
Environnements Informatiques pour lApprentissage Humain (EIAH) partir dexemples.
Le MA propos contient cinq catgories de paramtres : les donnes personnelles, les
caractristiques de l'apprenant, l'tat d'apprentissage, les interactions entre l'environnement
et l'apprenant et les connaissances de l'apprenant. Notre travail a t effectu laide de la
mthode CommonKADS. Un prototype montre notamment sa reprsentation et l'algorithme
de l'valuation des connaissances de l'apprenant. Une valildation de cette valuation a
permis de vrifier le bon fonctionnement du prototype. Un cadre gnrique pour modliser
les connaissances de lapprenant pour un EIAH en gnral a aussi t dvelopp. Ce
modle pourrait servir dun guide pour faciliter le dveloppement de MA qui aident
amliorer lintelligence des EIAH.

ii
Abstract
We elaborated a Learner Model (LM) that allows the environment to give personalized
advices according to a learners knowledge. The elaboration is regarding to the learning-by-
examples environments. The LM we proposed contains five categories of parameters:
personal data, learners characteristics, learning state, learners interactions with the system,
and learners knowledge. Our model was designed based on CommonKADS. A prototype
demonstrates especially its representation and the algorithm of assessing the learners
knowledge. A validation on this assessment alowed to verify the good functioning of the
prototype. A generic framework for modeling learners knowledge in a general learning
environment is also developed. The model could serve as a guideline to facilitate
developments of LM, which help to improve the intelligence of the environments.

iii
Extended Abstract
The development of information technology promotes applications of the E-Learning in
daily life. One of the main objectives in developing the learning environments is to help
learners during the learning periods. One way of helping is to provide learners advices.
These advices should be relevant and significant for learning, which requires the system to
have a capacity to adapt its interactions with the learner accordingly. Researchers have
proposed to build a Learner Model (LM), which contains the information about the learner,
such as learners knowledge level in the subject, the characteristics of learners cognitive
process, etc. However, what parameters will allow the environment to provide personalized
assistances, and how should these parameters be used in order to carry out these tasks? To
our knowledge, these methodological aspects are barely provided with specific details,
especially for these environments based on learning by means of examples. In this master
thesis, we elaborated a LM that allows the environment to give personalized advices
according to a set of learners parameters. This functionality is realized by recording and
exploiting the learners information during the learning process. The elaboration is
regarding to the learning-by-examples environments, such as Sphinx, an environment used
presently for the undergraduate course of Artificial Intelligence in our department. The
advices, which are adapted to the learners situation, can be a recommendation about the
choice of examples to study or revise. Our model was designed based on CommonKADS, a
prominent knowledge-engineering methodology. The LM we proposed contains five
categories of parameters: personal data, learners characteristics, learning state, learners
interactions with the system, and learners knowledge. A prototype demonstrates the
essential aspects of this model, including its representation and the algorithm of assessing
the learners knowledge. A validation on this assessment alowed to verify the good
functioning of the prototype. A generic framework for modeling learners knowledge in a
general learning environment is also developed. The proposed model could be considered
as an example for the LM designed for learning-by-examples environments. Moreover, the
generic framework of modeling could be served as a guideline to facilitate future
developments of other LM, which help to improve the intelligence of the environments.

iv
Avant-Propos

Tout d'abord, je voudrais remercier mes deux directrices de recherche, Dr Laurence Capus
et Dr Nicole Tourigny, pour m'avoir initie la recherche avec un sujet si passionnant ainsi
que pour mavoir aide dvelopper mon raisonnement par leurs judicieux conseils. Mes
mots ne sont pas assez forts pour qualifier leur aide, leur patience et leur disponibilit au
cours de ce travail. Je leur dirais encore une fois tout simplement merci.

Je remercie galement le CRSNG (Conseil de Recherches en Sciences Naturelles et en
Gnie du Canada) et le FQRNT (Fonds Qubcois de la Recherche pour la Nature et les
Technologies) pour leur soutien financier.

Je souhaiterais aussi remercier tous les membres du laboratoire ERICAE, qui mont
soutenue lors de la ralisation de ce projet. galement, je tiens souligner ma gratitude
envers mes amies et amis, Kun Yang, Zhongdi Li et Catherine Berger, qui ont apport une
aide prcieuse la ralisation du prsent mmoire.

Jaimerais finalement remercier une fois de plus mon amour, Min, qui ma supporte tout
au long de mon parcours acadmique. Je dsire enfin spcialement tmoigner de toute ma
reconnaissance ma mre pour mavoir donn le courage ncessaire pour relever les
multiples dfis de la vie.

v
Petit petit, l'oiseau fait son nid.
Nulle

-

vi
Table des matires
1. Introduction ......................................................................................................................... 1
1.1. Contexte ....................................................................................................................... 1
1.2. Problmatique et motivation ........................................................................................ 3
1.3. Objectifs ....................................................................................................................... 4
1.4. Mthodologie ............................................................................................................... 4
1.5. Rsultats obtenus ......................................................................................................... 5
1.6. Contribution ................................................................................................................. 6
1.7. Plan du mmoire .......................................................................................................... 6
2. tat de lart .......................................................................................................................... 7
2.1. Diffrentes catgories de MA ...................................................................................... 7
2.2. Rle du MA ............................................................................................................... 11
2.3. Composition dun MA ............................................................................................... 15
2.4. Dveloppement du MA .............................................................................................. 19
2.5. Problmatique ............................................................................................................ 27
3. Modlisation avec la mthode CommonKADS ................................................................ 30
3.1. Mthode : CommonKADS ........................................................................................ 30
3.2. Modle de lorganisation ........................................................................................... 32
3.2.1. Contexte, problmes et solutions potentielles ..................................................... 33
3.2.2. Processus ............................................................................................................. 36
3.2.3. Bilan des connaissances (Knowledge Assets) ..................................................... 39
3.3. Modle des tches ...................................................................................................... 40
3.3.1. Analyse de tches ................................................................................................ 42
3.3.2. Analyse des obstructions de connaissances ........................................................ 45
3.4. Modle des agents ...................................................................................................... 47
3.5. Modle de connaissances ........................................................................................... 49
3.5.1. Connaissances du domaine ................................................................................. 50
3.5.2. Connaissances de la tche ................................................................................... 55
3.5.3. Connaissances dinfrence .................................................................................. 57
3.6. Modle de communication ......................................................................................... 62
3.6.1. Planification des communications ...................................................................... 62
3.6.2. Transactions entre des agents ............................................................................. 64
3.6.3. change dinformations ...................................................................................... 65
3.7. Conclusion ................................................................................................................. 67
4. Conception et implmentation .......................................................................................... 68
4.1. Architecture fonctionnelle ......................................................................................... 68
4.1.1. Architecture globale ............................................................................................ 69
4.1.2. Architecture dtaille .......................................................................................... 72
4.2. Reprsentation du MA ............................................................................................... 79
4.2.1. Approche de modlisation .................................................................................. 79
4.2.2. Structure de contenu ........................................................................................... 80
4.2.3. Structure darchitecture ....................................................................................... 81
4.2.4. Ontologie ............................................................................................................ 82
4.2.5. Plate-forme dimplmentation ............................................................................ 83

vii
4.3. Algorithme de lvaluation des connaissances de lapprenant .................................. 84
4.3.1. Mthode daide multicritre la dcision : ELECTRE Tri ................................ 84
4.3.2. Identification et structuration du problme ......................................................... 86
4.3.3. Application de lELECTRE Tri .......................................................................... 90
4.4. Autres modules .......................................................................................................... 99
4.4.1. Gestionnaire du MA ............................................................................................ 99
4.4.2. Conseiller .......................................................................................................... 102
4.5. Conclusion ............................................................................................................... 105
5. Rsultats et discussion .................................................................................................... 106
5.1. Prototypage et rsultats ............................................................................................ 106
5.2. Discussion ................................................................................................................ 112
5.3. Avantages et limites du modle propos ................................................................. 115
5.3.1. Avantages pour Sphinx ..................................................................................... 115
5.3.2. Avantages pour lapprentissage par lexemple en gnral ............................... 116
5.3.3. Limites .............................................................................................................. 117
5.4. Difficults rencontres et travaux futurs .................................................................. 118
5.4.1. Difficults rencontres ...................................................................................... 118
5.4.2. Travaux futurs ................................................................................................... 119
5.5. Conclusion ............................................................................................................... 120
6. Conclusion ...................................................................................................................... 122
Bibliographie ...................................................................................................................... 124
Annexe A : Calcul avec ELECTRE Tri .............................................................................. 128
Annexe B : Code source ..................................................................................................... 132


viii
Liste des tableaux
Tableau 2.2. Fonctionnalits dun MA ................................................................................. 13
Tableau 2.4-a Dveloppement du MA ................................................................................. 21
Tableau 2.4-b Approches de modlisation ........................................................................... 29
Tableau 3.2.2 OM-3 : Analyse du processus .................................................................... 37
Tableau 3.2.3-a Classification des connaissances ............................................................ 39
Tableau 3.2.3-b OM-4 : Bilan des connaissances ............................................................. 41
Tableau 3.3.1-a TM-1 : Premire analyse de tche : Gnration des conseils ................. 43
Tableau 3.3.1-b TM-1 : Premire analyse de tche : valuation ...................................... 44
Tableau 3.3.2-a TM-2 : Analyse dlment de connaissances : Structure du cours ......... 45
Tableau 3.3.2-b TM-2 : Analyse dlment de connaissances : Connaissance de
lapprenant .................................................................................................................... 46
Tableau 3.4-a AM-1 : Analyse de lagent : apprenant ...................................................... 47
Tableau 3.4-b AM-1 : Analyse de lagent : enseignant .................................................... 48
Tableau 3.4-c AM-1 : Analyse de lagent : systme - gestionnaire de modles ............... 48
Tableau 3.4-d AM-1 : Analyse de lagent : systme - valuateur .................................... 48
Tableau 3.4-e AM-1 : Analyse de lagent : systme - conseiller ...................................... 49
Tableau 3.4-f AM-1 : Analyse de lagent : systme - gestionnaire des exemples ............ 49
Tableau 3.5.1-a Dfinition du concept : APPRENANT ................................................... 52
Tableau 3.5.1-b Dfinition de linstance : EXEMPLE ..................................................... 54
Tableau 3.5.2 Dcomposition des tches .......................................................................... 55
Tableau 3.6.2-a CM-1 : Spcification de transition : prsenter les conseils lapprenant
...................................................................................................................................... 64
Tableau 3.6.2-b CM-1 : Spcification de transition : obtenir les informations du modle
...................................................................................................................................... 64
Tableau 3.6.3-a CM-2 : Spcification de lchange de linformation : prsenter les conseils
...................................................................................................................................... 65
Tableau 3.6.3-b CM-2 : Spcification de lchange de linformation : obtenir les
informations .................................................................................................................. 66
Tableau 4.3.2-a Critres de lvaluation .......................................................................... 88
Tableau 4.3.2-b Performance dtudiants ........................................................................ 89
Tableau 4.3.3-a Profils de rfrence ................................................................................ 90
Table 4.3.3-b Paramtres du modle de prfrence .............................................................. 91
Tableau 4.3.3-c Relations de surclassement .................................................................... 95
Tableau 4.3.3-d Relations de prfrence ......................................................................... 95
Table 4.3.3-e Affectation des catgories ......................................................................... 96
Tableau 4.3.3-f Comparaison des rsultats de deux procdures daffectation ................ 98
Table Anx-A-1 Indices concordance partielle ) , (
h j
b a c ................................................ 128
Table Anx-A-2 Indices concordance partielle ) , ( a b c
h j
................................................ 128
Table Anx-A-3 Indices concordance globale ................................................................ 129
Table Anx-A-4 Indices discordance partielle ) , (
h j
b a d ................................................. 129
Table Anx-A-5 Indices discordance partielle ) , ( a b d
h j
................................................. 130
Table Anx-A-6 Degr de crdibilit .............................................................................. 130

ix
Table Anx-A-7 Relations de surclassement ................................................................... 130
Table Anx-A-8 Relations de prfrence ........................................................................ 131
Table Anx-A-9 Catgories affectes .............................................................................. 131


x
Liste des figures
Figure 2.1 Catgorie de MA .................................................................................................. 8
Figure 2.3 Composition dun MA ........................................................................................ 16
Figure 2.4 Utilisation des paramtres du MA ....................................................................... 24
Figure 3.1 Suite des modles de CommonKADS ................................................................. 31
Figure 3.2 Composants du modle de lorganisation (CommonKADS) .............................. 33
Figure 3.2.2 Processus dapprentissage de lapprenant .................................................... 38
Figure 3.3 Modle des tches de CommonKADS ............................................................ 40
Figure 3.3.1-a Diagramme de flot de tche : Gnration des conseils ............................. 43
Figure 3.3.1-b Diagramme de flot de tche : valuation .................................................. 44
Figure 3.5.1-a Schma du domaine .................................................................................. 51
Figure 3.5.1-b Type de rgles : Rgle-slection ............................................................... 53
Figure 3.5.1-c Type de rgles : Rgle-valuation ............................................................. 53
Figure 3.5.1-d Structure du cours ..................................................................................... 54
Figure 3.5.2-a Dcomposition de la tche de lidentification ........................................... 56
Figure 3.5.2-b Dcomposition de la tche de la gnration des conseils ......................... 57
Figure 3.5.3-a Structure dinfrence annote : initialisation (classification) .................... 58
Figure 3.5.3-b Structure dinfrence annote : slection des concepts (classification) .... 59
Figure 3.5.3-c Structure dinfrence annote : slection des exemples (configuration) ... 61
Figure 3.6.1 Planification des communications ................................................................ 63
Figure 4.1.1 Architecture globale du systme propos ......................................................... 69
Figure 4.1.2-a Dcomposition du systme propos .............................................................. 72
Figure 4.1.2-b Architecture dtaille du sous-module : Interface (Apprenant) .................... 74
Figure 4.1.2-c Architecture dtaille du sous-module : Gestionnaire des MA ..................... 75
Figure 4.1.2-d Architecture dtaille du sous-module : valuateur ..................................... 77
Figure 4.1.2-e Architecture dtaille du sous-module : Conseiller ...................................... 78
Figure 5.1.1-a Dfinition complte de la base des MA ...................................................... 107
Figure 5.1.1-b Dfinition spare de la base dexemples ................................................... 108
Figure 5.1.1-c Dfinition spare de la base des MA ......................................................... 108
Figure 5.1.1-d Dfinition de la base des MA partir de la base dexemples ..................... 109
Figure 5.1.1-e Dfinition simple de la base des MA .......................................................... 109
Figure 5.1.1-f Les instances des concepts du cours ............................................................ 110
Figure 5.1.1-g Les instances des apprenants ................................................................... 110



1
1. Introduction

Lun des objectifs des Environnements Informatiques pour lApprentissage Humain
(EIAH) est daider les apprenants dans leur dmarche dapprentissage, par exemple en leur
donnant des conseils. Ces conseils devraient tre pertinents et significatifs pour lapprenant,
ce qui demande une capacit du systme ragir en fonction de lapprenant concern, et
donc une certaine forme dintelligence. En effet, lintelligence dun systme est la capacit
du systme raliser un raisonnement automatis, un processus apprentissage ou dautres
formes dinfrence dans le but de rsoudre un problme, ce qui demande beaucoup de
connaissances spcifiques au domaine (Luger, 2002). Ce mmoire traitera donc de la
modlisation de lapprenant dans le cadre dun EIAH offrant des conseils personnaliss.
Nous allons dcrire dans ce chapitre le contexte de notre recherche et dfinir ensuite la
problmatique et les objectifs de ce travail. Nous expliquerons aussi la mthodologie
exploite pour atteindre ces objectifs. Les rsultats obtenus et la contribution de notre
travail seront prsents la fin du chapitre.

1.1. Contexte

Le dveloppement des technologies de linformation et de la communication favorise
lapplication des EIAH dans la vie quotidienne. Les EIAH daujourdhui sont si nombreux,
allant des jeux ducatifs jusquaux outils de soutien. Ils sont bnfiques pour tout le monde,
des enfants de la maternelle jusquaux adultes en formation continue. Les environnements
peuvent fonctionner sur les ordinateurs personnels, les quipements portables, en local ou
en ligne.
Aujourdhui on demande de plus en plus aux EIAH, par exemple lutilit, la qualit,
lapparence (interface); lajout de techniques de lintelligence artificielle permet de faciliter
lutilisation de lenvironnement et donc daccrotre certainement la qualit du systme
(Brusilovsky et Peylo, 2003; Beck et al., 1996). Lintelligence du systme permet de
mieux rpondre aux besoins de lutilisateur, par exemple en offrant lapprentissage

2
personnalis (Cheung et al. 2003). En consquence, les chercheurs mettent de plus en plus
laccent sur lapprentissage autour de lapprenant au lieu du contenu, ce qui tait un intrt
de recherche trs populaire (Cheung et al. 2003; Virvou et Tsiriga, 2000). Pour mieux
rpondre aux besoins de lapprenant, les chercheurs ont propos de construire un Modle de
lApprenant (MA) qui contient des informations sur lapprenant, telles son niveau de
connaissances dans la matire, les caractristiques de son processus cognitif, etc. Le MA
permet au systme de ragir selon les caractristiques de lapprenant et ses interactions
avec le systme (Brusilovsky et Peylo, 2003). Et lintelligence dun systme, cest
justement de pouvoir ragir en fonction des diverses situations.
Notre travail se situe dans le cadre dun EIAH partir dexemples, qui est bas sur le
principe pdagogique de lapprentissage au moyen des exemples. Plusieurs chercheurs, par
exemple Van Lehn (1998), suggrent que ltude partir dexemples est un moyen
dapprentissage courant et naturel. Sphinx est un tel environnement dapprentissage. Il a t
conu et implment pour encourager les tudiants pratiquer plus dexercices en dehors
de la classe (Capus et al., 2003). Le systme Sphinx peut tre considr comme une
rfrence sur le Web afin daider les tudiants en dehors du cours dintroduction
lintelligence artificielle, offert au dpartement dinformatique et de gnie logiciel de
lUniversit Laval (Capus et al., 2006). Les tudiants peuvent trouver des exemples varis
de diffrents niveaux de difficult. En fait, les enseignants ajoutent les exemples en
fonction de leur pertinence au cours (Curvat, 2004).
Le systme Sphinx encourage galement lauto-explication, car les recherches dans ce
domaine ont montr que les personnes qui peuvent mieux rsoudre des problmes auto-
expliquent plus que les autres apprenants quand ils tudient des exemples (Chi, 2000, Chi
et al., 1989). Sphinx invite les apprenants sexpliquer les tapes de rsolution des
problmes poss dans les exemples. De plus, le systme incite les tudiants collaborer, en
prsentant les auto-explications des autres participants et en offrant la possibilit chacun
de commenter les messages des autres (Curvat, 2004).



3
1.2. Problmatique et motivation

Les recherches ont montr que le MA permet un EIAH de mieux sadapter aux
besoins de lapprenant dans le processus dapprentissage (Brusilovsky et Peylo, 2003;
Kabassi et Virvou, 2003; Labidi et Srgio, 2000). Par exemple, le MA peut aider
diagnostiquer les erreurs de lapprenant et ainsi analyser les causes correspondantes afin de
donner des conseils appropris (Kabassi et Virvou, 2003). On se demande donc ce quest
un MA. Quels sont les rles que le MA joue dans un EIAH? Quels sont les paramtres
prendre en compte dans le MA et comment ces paramtres devraient-ils tre utiliss pour
rendre un EIAH plus intelligent? Comment dvelopper un MA? Plusieurs MA sont
proposs pour les diffrents EIAH dans les divers domaines. Toutefois, notre
connaissance, ces aspects mthodologiques sont encore peu dcrits pour les EIAH, surtout
les environnements dapprentissage partir dexemples. Par consquent, nous pensons que
cela vaut la peine dlaborer un cadre gnrique pour modliser les connaissances de
lapprenant afin doffrir une assistance personnalise pendant le processus dapprentissage.
Deux questions essentielles prendre en compte dans le dveloppement dun EIAH
sont comment faciliter lutilisation de lenvironnement et comment faciliter lapprentissage
laide de cet outil. Le MA semble vraiment utile pour satisfaire ces deux besoins (Curvat,
2004). Personnaliser lenvironnement, notamment linterface, est un moyen courant pour
amliorer lutilisabilit de lenvironnement. Selon la dfinition de la norme ISO 9241,
lutilisabilit est le degr selon lequel un produit peut tre utilis, par des utilisateurs
identifis, pour atteindre des buts dfinis avec efficacit, efficience et satisfaction, dans un
contexte dutilisation spcifi. Le systme Sphinx possde actuellement un MA limit.
Dans le systme, les apprenants peuvent personnaliser linterface en modifiant leurs
prfrences personnelles, telles que les paramtres de couleur, les prfrences de mdia,
etc. Ces prfrences personnelles peuvent tre gardes dans le MA. Donner des conseils
pertinents temps peut tre considr comme une manire efficace de favoriser
lapprentissage. Par exemple dans Sphinx, les tudiants pourraient avoir besoin daide sur
lcriture des auto-explications ou encore sur le choix des exemples tudier ou rviser
(Capus et al., 2006; Curvat, 2004). Le MA utilis actuellement dans Sphinx permet aux

4
tudiants une navigation adapte laide dinterfaces personnalises. Le systme peut
galement donner des suggestions au sujet de lcriture des auto-explications (Capus et al.,
2006; Curvat, 2004). Cependant, Sphinx est encore insuffisant pour gnrer des
recommandations concernant le choix dexemples adapts au niveau des connaissances de
lapprenant. Un MA plus complet et plus efficace devrait tre dvelopp afin de rendre le
systme plus intelligent, donc bnfique pour lapprentissage. Parmi les modules du MA,
lvaluation des connaissances est indispensable, car la gnration des conseils est base
sur les connaissances de lapprenant.

1.3. Objectifs

Lobjectif gnral de ce projet de matrise est dlaborer un MA qui puisse permettre
aux EIAH doffrir une assistance personnalise. Pour atteindre cet objectif, il est ncessaire
de rpondre aux questions suivantes :
- Quels paramtres du MA permettront aux EIAH de raliser une approche
personnalise ?
- Comment ces paramtres devraient-ils tre utiliss pour raliser une assistance
personnalise ?
Plus concrtement, le MA anticipdevrait permettre un environnement
dapprentissage partir dexemples, tel que Sphinx, dmettre des conseils adapts aux
besoins des apprenants, au sujet des exemples tudier ou rviser. Pour gnrer des
conseils pertinents, un module dvaluation des connaisances devrait tre labor.

1.4. Mthodologie

Le projet ralis est bas sur la mthode CommonKADS (Schreiber et al. 2000), une
approche dominante de lingnierie des connaissances. Les principales tapes suivies pour
cette recherche sont les suivantes :

5
- Revue de littrature. Une revue critique de la documentation scientifique a t
faite afin didentifier et dtudier des EIAH qui permettent doffrir un
environnement personnalis en fonction de ltudiant. Cette documentation a
permis dans un premier temps didentifier les EIAH exploitant un modle de
ltudiant. Ltude de ces EIAH a ensuite permis didentifier les lments
suggrs pour le MA ainsi que la faon dont ils sont exploits. Enfin, une
synthse et une critique des travaux tudis ont t ralises.
- Modlisation. Suite cette revue de littrature, nous avons labor, tape par
tape, un MA qui permet un EIAH partir dexemples de fournir des conseils
personnaliss en fonction de lapprenant, au sujet du choix des exemples
tudier ou rviser. Cette modlisation a t effectue laide de la mthode
CommonKADS (Schreiber et al. 2000).
- Conception et prototypage. Les dtails techniques, par exemple larchitecture
fonctionnelle, la reprsentation, les algorithmes, etc., qui sont relis
limplmentation dun prototype, ont t analyss et prciss. Un prototype a t
dvelopp afin de valider le modle propos. Le modle est compt intgrer
Sphinx dans les travaux futurs.
- Validation. Nous avons effectu la validation du prototype du point de vue
fonctionnel.
1.5. Rsultats obtenus

Nous avons labor un MA dans le but daider un EIAH donner des conseils
personnaliss en fonction de lapprenant en accumulant et exploitant les informations sur
lapprenant pendant le processus dapprentissage. Lhypothse sous-jacente est quune
meilleure connaissance de lapprenant permet au systme de fournir des conseils plus
adapts ce qui requiert une certaine intellilgence. Le MA est destin aux EIAH partir
dexemples, tels que Sphinx. Un prototype qui visualise la fonctionnalit essentielle,
lvaluation de la connaissance de lapprenant, a t implment.

6
Nous avons en mme temps dvelopp un cadre gnrique pour modliser les
connaissances de lapprenant pour un EIAH offrant une assistance adapte lapprenant au
cours de lapprentissage.

1.6. Contribution

Bien que divers MA aient t proposs pour les EIAH varis, il manque encore, notre
connaissance, de modles destins aux EIAH appliquant le principe pdagogique de
lapprentissage partir dexemples. Notre modle pourrait tre considr comme un bon
exemple. En plus, le cadre gnrique que nous avons labor pour modliser les
connaissances de lapprenant pourrait servir dun guide pour faciliter le dveloppement
futur des MA qui aident amliorer lintelligence des EIAH.

1.7. Plan du mmoire

Dans le chapitre 2, tat de lart, avant de faire ressortir la problmatique que nous
allons traiter, nous explorons les aspects mthodologiques cruciaux pour laborer un
modle de ltudiant en utilisant une revue de littrature. Dans le chapitre 3, Modlisation
avec la mthode CommonKADS, nous montrerons les tapes que nous avons effectues
pour modliser les connaissances de lapprenant laide dune mthode dingnierie des
connaissances. Dans le chapitre 4, Conception et implmentation, nous expliquerons les
aspects techniques importants pour la conception et limplmentation dun prototype afin
de valider le modle propos, y compris larchitecture fonctionnelle et lalgorithme. Dans le
chapitre 5, Rsultats et discussion, suite une prsentation du prototypage et une
discussion sur les rsultats obtenus, nous prciserons les avantages et les limites de notre
modle. Les difficults rencontres au cours du travail sont aussi mentionnes. Plusieurs
possibilits pour complter et/ou amliorer le projet sont ainsi proposes. Enfin nous
conclurons en rsumant les points importants de notre travail.

7
2. tat de lart

De nombreux travaux ont dj t raliss par divers chercheurs dans le domaine des
systmes informatiques ducationnels, maintenant appels Environnements
Informatiques pour lApprentissage Humain (EIAH) (Tchounikine, 2002). Les EIAH
peuvent tre considrs comme des moyennes pour aider les enseignants accrotre la
qualit de leur enseignement. Ils peuvent aussi aider les tudiants apprendre plus
efficacement et obtenir un meilleur rsultat (Kavi, 2004; Kabassi et Virvou, 2003). Un
EIAH typique se compose de quatre parties principales : Modle de lApprenant (MA),
modle du tuteur (appel aussi modle de lexpert dans certains systmes), connaissances
du domaine et modle de communications. partir dune quinzaine darticles, nous
avons identifi plusieurs aspects essentiels des MA, dans le but de rpondre aux questions
suivantes :
- Quest ce quun MA?
- Quels sont les rles que le MA peut jouer dans un EIAH?
- Quelles sont les informations ncessaires inclure dans le MA et comment
sont-elles utilises?
- Comment sont dvelopps les MA?
Les rponses ces questions sont expliques dans les sessions suivantes.

2.1. Diffrentes catgories de MA

Les EIAH daujourdhui mettent de plus en plus laccent sur lintelligence du
systme. Un des facteurs essentiels pour valuer la qualit et lutilisabilit du systme est
le niveau lui permettant de rpondre aux besoins de lutilisateur, soit lapprenant. Donc,
le MA, le composant qui sauvegarde et gre les informations de lapprenant, devient
davantage important.
Un MA est un des composants majeurs dun EIAH. Il permet de conserver des
informations sur lapprenant, par exemple son niveau de connaissances sur un sujet

8
donn (performances), ses erreurs/incomprhensions frquentes, ses caractristiques
psychologiques, etc. Un MA peut tre dfini comme un ensemble dinformations
structures au sujet du processus dapprentissage, et cette structure contient des valeurs
sur les caractristiques de lapprenant (Zaitseva et Boule, 2003). Il fournit des donnes
ncessaires aux autres modules afin de raliser ladaptation de lenseignement
lapprenant (Beck et al., 1996).

partir des articles lus, nous pouvons classer les MA proposs en plusieurs
catgories( la figure 2.1).

Figure 2.1 Catgorie de MA

- Modle dynamique : Cette catgorie de MA accumule et enregistre en temps rel
les informations sur lapprenant. Ces informations pourraient tre modifies ou
mises jour dynamiquement selon linteraction entre lapprenant et le systme,
par exemple les visites du systme, les rponses aux questions, etc. En
consquence, le systme adapte de faon active lenseignement aux apprenants,
notamment il supporte la navigation dynamique dans quantit de matriels
pdagogiques (Carmona et Conejo, 2004; Hatzilygeroudis et Prentzas, 2004;
Kabassi et Virvou, 2004; Kavi, 2004; Atif et al., 2003; Cheung et al., 2003;

Modle
de
lapprenant

Modle
dynamique
Modle
cognitif

Modle
avec mprise

Modle
distribu
Modle
incertain
Modle
ouvert / interactif

Modle
collaboratif

9
Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Virvou et Manos, 2003;
Dimitrova et al., 2000; Kay, 2000; Labidi et Srgio, 2000; McCalla et al., 2000).

- Modle cognitif : Le modle cognitif signifie que les aspects cognitifs de
lapprenant sont considrs dans la modlisation. Par exemple, les principes de
psychologie cognitive sont adapts et incorpors dans la modlisation, pour suivre
ltat de la mmoire de lapprenant, afin dadapter des stratgies pdagogiques
aux besoins de lapprenant entre autres en lui proposant des contenus pertinents
rviser au moment appropri (Virvou et Manos, 2003; Kay, 2000). De nombreux
chercheurs ont appliqu les thories cognitives la modlisation dans des mesures
diverses (Kavi, 2004; Dimitrova et Bontcheva, 2003; Dimitrova et al., 2000;
Labidi et Srgio, 2000). De plus, des caractristiques cognitives de lapprenant,
par exemple, lattitude de lapprentissage, le temps quun fait reste dans le
mmoire, la capacit de la mmoire, sont frquemment incluses dans cette
catgorie de MA (Carmona et Conejo, 2004; Kavi, 2004; Virvou et Manos,
2003; Kay, 2000, Labidi et Srgio, 2000).

- Modle avec mprise : Dans cette catgorie, le MA conserve principalement les
erreurs ou les incomprhensions frquentes des apprenants et aussi les causes ou
les explications de ces erreurs. Normalement, cette liste derreurs est un rsultat
des tudes empiriques impliquant de nombreux tudiants et tuteurs dans des cas
concrets en milieu scolaire. Ce genre de modle est souvent utilis pour simuler le
processus de rsolution de problmes dun apprenant afin de diagnostiquer ses
erreurs possibles (Kabassi et Virvou, 2004; Kabassi et Virvou, 2003; Virvou et
Tsiriga, 2000). De plus, le modle avec mprise pourrait tre employ pour la
construction automatique dexercices, par exemple dans les cas de questions
choix multiples, pour produire automatiquement les rponses errones les plus
couramment donnes par les tudiants (Kabassi et Virvou, 2003; Virvou et
Tsiriga, 2000; Virvou et al., 2000).


10
- Modle ouvert / interactif : Cette nouvelle approche de la modlisation de
lapprenant permet aux apprenants davoir un certain contrle sur linspection du
diagnostic et sur la modification du modle. Le modle est construit
conjointement par le systme et lapprenant. Le systme accumule ensuite ses
propres points de vue et ceux de lapprenant sur les connaissances de lapprenant.
Le modle ouvert est utilis pour encourager les apprenants rflchir sur leurs
apprentissages, ainsi que pour les tuteurs adapter lenseignement lindividu ou
au groupe (Dimitrova et Bontcheva, 2003; Dimitrova et al., 2000; Kay, 2000).
Louverture du modle pourrait faciliter galement chez les apprenants la
comparaison de leurs propres progrs au fil du temps ou celle de leurs propres
progrs avec ceux des pairs du mme groupe ou des autres groupes (Bull et
McKay, 2004; Labidi et Srgio, 2000; McCalla et al., 2000).

- Modle collaboratif : Ce modle est exploit dans le contexte de lapprentissage
collaboratif. Lapprentissage collaboratif est un nouveau paradigme qui largit un
EIAH classique en impliquant des concepts de collaboration. Le succs dun
tudiant pourrait aider le succs des autres membres du groupe (Labidi et Srgio,
2000). Lapprenant pourrait galement chercher un pair en ligne, le systme
appariant les tudiants selon des attributs pertinents, pour rsoudre un problme
de faon cooprative (McCalla et al., 2000). Le modle collaboratif est pratique
aussi pour trouver des pairs qui pourraient donner ou voudraient recevoir des
rtroactions au sujet de certains aspects de leurs travaux (McCalla et al., 2000).

- Modle incertain : Cette catgorie de MA met laccent sur le traitement de
lincertitude des connaissances de lapprenant. Les descriptions des connaissances
ou des niveaux de connaissances sont souvent imprcises dans la situation relle.
La modlisation des connaissances permet de reprsenter, de former et de mettre
jour ces connaissances incertaines (Kavi, 2004). Le traitement de lincertitude
pourrait aussi aider atteindre certaines conclusions sur les connaissances de
lapprenant ou sur les stratgies pdagogiques, partir des informations
incompltes (Hatzilygeroudis et Prentzas, 2004).

11
- Modle distribu : Le MA distribu est employ souvent dans lenvironnement
distribu. Il nexiste aucun modle monolithique associ chaque tudiant. Les
connaissances sur un tudiant spcifique sont distribues parmi les agents qui
communiquent avec cet tudiant. La modlisation est un processus qui consiste
assembler et rsumer les informations fragmentes de lapprenant en
provenance de sources potentiellement diverses. Ces informations pourraient tre
des donnes brutes enregistres par une application, des modles partiellement
calculs, des options sur lapprenant enregistres par un tuteur ou des pairs, ou
bien un historique des actions de lapprenant (McCalla et al., 2000).

Nous avons prsent brivement les caractristiques et lutilit des diffrentes
catgories des MA. Il est difficile dattribuer ces catgories des frontires rigides et
dfinitives. Certains MA concrets possdent plusieurs caractristiques, cest--dire quils
appartiennent plusieurs catgories diffrentes. Par exemple, le MA propos dans le
systme I-Help par McCalla et al. (2000) est un modle dynamique, distribu et
collaboratif. Pour dterminer la catgorie de MA la plus approprie, il faut analyser
fond les besoins pratiques et les situations relles.

2.2. Rle du MA

Lintelligence dun EIAH est principalement attribue sa capacit de sadapter un
apprenant spcifique pendant le processus denseignement; ladaptation dpend de la
connaissance de lapprenant individuel sur la matire enseigne et dautres
caractristiques pertinentes de lapprenant; la connaissance et linformation pertinentes
de lapprenant sont souvent gres dans un MA (Cheung et al., 2003).

La catgorie de MA joue un rle important dans limplmentation de lintelligence et
la personnalisation des EIAH. Plus prcisment, un MA peut contribuer personnaliser
lapprentissage, valuer les connaissances de lapprenant, suivre le progrs de
lapprenant, etc. Dans le tableau 2.2, nous avons identifi six fonctionnalits essentielles

12
des MA partir des articles suivants : Carmona et Conejo (2004); Hatzilygeroudis et
Prentzas (2004); Kabassi et Virvou (2004); Kavi (2004); Atif et al. (2003);
Cheung et al. (2003); Dimitrova et al. (2000); Dimitrova et Bontcheva (2003); Kabassi et
Virvou (2003); Virvou et Manos (2003); Kay (2000); Labidi et Srgio (2000); McCalla et
al. (2000); Virvou et Tsiriga (2000); Virvou et al. (2000). Le symbole + signifie que le
systme (A01 A15) dispose de la fonctionnalit indique dans la colonne de gauche.
Selon ce tableau, nous pouvons conclure que deux fonctionnalitssont trs courantes.
Les systmes fournissent lapprentissage personnalis en adaptant lenseignement aux
besoins de lapprenant (Hatzilygeroudis et Prentzas, 2004; Kabassi et Virvou, 2004;
Kavi, 2004; Atif et al., 2003; Cheung et al., 2003; Dimitrova et Bontcheva, 2003;
Kabassi et Virvou, 2003; Virvou et Manos, 2003), en donnant des conseils pertinents
(Kabassi et Virvou, 2004; Cheung et al., 2003; Kabassi et Virvou, 2003; Virvou et
Tsiriga, 2000), en planifiant des activits dapprentissage propres (Carmona et Conejo,
2004; Hatzilygeroudis et Prentzas, 2004; Atif et al., 2003; Cheung et al., 2003; Virvou et
Manos, 2003; Dimitrova et al., 2000), etc. Les examens ou les tests adapts sont
construits en fonction de la performance de lapprenant (Cheung et al., 2003). De plus, la
navigation adaptative est depuis longtemps une technique utilise pour raliser
ladaptation de lapprentissage (Carmona et Conejo, 2004; Kabassi et Virvou, 2004;
Kavi, 2004; Atif et al., 2003; Kabassi et Virvou, 2003). Plus prcisment, pour adapter
lenseignement, les matriels pdagogiques peuvent tre prsents selon le niveau de
connaissances et selon la prfrence personnelle de lapprenant (Hatzilygeroudis et
Prentzas, 2004; Atif et al., 2003; Cheung et al., 2003; Dimitrova et Bontcheva, 2003). La
planification de lenseignement peut aussi tre organise daprs les connaissances, les
caractristiques psychologiques ou les prfrences de lapprenant (Kabassi et Virvou,
2004; Kavi, 2004; Cheung et al., 2003; Kabassi et Virvou, 2003; Virvou et Manos,
2003). Les stratgiques pdagogiques peuvent tre slectionnes selon les caractristiques
psychologiques et les performances de lapprenant (Hatzilygeroudis et Prentzas, 2004;
Virvou et Manos, 2003).


13
Fonctionnalits du modle de lapprenant
A
0
1
-


(
A
t
i
f

e
t

a
l
.
,

2
0
0
3
)

A
0
2
-

M
E
D
E
A

(
C
a
r
m
o
n
a

e
t

C
o
n
e
j
o
,

2
0
0
4
)

A
0
3
-

S
m
a
r
t
T
u
t
o
r

(
C
h
e
u
n
g

e
t

a
l
.
,

2
0
0
3
)

A
0
4
-

S
T
Y
L
E
-
O
L
M

(
D
i
m
i
t
r
o
v
a

e
t

a
l
.
,

2
0
0
0
)

A
0
5
-

S
T
Y
L
E
-
O
L
M
,

H
Y
L
I
T
E
+

(
D
i
m
i
t
r
o
v
a

e
t

B
o
n
t
c
h
e
v
a
,

2
0
0
0
)

A
0
6
-

(
H
a
t
z
i
l
y
g
e
r
o
u
d
i
s

e
t

P
r
e
n
t
z
a
s
,

2
0
0
4
)

A
0
7
-

W
E
B

F
-
S
M
I
L
E

(
K
a
b
a
s
s
i

e
t

V
i
r
v
o
u
,

2
0
0
3
)

A
0
8
-

W
E
B
-
I
T

(
K
a
b
a
s
s
i

e
t

V
i
r
v
o
u
,

2
0
0
4
)

A
0
9
-

I
n
t
r
o
d
u
c
t
i
o
n

t
o

J
a
v
a

(
K
a
v
c
i
c
,

2
0
0
4
)

A
1
0
-

u
m

(
K
a
y
,

2
0
0
0
)

A
1
1
-
S
H
I
E
C
C

(
L
a
b
i
d
i

e
t

S

r
g
i
o
,

2
0
0
0
)

A
1
2
-

I
-
H
e
l
p
,

S
/
U
M

(
M
c
C
a
l
l
a

e
t

a
l
.
,

2
0
0
0
)

A
1
3
-

E
a
s
y
M
a
t
h

(
V
i
r
v
o
u

e
t

T
s
i
r
i
g
a
,

2
0
0
0
)

A
1
4
-

P
a
s
s
i
v
e

V
o
i
c
e

T
u
t
o
r

(
V
i
r
v
o
u

e
t

a
l
.
,

2
0
0
0
)

A
1
5
-

E
d
-
G
a
m
e

A
u
t
h
o
r

(
V
i
r
v
o
u

e
t

M
a
n
o
s

2
0
0
3
)

1
Personnalisation de lapprentissage
+ + + + + + + + + + +
1
Adaptation de lenseignement
+ + + + + + + +
1
Prsentation adapte des matriels pdagogiques
+ + + +
2
Planification et organisation des activits ou des contenus pdagogiques
+ + + + +
3
Slection des mthodes/stratgies pdagogiques pertinentes
+ +
2
Aide/conseils personnalis(s)
+ + + +
3
valuation adaptative
+
4
Planification des activits dapprentissage
+ + + + + +
5
Navigation adaptative
+ + + + +
2
valuation des connaissances de lapprenant
+ + + + + + + + +
1
Analyses des rponses / des croyances de lapprenant
+ + +
2
Diagnostic des erreurs de lapprenant
+ + + +
3
Planification du dialogue de diagnostic
+ +
4
Explications adaptatives
+ + +
5
Rsolution des ambiguts des explications des erreurs
+
3 Suivi et/ou prsentation des progrs / des actions de lapprenant
+ + + + +
4 Recherche des pairs appropris pour obtenir de laide
+
5 Construction automatique des exercices
+ +
6 Gestion des informations de lapprenant
+ + +
Tableau 2.2. Fonctionnalits dun MA

14
Le MA est galement une composante essentielle pour valuer les connaissances de
lapprenant. Par exemple, on peut analyser les rponses de lapprenant dans le but
dinfrer ses croyances, en dautres termes, ses connaissances correctes, errones ou
incompltes (Virvou et Manos, 2003; Labidi et Srgio, 2000; McCalla et al., 2000). On
peut diagnostiquer des erreurs ou des incomprhensions de lapprenant selon les erreurs
frquentes de cet apprenant et celles de nombreux tudiants. Les informations sur ces
erreurs sont conserves dans le MA (Kabassi et Virvou, 2004; Kabassi et Virvou, 2003;
Virvou et Tsiriga, 2000; Virvou et al., 2000). On peut valuer les connaissances des
tudiants partir dune conversation entre le systme et lapprenant. Ce dialogue de
diagnostic peut tre planifi selon les croyances de lapprenant (Dimitrova et Bontcheva,
2003; Dimitrova et al., 2000). partir des rsultats du diagnostic, les explications des
erreurs sont adaptes chaque tudiant selon son profil (Dimitrova et Bontcheva, 2003;
Virvou et Tsiriga, 2000; Virvou et al., 2000). Dans certains cas, lorsquil existe des
ambiguts sur les explications, on peut consulter lhistorique des erreurs de lapprenant
afin de dterminer les explications appropries (Virvou et al., 2000).
Les autres fonctionnalits sont galement importantes et intressantes mme si elles
sont prsentes dans peu de systmes, par exemple : le suivi du progrs de lapprenant
(Atif et al., 2003; Kay, 2000; Labidi et Srgio, 2000; McCalla et al., 2000; Virvou et al.,
2000), la construction automatique des exercices (Virvou et Tsiriga, 2000; Virvou et al.,
2000), etc. La prsentation et la comparaison du progrs de ltudiant encourage
ltudiant devenir plus actif (Kay, 2000; Labidi et Srgio, 2000). La construction
automatique (ou semi-automatique) des exercices permet aux tuteurs daccrotre leur
efficacit (Virvou et Tsiriga, 2000; Virvou et al., 2000). La recherche des pairs est trs
utile dans les modles collaboratifs (McCalla et al., 2000).
La majorit des systmes possde deux fonctionnalits ou plus en mme temps,
surtout les deux fonctionnalits essentielles, soit la personnalisation de lapprentissage et
lvaluation des connaissances de lapprenant, par exemple, MEDEA (Carmona et
Conejo, 2004), STYLE-OLM (Dimitrova et al., 2000; Dimitrova et Bontcheva, 2000),
SHIECC (Labidi et Srgio, 2000), EasyMath (Virvou et Tsiriga, 2000), etc. Certains
systmes se concentrent sur une seule fonctionnalit, comme um (Kay, 2000) qui prsente
un mcanisme pour reprsenter et maintenir les actions de lapprenant en notant des

15
aspects temporels, afin de fournir lapprenant une vue densemble de son modle (long-
terme et court-terme). Cette fonctionnalit est importante pour obtenir les informations
pertinentes de lapprenant et peut tre utile pour les autres fonctionnalits, notamment
ladaptation de lapprentissage et la rsolution des ambiguts dans le diagnostic des
erreurs ou des incomprhensions de lapprenant.

tant donn que le MA est si important pour la qualit dun EIAH intelligent, quels
lments ncessaires faut-il y incorporer?

2.3. Composition dun MA

Pour bien rpondre aux besoins de lapprenant, des chercheurs ont propos de
construire un MA qui contient des informations sur lapprenant, telles son niveau de
connaissances de la matire, les caractristiques de son processus cognitif, etc. Donc, plus
concrtement, on peut se demander quels sont les paramtres prendre en compte dans
un MA pour permettre un EIAH de raliser les fonctionnalits mentionnes dans la
section prcdente, notamment la personnalisation de lapprentissage ?
Nous avons classifi les paramtres extraits partir des 15 articles consults en cinq
catgories (voir figure 2.3) :

- Donnes personnelles : videmment, il contient des informations gnrales sur
lapprenant, telles son nom, son ge, ses expriences, sa formation, etc. (Carmona
et Conejo, 2004; Hatzilygeroudis et Prentzas, 2004; Kabassi et Virvou, 2004;
Cheung et al., 2003; Kabassi et Virvou, 2003). Dans certains EIAH, ladresse du
courriel ou un nom dutilisateur (user name) avec le mot de passe sont employs
pour identifier lutilisateur, soit lapprenant (Hatzilygeroudis et Prentzas, 2004;
Kabassi et Virvou, 2003). Ces donnes personnelles ont des liens moins
importants avec la personnalisation de lapprentissage ou lvaluation des
connaissances de lapprenant.


16

Figure 2.3 Composition dun MA

- Caractristiques de lapprenant : Dans cette catgorie, on inclut les
caractristiques gnrales ou psychologiques de lapprenant, par exemple son but
dapprentissage, son type dapprentissage, ses prfrences de style
dapprentissage, ses expriences informatiques, son niveau de concentration, le
niveau de dtail dsir, sa disponibilit, etc. Le niveau de concentration pourrait
tre infr selon ses interactions avec le systme, par exemple le temps quil nest
plus actif dans le systme. partir de ces informations, on peut prciser les
besoins anticips de lapprenant (Carmona et Conejo, 2004; Hatzilygeroudis et
Prentzas, 2004; Kabassi et Virvou, 2004; Atif et al., 2003; Cheung et al., 2003;
Kabassi et Virvou, 2003).

- Nom
- ge
- Expriences
- Sexe
- Formation

- But dapprentissage
- Type de lapprenant
- Prfrences de style
dapprentissage
- Exprience informatique


Caractristiques
de lapprenant
- Chemin dapprentissage/
plan des activits
- Programme courant
dapprentissage
- Visite de contenus pdagogiques
(ex. nombre de visites dune unit, dure des
visites, type de contenus, etc.)
- Rponses errones
(ex. nombre derreurs, frquence dune erreur
spcifique, les erreurs plus frquentes, etc.)
- Moment / heure de linteraction
- Rponses correctes
Interaction
(systme & tudiant)
Connaissances
de lapprenant
- Niveau de connaissances
- Patrons dchecs
(Failures pattens)
- Explications des erreurs /
misconceptions
- Croyances de lapprenant
(correctes, errones,
incompltes)
et leurs degrs
de correction
Donnes
personnelles
tat






17
- tat dapprentissage : Les tats courants ou passs sont classs dans cette
catgorie. Plus concrtement, ce type de modle contient le plan dapprentissage,
le programme suivi, lhistorique dapprentissage, etc. Ces informations sont
ensuite utilises pour analyser et conserver la situation de lapprenant (Kabassi et
Virvou, 2004; Atif et al., 2003; Cheung et al., 2003).

- Interactions entre le systme et lapprenant : Ceci est une des catgories
essentielles des informations sur lapprenant. Les interactions entre le systme et
lapprenant sont enregistres et mises jour. Au moment appropri, le systme
infre les connaissances de lapprenant ou son tat dapprentissage selon les
donnes enregistres. Ces interactions peuvent tre divises en deux sous-
catgories : les visites du systme et les rponses aux questions. Pour les visites,
on tient compte des visites sur les contenus pdagogiques, telles le nombre de
visites dune mme unit, la dure de la mme visite, le type de contenu, etc. Le
nombre dexemples ou daides demands est aussi enregistr (Carmona et Conejo,
2004; Hatzilygeroudis et Prentzas, 2004; Kabassi et Virvou, 2004; Kavi, 2004;
Atif et al., 2003; Kabassi et Virvou, 2003; Virvou et Manos, 2003; Kay, 2000).
Ensuite, les rponses incluent les rponses correctes et les rponses errones. En
fait, le systme ne conserve pas les rponses, il enregistre plutt les paramtres
correspondants, par exemple le nombre derreurs, la frquence dune erreur
particulire, les erreurs plus frquentes, le nombre dessais, etc. (Hatzilygeroudis
et Prentzas, 2004; Kabassi et Virvou, 2004; Virvou et Manos, 2003; Kabassi et
Virvou, 2003; Dimitrova et al., 2000; Virvou et al., 2000).

- Connaissances de lapprenant : Ceci est une autre catgorie importante. Les
donnes ou informations dans les catgories prcdentes sont utilises pour
infrer les connaissances de lapprenant afin de fournir un apprentissage
personnalis. Dans cette catgorie, il peut y avoir le niveau de connaissances de
lapprenant, les notes des examens ou tests, les patrons dchecs, les croyances de
lapprenant et leurs degrs de correction, les explications sur les
erreurs/incomprhensions, les connaissances sur des concepts prrequis, les

18
connaissances sur les sous-domaines, les connaissances valider, les
connaissances acquises, etc. (Carmona et Conejo, 2004; Hatzilygeroudis et
Prentzas, 2004; Kavi, 2004; Cheung et al., 2003; Dimitrova et Bontcheva,
2003; Dimitrova et al., 2000; Labidi et Srgio, 2000; Virvou et Tsiriga, 2000;
Virvou et al., 2000).

La figure 2.3 montre la proportion de lutilisation de chaque catgorie dans les
systmes prsents dans les 15 articles consults. Il est impossible et peu ncessaire de
construire un MA complet avec tous les lments mentionns, car cela demande trop de
ressouces (Carmona et Conejo, 2004). La plupart des MA proposs ne contiennent que
quelques parties de ces cinq catgories, surtout les deux dernires. Mme si les
chercheurs mettent moins laccent sur ltat dapprentissage, il est utile pour la
personnalisation de lapprentissage en considrant le cheminement dapprentissage et le
progrs de lapprenant.

Nous pouvons aussi classifier ces informations en deux groupes selon leurs liens
avec le domaine : indpendantes du domaine ou spcifiques au domaine. Les donnes
personnelles et les caractristiques de lapprenant sont des informations indpendantes du
domaine. Elles sont relativement statiques. Normalement les donnes sont fournies par
les tudiants eux-mmes en remplissant les formulaires ou les questionnaires.
Lapprenant pourrait changer certains lments si ncessaire pendant le processus
dapprentissage. Peu de modifications sont ncessaires pour les rutiliser dans diffrents
systmes, dans des domaines diffrents. La majorit des lments des trois autres
catgories sont spcifiques au domaine. Certains paramtres sont obtenus directement en
observant les actions de lapprenant. Certains autres sont infrs partir des premires
donnes. Ils sont dynamiques et automatiquement mis jour par le systme.




19
2.4. Dveloppement du MA

Aprs avoir analys les composants fondamentaux du MA, une autre question suit :
comment dvelopper un MA appropri pour rsoudre un problme concret? En lisant les
15 articles, nous nous sommes rendu compte que le dveloppement nest pas un
processus simple. Il sagit de plusieurs aspects de MA et il contient beaucoup de sous-
questions et sous-processus. Dabord, comment construire un MA? Ensuite, comment
modliser les connaissances de lapprenant? Puis, comment le modle est-il initialis et
mis jour? Comment utiliser les paramtres de ce modle pour atteindre les objectifs
dapprentissage?

Dans le tableau 2.4-a, nous avons numr les principaux aspects relis au
dveloppement du MA. Le symbole + indique que le systme (A01 A15) est reli
laspect de la colonne de gauche. Le symbole - signifie que les auteurs ont mentionn
cet aspect mais nont pas offert assez de dtails.

- Construction. La construction dun MA concerne la dtermination de la
composition et de la structure dun MA (Carmona et Conejo, 2004;
Hatzilygeroudis et Prentzas, 2004; Cheung et al., 2003; Kabassi et Virvou, 2003;
Dimitrova et al., 2000; Labidi et Srgio, 2000). Par exemple, quelles catgories
dinformation doivent tre incluses dans le MA? Quels lments concrets sont
ncessaires? Et quels sont les liens de ces lments entre eux? Il faut aussi
considrer comment reprsenter efficacement cette structure et ces lments.
Certains auteurs prsentent concrtement lutilisation de certains formalismes de
reprsentation (Carmona et Conejo, 2004; Hatzilygeroudis et Prentzas, 2004;
Kavi, 2004; Atif et al., 2003; Cheung et al., 2003; Dimitrova et Bontcheva,
2003; Virvou et Manos, 2003; Dimitrova et al., 2000; Kay, 2000; Labidi et
Srgio, 2000). Le processus ou la mthode de la construction indique comment
organiser et acqurir ces informations et ces connaissances. Par exemple,
comment extraire des connaissances partir des tudes empiriques
(Hatzilygeroudis et Prentzas, 2004; Virvou et Tsiriga, 2000; Virvou et al., 2000)?

20
Est-il ncessaire de construire un modle long terme et un court terme
(Kabassi et Virvou, 2004; Kabassi et Virvou, 2003; Kay, 2000; Virvou et Tsiriga,
2000; Virvou et al., 2000)? Est-il utile de construire un modle de groupe
(Cheung et al., 2003; Labidi et Srgio, 2000)?
Les trois aspects de la construction, soit la composition et la
reprsentation dun MA, ainsi que la mthode de construction, sont lis entre
eux et sinfluencent mutuellement. Par exemple, la composition et la structure
dun MA dtermine le mode de reprsentation et influence les mthodes de
construction. Dun autre ct, les processus de construction modifient et
perfectionnent les composants du MA.

- Initialisation. Linitialisation du MA est une tape assez importante dans le
processus du dveloppement. Les chercheurs ont exploit quatre moyens pour
initialiser le MA : par les questionnaires ou les pr-tests (Carmona et Conejo,
2004; Kavi, 2004; Cheung et al., 2003; Labidi et Srgio, 2000), par les
strotypes (Hatzilygeroudis et Prentzas, 2004; Kabassi et Virvou, 2004; Atif et
al., 2003; Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Rich, 1989),
par les cas prcdents (Atif et al., 2003; Cheung et al., 2003), et par les valeurs
par dfaut (Virvou et Manos, 2003). Parmi eux, ce sont les strotypes qui sont le
plus souvent employs (rfrer au tableau 2.4-a). Les strotypes reprsentent les
connaissances et les caractristiques des classes dutilisateurs typiques. Donc,
chaque tudiant est assign une des classes prdfinies (soit des strotypes). La
tche majeure de linitialisation revient slectionner le strotype appropri pour
un apprenant (Hatzilygeroudis et Prentzas, 2004). Les questionnaires sont
pratiques et relativement faciles implmenter. Donc, ils sont utiliss dans
plusieurs systmes (Carmona et Conejo, 2004; Cheung et al., 2003; Labidi et
Srgio, 2000). Parfois, pour bien connatre le niveau de connaissances initial de
lapprenant, on demande lapprenant de faire un test simple avant de
commencer son apprentissage. Le rsultat du test pourrait servir initialiser
certaines valeurs du MA, ou permettre de connatre le progrs de lapprentissage
(Kavi, 2004; Cheung et al., 2003; Labidi et Srgio, 2000). Lutilisation des cas

21
Dveloppement du MA
A01 A02 A03 A04 A05 A06 A07 A08 A09 A10 A11 A12 A13 A14 A15
1 Construction
Composition / structure
- + + + - + + - - - + - - -
Reprsentation
+ + + - + + + + - +
Processus /
mthodes de
construction
Gnral
+ + + + + + + + + + + +
Modle long-terme / court-terme
+ + + + +
Modle de groupe / individuel
+ +
tudes empiriques
+ + +
2
Initialisation
(mthodes /
processus)
Pr-tests / questionnaires
+ + + +
Strotypes
+ + + + +
Cas prcdents
+ +
Dfaut
+
3 Maintenance / Mise jour + + + + + + + + + +
4
Utilisations
des
paramtres
Identification de lapprenant
+ + + + + + +
Initialisation du modle
(Slection/appariement des strotypes)
+ + + + + + +
Conservation des tats dapprentissage
+ + + + + + + + + + + + +
Infrence des autres paramtres
+ + + + + + + + + + + + + + +
Mise jour
+ + + + + + + + + + +
Ralisation des tches pdagogiques
+ + + + + + + + + + + + +
5
Mthodes de
modlisation
des
connaissances
Sans mprise (Overlay)
+ + + + + + + + + +
Avec mprise (Buggy)
+ + + + +
Autres
+ + + + + + + +

Tableau 2.4-a Dveloppement du MA

22
prcdents pour initialiser le modle est une mthode intressante. Les expriences
(modles) prcdentes des tudiants individuels ou des groupes sont utilises
comme strotypes pour les apprenants futurs (Atif et al., 2003; Cheung et al.,
2003). Les valeurs par dfaut sont utilises frquemment dans les systmes
traditionnels. Les valeurs initiales sont assignes et ensuite ajustes selon le cas
dans le processus du traitement (Virvou et Manos, 2003).

- Maintenance. Les mthodes et les tapes de la gestion des MA sont dcrites dans la
plupart des articles consults (Hatzilygeroudis et Prentzas, 2004; Kavi, 2004; Atif
et al., 2003; Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Virvou et
Manos, 2003; Dimitrova et al., 2000; Kay, 2000; Labidi et Srgio, 2000; McCalla et
al., 2000). Les auteurs ont aussi mentionn les moments appropris pour mettre
jour les donnes ou les connaissances conserves dans les modles. Le mcanisme
de la maintenance du MA est spcifique pour chacun, car il a des rapports troits
avec plusieurs aspects du modle, comme sa structure, le mode de reprsentation,
son utilisation, etc.

- Utilisation des paramtres. Comment ces paramtres devraient-ils tre utiliss
pour raliser lapprentissage personnalis? Les relations et les utilisations de ces
paramtres sont illustres dans la figure 2.4 (voir aussi le tableau 2.4-b).
o Identification de lapprenant. Quelques paramtres dans la catgorie de
donnes personnelles sont employs pour identifier lapprenant, par exemple
le nom, le nom dutilisateur (user name) ou login name, le courriel, etc.
(Carmona et Conejo, 2004; Hatzilygeroudis et Prentzas, 2004; Kavi, 2004;
Cheung et al., 2003; Kabassi et Virvou, 2003; Labidi et Srgio, 2000;
McCalla et al., 2000).
o Initialisation du modle. Certaines donnes personnelles (ex : lge, les
expriences, le sexe, la formation, etc.) et certaines caractristiques de
lapprenant (le but dapprentissage, le type/style dapprentissage, les
expriences informatiques, le niveau de concentration, les prfrences, etc.)

23
sont utilises pour initialiser le modle, surtout pour slectionner le
strotype appropri lapprenant. Un strotype reprsente les
caractristiques communes sur le style dapprentissage (Hatzilygeroudis et
Prentzas, 2004; Kabassi et Virvou, 2004; Kavi, 2004; Atif et al., 2003;
Cheung et al., 2003; Kabassi et Virvou, 2003; Labidi et Srgio, 2000).
o Conservation des tats dapprentissage. Les chemins dapprentissage ou
les plans des activits pourraient galement tre exploits pour conserver les
tats prsents ou passs de lapprenant (Hatzilygeroudis et Prentzas, 2004;
Kabassi et Virvou, 2004; Kavi, 2004; Atif et al., 2003; Cheung et al.,
2003; Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Virvou et
Manos, 2003; Dimitrova et al., 2000; Kay, 2000; Labidi et Srgio, 2000;
Virvou et Tsiriga, 2000; Virvou et al., 2000).
o Infrence des autres paramtres. Les paramtres statistiques concernant
linteraction entre lapprenant et le systme (la frquence dune erreur
spcifique, les units visites plus frquemment, etc.) sont les rsultats du
calcul ou du raisonnement partir de certains paramtres visibles sur les
actions de lapprenant. Ils pourraient galement modifier certaines
caractristiques de lapprenant, dont le niveau de concentration. Les
paramtres dinteraction et les caractristiques sont exploits pour valuer
les connaissances de lapprenant. Inversement, le niveau de connaissances
valu pourrait aussi influencer/modifier certaines caractristiques de
lapprenant (Carmona et Conejo, 2004; Hatzilygeroudis et Prentzas, 2004;
Kabassi et Virvou, 2004; Kavi, 2004; Atif et al., 2003; Cheung et al.,
2003; Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Virvou et
Manos, 2003; Dimitrova et al., 2000; Kay, 2000; Labidi et Srgio, 2000;
McCalla et al., 2000; Virvou et Tsiriga, 2000; Virvou et al., 2000).
o Mise jour. Comme mentionn prcdemment, les changements de certains
paramtres provoqueront les modifications des autres paramtres (Carmona
et Conejo, 2004; Hatzilygeroudis et Prentzas, 2004; Kavi, 2004; Cheung
et al., 2003; Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Virvou

24
et Manos, 2003; Dimitrova et al., 2000; Kay, 2000; Labidi et Srgio, 2000;
McCalla et al., 2000).
o Ralisation des tches pdagogiques. Trois catgories de paramtres ont
des liens directs avec la ralisation des tches pdagogiques : les
caractristiques, les tats dapprentissage ainsi que les connaissances de
lapprenant. Les tches pdagogiques dans ce contexte sont les
fonctionnalits au sujet de lapprentissage, notamment la planification des
activits pdagogiques, lmission des conseils personnaliss, le diagnostic
des erreurs, etc. (Carmona et Conejo, 2004; Hatzilygeroudis et Prentzas,
2004; Kabassi et Virvou, 2004; Kavi, 2004; Atif et al., 2003; Cheung et
al., 2003; Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Virvou et
Manos, 2003; Labidi et Srgio, 2000; McCalla et al., 2000; Virvou et
Tsiriga, 2000; Virvou et al., 2000).

Figure 2.4 Utilisation des paramtres du MA

Donns
Personnelles
Interactions

Visible (Observable)
Statistique (Infrable)
Caractristiques
de lapprenant

Connaissances
de lapprenant

tat
dapprentissage

Tches
pdago-
giques
MA
Identifient
Initialise & met jour
Consulte
Infrent et
mettent jour
Ralise
Ralisent
Conserves dans
Participe
Initialise & met jour
Initialisent
Infrent et
mettent jour
Infrent
Infrent et
mettent jour
Conserves
dans
Ralisent
Apprenant

25
- Modlisation des connaissances. La modlisation des connaissances de
lapprenant est une question cruciale dans le dveloppement du MA. Les mthodes
de la modlisation dcident et influencent les autres aspects du dveloppement, par
exemple la structure et la reprsentation, linitialisation, la gestion et la
maintenance, etc. La majorit des MA existants sont bass sur les trois modles
suivants : le modle sans mprise (Overlay model), le modle avec mprise (Buggy
model) ainsi que le modle hybride (Perturbation model) (voir tableau 2.4-a ligne 5
et 2.4-b).
o Modle sans mprise (Overlay model). Cette approche suppose que
ltudiant ne possde quune connaissance partielle du domaine mais cette
connaissance est correcte (Virvou et Tsiriga, 2000). Les connaissances de
lapprenant sont considres comme un sous-ensemble des connaissances du
domaine ou de lexpert (Carmona et Conejo, 2004; Kavi, 2004; Dimitrova
et Bontcheva, 2003; Virvou et Manos, 2003; Dimitrova et al., 2000). Donc,
la mme reprsentation pourrait tre exploite pour les deux modles, soit
les connaissances du domaine et celles de lapprenant (Kavi, 2004;
Dimitrova et Bontcheva, 2003; Dimitrova et al., 2000). La modlisation met
laccent sur la comparaison entre les connaissances de lapprenant et celles
du domaine (Labidi et Srgio, 2000). Cette approche est applique
largement depuis quelle a t propose pour la premire fois par Stansfield,
Carr et Goldstein en 1976 (cit dans Virvou et Manos, 2003).
o Modle avec mprise (Buggy model). Ce genre de modle implique que
lapprenant pourrait employer des raisonnements incorrects comme des
raisonnements corrects (Virvou et Tsiriga, 2000). Le premier systme qui a
introduit cette approche est BUGGY (Brown et Burton, 1978). Aujourdhui,
cette mthode est utilise dans plusieurs systmes. Ces systmes
reconstruisent le processus de la rsolution du problme et gnrent de
mauvaises rgles partir des solutions hypothtiques fausses (Virvou et
Tsiriga, 2000). Le modle avec mprise est bas sur une liste des erreurs
potentielles que les tudiants pourraient commettre (Kabassi et Virvou,

26
2004; Kabassi et Virvou, 2003; Labidi et Srgio, 2000; Virvou et Tsiriga,
2000; Virvou et al., 2000).
o Modle hybride (Perturbation model). Le modle de perturbation est un
modle hybride qui combine des concepts des deux modles ci-dessus
(Labidi et Srgio, 2000; Sleeman et al., 1990). Les connaissances de
lapprenant sont considres partiellement comme un sous-ensemble des
connaissances du domaine et aussi partiellement comme un ensemble des
incomprhensions que ltudiant pourrait entretenir (Virvou et Manos, 2003;
Labidi et Srgio, 2000).
Le tableau 2.4-a ligne 5 offre un survol des utilisations de ces approches, alors
que les dtails de la modlisation de chaque systme suggr sont indiqus dans le
tableau 2.4-b. partir de ces deux tableaux, nous nous sommes aperu que
lapproche sans mprise (Overlay) est utilise plus frquemment. 10/15 systmes
sont dvelopps sur la base de ce modle. 5/15 utilisent le modle avec mprise.
Parmi eux, 2/15 systmes exploitent le modle hybride. De plus, les deux restants
nappliquent pas du tout ces approches.
Tous les modles prsentent des limites au niveau conceptuel et de
limplmentation (Labidi et Srgio, 2000). Donc, dans les applications pratiques,
ces approches sont exploites laide des autres mthodes ou techniques. Par
exemple, comme prsent par Virvou et Manos (2003), les modles se concentrent
sur ce que lapprenant connat et acquiert, mais les aspects temporels des
connaissances ne sont pas pris en ligne de compte. Ils sont en lien avec la faon
dont lapprenant apprend et ventuellement oublie. En consquence, les auteurs ont
appliqu les thories cognitives concernant la mmoire humaine sur la modlisation
sans mprise. Lautre bon exemple, le MA du systme SHIECC (Labidi et Srgio,
2000) est un modle hybride combinant des avantages applicables lapprentissage
coopratif. Il minimise galement les limites de lvaluation des connaissances, en
transfrant des rponses problmatiques (pas exactement semblables aux rponses
standards et correctes, peut-tre correctes, errones ou incompltes) aux tuteurs
humains valider. Quest-ce qui se passe si les approches typiques sont mises de
ct? McCalla et al. (2000) donnent un exemple trs intressant. Ces auteurs ont

27
propos une notion compltement diffrente; ils ont mis laccent sur les activits de
modlisation. Le modle pourrait tre considr comme une fonction pour calculer
des informations concernant un ou plusieurs tudiants, selon quatre paramtres :
lagent qui effectue la modlisation, lintention de modlisation, les apprenants
impliqus ainsi que les ressources disponibles. Cela peut aussi tre considr
comme une mthode de lagent excuteur avec les autres paramtres.
2.5. Problmatique

Dans les sections prcdentes, nous avons identifi les diffrentes catgories de MA
utilises dans les travaux reprsentatifs. Nous avons montr ensuite lutilit de ces MA
dans les divers EIAH. De plus, nous avons prcis les lments fondamentaux suggrs
pour le MA ainsi que la faon dont ces lments sont exploits. Nous avons enfin dcrit les
aspects essentiels du dveloppement de MA. Ces connaissances nous permettent de faire
ressortir les problmes que nous devrons rsoudre afin de raliser une assistance
personnalise dans Sphinx, un EIAH utilis prsentement pour lenseignement de
lintelligence artificielle dans un cours de 1
e
cycle dans le dpartement dinformatique et de
gnie logiciel de lUniversit Laval.
Premirement, quelle sorte de MA voudrions-nous dvelopper pour raliser un EIAH
offrant des conseils personnaliss et judicieux? Quelles caractristiques devrait possder ce
MA?
Deuximement, quelles sont les fonctionnalits que nous allons raliser? Quelle genre
de conseils permettent aux tudiants de favoriser leur apprentissage?
Troisimement, comment choisir les paramtres dont il faut tenir compte dans notre
MA pour atteindre nos objectifs? Quelles sont les relations entre ces lments? Comment
devraient-ils tre utiliss? Comment pouvons-nous accumuler et grer ces informations?
Comment ces paramtres pourraient-ils tre reprsents efficacement? Quelle approche de
linitialisation est approprie dans notre contexte? Pour modliser les connaissances de
lapprenant, quel modle devrions-nous employer : avec mprise, sans mprise ou hybride?
Quelles autres approches ou techniques faut-il considrer?

28
Finalement, comment le MA propos peut-il tre intgr dans le systme dvelopp?
Comment valuer lefficacit de ce modle?
Dans les prochains chapitres, nous allons rpondre ces questions en dtaillant le
processus de la modlisation de notre MA pour le systme Sphinx.

29
SYSTMES RFRENCES
APPROCHES DE MODLISATION
Sans mprise
(Overlay)
Avec mprise
(Buggy)
Autres Remarques
A01 / Atif et al., 2003 +
Modlisation
partir de cas
Strotype : chemins dapprentissage conservs dans le
Dpt de Modles de lApprenant (Learning Models
Repository) expriences prcdentes
A02 MEDEA Carmona et Conejo, 2004 + Questionnaires, tests
A03 SmartTutor Cheung et al., 2003 +
Tests, examens;
Modle individuel + modle de groupe
A04 STYLE-OLM Dimitrova et al., 2000 + Croyances (beliefs)
Appariement entre des croyances de lapprenant et des
connaissances du domaine.
A05
STYLE-OLM,
HYLITE+
Dimitrova et Bontcheva,
2000
+
Croyances (beliefs),
Misconceptions
Graphes conceptuels
A06 /
Hatzilygeroudis et
Prentzas, 2004
+
Exercices, tests, interactions entre lapprenant et le
systme ;
Nud-rgle.
A07 WEB F-SMILE Kabassi et Virvou, 2003a +
Diagnostic des erreurs: Human Plausible Reasoning
(HPR);
Modle long-terme + modle court-terme.
A08 WEB-IT Kabassi et Virvou, 2003b +
Simple Additive
Weighting (SAW)
SAW une approche de prise de dcision, pour
modliser la prise de dcision des tuteurs humains ;
Modle long-terme + modle court-terme.
A09
Introduction to
Java
Kavcic, 2004 +
Logique floue
(Ensemble flou)
Pre-test, tests, interaction entre lapprenant et le
systme ;
Traitement des incertitudes des connaissances.
A10 um Kay, 2000
Reprsentation par
accumulation (Accretion
Representation)
Liste dvidences horodates (timesamped) sur
chaque compossant du modle de lapprenant ;
Supporter le modle long-terme.
A11 SHIECC Labidi et Srgio, 2000 + +
Exercices, tests, examens ;
Rponses incorrectes sont values par les tuteurs
humains ;
Modle individuel + modle dquipe.
A12 I-Help, S/UM McCalla et al., 2000
Gestion des modles
fragments et distribus
Multiagents
Fonction : learnerModel (a, L, p, r)
A13 EasyMath Virvou et Tsiriga, 2000a +
tude empirique impliquant des tuteurs humains et des
tudiants dans des cas concrets en milieu scolaire;
Modle long-terme + modle court-terme.
A14
Passive Voice
Tutor
Virvou et al., 2000b + +
tude empirique impliquant des tuteurs humains et des
tudiants dans des cas concrets en milieu scolaire;
Modle long-terme + modle court-terme.
A15 Ed-Game Author Virvou et Manos 2003 +
Thories cognitives
concernant la mmoire
humaine
Actions de lapprenant (ex. rponses aux questions) ;
Base de donnes pour simuler la librairie mentale de
lapprenant.
Tableau 2.4-b Approches de modlisation

30
3. Modlisation avec la mthode CommonKADS

Dans ce chapitre, nous allons laborer tape par tape, laide de la mthode
dingnierie des connaissances, CommonKADS (Schreiber et al., 2000), un modle
conceptuel dans le but de donner des conseils personnaliss lapprenant pendant son
processus dapprentissage. Lingnierie des connaissances est une discipline qui porte sur
ltude et llaboration de modles, de mthodes et doutils pour la construction de
systmes de connaissances (Studer et al., 1998). Suite une brve introduction de cette
mthode, nous allons prsenter les tapes de modlisation par une suite de modles, soit
le modle de lorganisation, le modle des tches, le modle des agents, le modle des
connaissances, le modle de communications ainsi que le modle de conception qui sera
dcrit dans le chapitre suivant.

3.1. Mthode : CommonKADS

Aujourdhui, il existe un consensus global sur le fait que le processus de la
construction dun systme de connaissances peut tre vu comme une activit de
modlisation au lieu dun transfert ou dune simple extraction de connaissances dexperts
(Studer et al., 1998). Pour les premiers Systmes de Connaissances (SC), appels
systmes experts de premire gnration, qui mettent laccent sur le transfert des
connaissances, des connaissances taient encodes directement laide du langage
dimplmentation base de rgles ou de schmas. De tels systmes sont difficiles
construire et maintenir sils se dveloppent ou sils sont utiliss pour une priode plus
longue (Studer et al., 1998). Pour les systmes experts de seconde gnration, qui se
concentrent sur la modlisation des connaissances, la construction dun systme de
connaissances consiste construire un modle conceptuel visant reprsenter des
capacits de rsolution de problmes comparables celles dun expert du domaine.
Lintention nest pas ncessairement de crer un modle cognitif adquat (ex : simuler le
processus cognitif dun expert en gnral), mais de crer un modle qui offre des rsultats

31
similaires la rsolution du problme dans le champ concern (Studer et al., 1998). Un
EIAH est un SC car il intgre beaucoup de connaissances du domaine tudi et de
connaissances pdagogiques, lexpert est enseignant. En effet, les connaissances du
domaine est un ensemble des informations statiques principales et les objets de
connaissances dans un domaine dapplication (Schreiber et al., 2000, p.91). Les
connaissances pdagogiques sont spcifiques pour le domaine de lducation.
Une des approches les plus importantes dans la modlisation des connaissances est
KADS et son extension CommonKADS. Cette mthode introduit un modle conceptuel
(modle dexpertise) pour dcrire le systme de connaissances un niveau abstrait et
indpendant de limplmentation (Studer et al., 1998). Le modle distingue diffrents
types de connaissances (appels couches ) et fournit diffrentes primitives chaque
type de connaissance (ex : les rles des connaissances et les actions des infrences dans la
couche dinfrence), afin dexprimer des connaissances de manire structure (Studer et
al., 1998).

La figure 3.1 prsente la suite de modles de CommonKADS, qui comprennent les
diffrents aspects spcifiques du systme de connaissances dvelopper ainsi que ceux
de son environnement rel. Cette figure regroupe les modles en 3 couches afin de
rpondre 3 types de questions : Pourquoi ? Quoi ? Et comment ? (Schreiber et al.,
2000, p.18-19)


Figure 3.1 Suite des modles de CommonKADS
(traduit de Schreiber et al., 2000, figure 2.5, p.18)

32
La mthode CommonKADS comporte un ensemble de modles prdfinis, chacun se
limitant sur un aspect limit, mais qui, ensemble, fournissent une vue complte (Schreiber
et al., 2000, p.18-19).
- Modle de lorganisation : Analyse des caractristiques importantes dune
organisation afin de dcouvrir les problmes et les opportunits pour le systme
de connaissances, den dterminer la faisabilit, dvaluer les influences sur
lagencement des actions requrant beaucoup de connaissances (knowledge
intensive).
- Modle des tches : Analyse de la disposition globale des tches, par exemple les
entres et les sorties, les prconditions, les critres dvaluation de performance
ainsi que les ressources et les comptences requises.
- Modle des agents : Description des caractristiques des agents (ex. ses
comptences, son autorit sur des actions, ses contraintes, etc.) et les liens entre
ceux qui ralisent une tche partage.
- Modle de connaissances : Explication dtaille des types et des structures de
connaissances utilises pour raliser une tche. Ce modle fournit une description
indpendante de limplmentation sur les rles que les diffrentes composantes de
connaissance jouent dans la rsolution du problme.
- Modle de communication : Description indpendante de limplmentation sur
des transactions communicatives entre des agents impliqus dans une tche.
- Modle de conception : Spcification technique sur le systme en termes
darchitecture, de plate-forme dimplmentation, dalgorithmes, etc.

3.2. Modle de lorganisation

Le modle de lorganisation permet de situer le champ dapplication et dexaminer la
faisabilit conomiqueet technique du projet, afin de slectionner les champs et les
solutions les plus encourageantes (Schreiber et al., 2000, p.27).


33
Gnralement, il est difficile de dcrire compltement une organisation.
Heureusement, il nest pas ncessaire de le faire, car on considre lorganisation dun
point de vue particulier, soit lorientation des connaissances (knowledge orientation). La
figure 3.2 montre un aperu gnral de ce modle et de la manire dont il se relie au
modle des tches et au modle des agents. La construction de ces modles est ralise en
remplissant une srie de fiches techniques (worksheets : OM-1, OM-2, etc.) (Schreiber et
al. 2000, p.28).
3.2.1. Contexte, problmes et solutions potentielles

La premire partie du modle met laccent sur lanalyse de la problmatique et des
opportunits (Schreiber et al. 2000, p.28).



Figure 3.2 Composants du modle de lorganisation (CommonKADS)
(traduit de Schreiber et al., 2000, figure 3.1, p.29)

Depuis des annes, on a remarqu que de nombreux tudiants mettent de moins en
moins de temps sur la prparation des cours et des examens (Capus et al., 2003). Pour
encourager les tudiants travailler plus, notre laboratoire (ERICAE) a dvelopp
Sphinx, un EIAH partir dexemples (sous forme dexercices et de leur solution), pour le
cours dintroduction lintelligence artificielle. Ce systme est disponible sur le Web

34
pour accompagner les tudiants en dehors des heures de cours dans leur travail personnel
et leur rvision (Capus et al., 2003). Le but est d'amliorer le processus de rsolution de
problme chez les tudiants. Les tudiants peuvent consulter les exercices et ils sont
invits expliquer tape par tape pourquoi ou comment ces solutions sont obtenues. Ils
peuvent collaborer afin de raliser cette tche en changeant leurs ides sur un exercice
et/ou sa solution. Un tel systme permet lenseignant dobserver comment les tudiants
participent au processus de rsolution des exercices et leur donne aussi des ides sur les
difficults rencontres par les tudiants (Curvat, 2004).
Deux questions importantes sont considrer dans le dveloppement, soit comment
faciliter lutilisation du systme et comment faciliter lapprentissage avec cet outil. Le
MA semble trs utile pour y rpondre (Capus et al., 2006).
Premirement, une des approches communes pour amliorer lutilisabilit du systme
est de personnaliser lenvironnement (souvent linterface) selon les prfrences de
lutilisateur (Capus et al., 2006; Kabassi et Virvou, 2004; 2003; Brusilovsky et Peylo,
2003, etc.). Dans la version actuelle de Sphinx, chaque tudiant peut modifier ses
prfrences individuelles (couleur de linterface, couleur de liens, etc.) afin de
personnaliser sa propre interface (Capus et al., 2006). Comme nous lavons mentionn
dans la section 2.3, les prfrences de lapprenant sont enregistres dans le MA comme
des paramtres dans la catgorie caractristiques de lapprenant .
Deuximement, plusieurs moyens pour favoriser lapprentissage sont proposs et
sont bass sur le principe de laide en temps rel. Un type daide utile est de donner des
conseils adapts aux besoins de ltudiant, par exemple sur la rdaction des explications,
sur le choix des exemples tudier ou rviser, etc. (Capus et al., 2006). Pour l'instant
dans Sphinx, les tudiants n'ont aucun conseil sur le choix des exemples. Le MA
permettrait donc, dans la rvision, de conseiller l'apprenant sur les exemples consulter,
expliquer ou sur la ralisation d'autres tches. Plus simplement, nous avons besoin dun
MA plus complet. De plus, pour mieux observer et comprendre les effets de
lapprentissage et les difficults des tudiants, nous proposons de construire un modle de
groupe. Un modle de groupe pourrait tre similaire celui individuel, mais compte plus
sur les connaissances des tudiants. Par exemple, le niveau de connaissances sur un
certain concept pourrait tre une analyse statistique sur les connaissances des tudiants

35
concernant le concept. Ce modle de groupe pourrait galement contribuer initialiser les
modles individuels des futurs tudiants.

Puisque un MA est important pour favoriser lapprentissage des tudiants, des
questions se posent : quelle sorte de MA faudrait-il considrer pour atteindre notre but?
Quelles sont ses caractristiques attendues?
Dabord, il serait dynamique car le systme interagit avec les tudiants en temps
rel. Ensuite, il serait cognitif, parce que notre environnement est dvelopp partir
dtudes sur les caractristiques et les capacits dapprentissage de ltudiant (Capus et
al., 2003). Puis, ce MA serait prsent ltudiant pour que ce dernier puisse mieux
connatre son tat et son progrs dapprentissage, le modle serait alors ouvert aux
tudiants. Comme nous lavons dcrit, Sphinx est un environnement qui encourage les
tudiants et les enseignants participer ensemble, lattitude vers la collaboration sera
prise en compte comme un critre de lvaluation des connaissances, et donc notre MA
serait un modle collaboratif. Enfin, il serait galement un modle incertain car le
niveau de connaissances de lapprenant est souvent imprcis et nous avons besoin du
traitement de lincertitude.

De plus, quelles fonctionnalits voudrions-nous raliser dans ce travail? Si nous
voulons fournir aux tudiants des conseils personnaliss sur le choix des contenus
tudier ou rviser, quelles informations devraient tre incluses dans ce conseil?
Dans notre contexte, le conseil devrait contenir les quatre parties suivantes :
- Ralisation des tches prcdentes. Lapprentissage sorganiserait sur une base
hebdomadaire. Donc, dans cette partie, nous conclurions les tches ralises
pendant la semaine prcdente. La premire semaine nest donc pas incluse.
- Les concepts connus ou acquis. Ici, nous donnerions un aperu gnral des
connaissances que lapprenant a dj matrises sous forme de graphe (ex : un
arbre ou un rseau).
- Le niveau actuel et prcdent des connaissances de lapprenant. Ltudiant
pourrait comparer son progrs par lui-mme et ajuster son objectif et son plan

36
dapprentissage si ncessaire. Ainsi, nous pouvons fournir une comparaison entre
son propre niveau et celui du groupe.
- Les tches raliser. Ceci est la partie la plus importante dans le conseil. Nous
pourrions proposer les tches hebdomadaires, par exemple les concepts
(concrtement les exemples) rviser (des points faibles ou des tches non
accomplies), les nouveaux concepts/exemples consulter ou expliquer, etc. De
plus, dans certains cas, nous pourrions recommander ltudiant daider les autres
raliser certaines tches.

3.2.2. Processus

La deuxime tape est de considrer et de dcrire des aspects plus spcifiques du
modle de lorganisation (comment le processus est structur, qui est impliqu dans le
processus, quelles ressources sont utilises, etc.), laide de la fiche technique OM-2
(Schreiber et al., 2000), comme indiqu dans la figure 3.2., nous discuterons ici
brivement des principaux lments et rsultats.

La composante processus dans la fiche OM-2 joue un rle central dans lanalyse
de lorganisation. La figure 3.2.2 illustre un processus simple de notre situation laide
dun diagramme dactivit. Chaque fois que l'apprenant entre dans le systme avec son
identit (nom d'utilisateur, mot de passe, etc.), le systme va chercher et reconnatre son
MA, qui enregistre toutes ses informations pertinentes au cours du processus
d'apprentissage. Les informations pertinentes pour un nouvel utilisateur sont initialises
par les strotypes (Hatzilygeroudis et Prentzas, 2004; Rich, 1989), ce qui signifie que
chaque tudiant sera affect une classe prdfinie (aussi appele strotype ), selon
certaines de ses caractristiques. Ensuite, le systme va gnrer des conseils personnaliss
sur les exemples tudier en fonction du niveau de connaissances de l'apprenant, son
progrs, ses prfrences et d'autres informations enregistres dans son MA. L'apprenant
peut suivre le plan dtude propos dans le conseil ou il peut galement choisir d'tudier
librement nimporte quel exemple. Pour chaque exemple, l'apprenant est invit donner
des explications sur la solution, tape par tape. L'tudiant est aussi invit donner son

37
propre avis sur son niveau de comprhension concernant cet exemple. Quand il termine
une session d'apprentissage, le systme excute une valuation multi-critres sur le
niveau de connaissances de l'apprenant. Toutes les informations changes seront enfin
mises jour dans le modle de l'apprenant. L'enseignant est responsable de la gestion des
exemples et de donner temps une rtroaction aux apprenants.
Il sagit de quatre activits (tches) : lidentification de lapprenant, la gnration
de conseils, lvaluation des connaissances de lapprenant et la mise jour des MA.
Trois agents sont impliqus dans ce processus : lapprenant, lenseignant et le systme.
Les ressources utilises sont les informations personnelles sur lapprenant (notamment
les explications donnes par lapprenant et les connaissances de lapprenant) ainsi que les
connaissances sur le cours (ex : structure du cours, caractristiques des concepts du
cours et des exemples correspondants). La sortie de ce processus sont les conseils
proposs lapprenant.
Le processus est spcifi avec plus de dtails laide dune autre fiche technique
individuelle (OM-3, voir le tableau 3.2.2). Pour chaque tche, nous prcisons les agents
impliqus et les connaissances exploites.

Modle de lorganisation Analyse du processus : OM-3

No TCHE
EFFECTUE
PAR
O? BILAN DES CONNAISSANCES INTENSIF?
IMPOR-
TANCE
1 Identification
- Apprenant
- Systme
(Gestionnaire
de modles)
-
- Liste des tudiants
- Patrons de MA
- Donnes personnelles de lapprenant
Non 3
2
Gnration
des conseils
- Enseignant
- Systme
(Conseiller)
-
- Structure du cours
- Caractristiques des concepts du cours
- Caractristiques des exemples impliqus
- Caractristiques de lapprenant
- Connaissances de lapprenant
- Stratgie de slection des concepts tudier
- Stratgie de slection des exemples tudier
Oui 5
3 valuation
- Apprenant
- Enseignant
- Systme
(valuateur)
-
- Structure du cours
- Caractristiques des concepts du cours
- Caractristiques des exemples impliqus
- Interactions de lapprenant
- Connaissances de lapprenant
- Critres de lvaluation des connaissances dun
apprenant particulier
- Critres de lvaluation des connaissances dun
groupe dapprenants
Oui 5
4 Mise jour
- Systme
(Gestionnaire
de modles)
-
- Caractristiques de lapprenant
- Interactions de lapprenant
- Connaissances de lapprenant
Non 4

Tableau 3.2.2 OM-3 : Analyse du processus

38


Figure 3.2.2 Processus dapprentissage de lapprenant

39
3.2.3. Bilan des connaissances (Knowledge Assets)

Lautre lment important dans la fiche OM-2 est la composante connaissances qui
numre toutes les connaissances ncessaires la rsolution du problme. Les connaissances
peuvent tre divises en deux groupes : connaissances du domaine et connaissances des
tches. Les connaissances du domaine sont des informations statiques et concernent le
domaine dapplication. Les connaissances des tches sont des connaissances employes pour
raliser les objectifs anticips. Le tableau 3.2.3-a montre la classification des connaissances
dont nous disposons dans cette application.
Dans notre cas, les connaissances du domaine incluent les connaissances sur le cours que
lapprenant suit et les connaissances sur lapprenant. Les connaissances des tches
contiennent les critres pour valuer les connaissances de lapprenant et les stratgies pour
slectionner les matires tudier.
CATGORIE CONTENU CONNAISSANCES REMARQUE
Connaissances
du domaine
Connaissances
sur le cours
Structure du cours (Concepts - exemples)
Spcifique au
domaine tudi
Caractristiques des concepts du cours
Caractristiques des exemples impliqus
dans les concepts
Connaissances
sur lapprenant
Liste des tudiants
Indpendant du
domaine tudi
Patrons de MA
Spcifique au
domaine tudi
Donnes personnelles de lapprenant Indpendant du
domaine tudi Caractristiques de lapprenant
Interactions de lapprenant
(ex. les explications donnes par lapprenant) Spcifique au
domaine tudi Connaissances de lapprenant
Connaissances du groupe dapprenants
Connaissances
des tches
valuation
Critres de lvaluation des connaissances
dun apprenant particulier
Spcifique au
domaine tudi
Critres de lvaluation des connaissances
dun groupe des apprenants
Slection
Stratgie de slection des concepts tudier
Stratgie de slection des exemples tudier

Tableau 3.2.3-a Classification des connaissances

La fiche OM-4 (tableau 3.2.3-b) fournit une spcification de la composante
connaissances de la fiche OM-2. Cette spcification sera ultrieurement raffine, dabord

40
dans le modle des tches et ensuite de faon plus approfondie dans le modle de
connaissances.

3.3. Modle des tches

Aprs lanalyse du modle de lorganisation, nous prcisons les caractristiques des
tches pertinentes, les agents qui ralisent ces tches et les lments de connaissances
utilises par les agents pour accomplir ces tches (Schreiber et al., 2000, p.44). La figure 3.3
prsente une vue densemble du modle des tches de CommonKADS.

Les caractristiques des tches, telles que le but de la tche, la dpendance et le flot des
agents qui effectuent cette tche, seront analyses dans la fiche technique TM-1. Les
lments de connaissances exploites pour raliser ces tches seront ensuite examins en
termes de la nature, de la forme et de la disponibilit (TM-2).




Figure 3.3 Modle des tches de CommonKADS
(traduit de Schreiber et al., 2000, figure 3.7, p.45)



41
Modle de lorganisation Bilan des connaissances : OM-4

CAPITAL DE
CONNAISSANCES
POSSD PAR UTILIS DANS
BONNE
FORME ?
BONNE
PLACE ?
BON
TEMPS ?
BONNE
QUALIT ?
Structure du cours
(concepts - exemples)
- Enseignant
- Systme
(valuateur,
conseiller)
- valuation
- Gnration des
conseils
Oui Oui Oui Oui
Caractristiques des
concepts du cours
- Enseignant
- Systme
(valuateur,
conseiller)
- valuation
- Gnration des
conseils
Non Non Non Non
Caractristiques des
exemples
- Enseignant
- Systme
(valuateur,
conseiller)
- valuation
- Gnration des
conseils
Non Non Non Non
Liste des tudiants
- Enseignant
- Systme
(gestionnaire de
modles)
- Identification Oui Oui Oui Oui
Patrons de MA
- Systme
(gestionnaire de
modles)
- Identification Non Non Non Non
Donnes personnelles de
lapprenant
- Apprenant
- Systme
(gestionnaire de
modles)
- Identification Oui Oui Oui Non
Caractristiques de
lapprenant
- Apprenant
- Systme
(valuateur,
gestionnaire de
modles)
- valuation
- Mise jour du
modle
Non Oui Oui Non
Interactions de lapprenant
(ex : les explications
donnes par lapprenant)
- Apprenant
- Systme
(valuateur,
gestionnaire de
modles)
- valuation
- Mise jour du
modle
Non Non Non Non
Connaissances de
lapprenant individuel
- Systme
(valuateur,
conseiller,
gestionnaire de
modles)
- valuation
- Gnration des
conseils
- Mise jour du
modle
Non Non Non Non
Connaissances du groupe
dapprenants
- Enseignant
- Systme
(valuateur,
conseiller,
gestionnaire de
modles)
- valuation
- Gnration des
conseils
- Mise jour du
modle
Non Non Non Non
Critre de lvaluation des
connaissances dun
apprenant particulier
- Enseignant
- Systme
(valuateur)
- valuation Non Oui Oui Non
Critre de lvaluation des
connaissances dun
groupe dapprenants
- Enseignant,
- Systme
(valuateur)
- valuation Non Non Non Non
Stratgie de slection des
concepts tudier
- Enseignant
- Systme
(conseiller)
- Gnration des
conseils
Non Non Non Non
Stratgie de slection des
exemples tudier
- Enseignant
- Systme
(conseiller)
- Gnration des
conseils
Non Non Non Non
Tableau 3.2.3-b OM-4 : Bilan des connaissances


42
3.3.1. Analyse de tches

partir de ltude du modle de lorganisation, nous avons prcis que deux tches
requirent beaucoup de connaissances (knowledge-intensive task), soit la tche de
lvaluation des connaissances de lapprenant et la tche de la gnration des conseils. Ces
deux tches sont spcifies de faon plus dtaille laide de la fiche technique TM-1
(tableau 3.3.1-a et 3.3.1-b), qui est considre comme un raffinement des donnes de la fiche
technique OM-3 (tableau 3.2.2).
Comme nous lavons mentionn dans le modle de lorganisation, le conseil que nous
voudrions fournir est en fait un plan dtude qui explicite les exemples tudier ou rviser
ou encore expliquer. Pour slectionner ces exemples, il faut dabord dterminer les
concepts tudier ou rviser en fonction du syllabus du cours et de la situation de
lapprenant. Ensuite, le systme slectionnera les exemples appropris pour comprendre
chacun de ces concepts. Suite la slection des exemples pertinents, le systme assemblera
les informations correspondantes afin de former un conseil. La figure 3.3.1-a illustre ce
processus.
Lvaluation de connaissances seffectuera sur trois niveaux : sur lexemple, sur le
concept ainsi que sur le cours. Les connaissances du groupe seront galement values.
Lvaluation de la comprhension sur un exemple donn, lvaluation de plus bas niveau, est
base principalement sur lestimation de lapprenant lui-mme. La connaissance sur un
certain concept est infre partir de lensemble destimationsde la comprhension sur
chaque exemple tudi qui est impliqu dans ce concept. Par exemple, un apprenant a dj
tudi trois exemples concernant un certian concept, le systme va donc infrer la
connaissance de cet apprenant sur ce concept selons ses niveaus de comprhension sur ces
trois exemples. La figure 3.3.1-b montre la relation entre ces trois niveaux dvaluation.


43
Modle des tches Analyse des tches : TM-1

TCHE 2. Gnration des conseils lapprenant
ORGANISATION
Laboratoire ERICAE (U.L.), pour laide lapprentissage des tudiants dans le cadre du cours
dintroduction de lIA. Cette tche est effectue au dbut de chaque priode de lapprentissage de
lapprenant
BUT ET VALEUR
Pour donner des conseils pertinents (ex : son niveau de connaissances, les concepts et les exemples
proposs consulter ou expliquer, etc.) selon le niveau de connaissances de lapprenant et les autres
informations pertinentes
DPENDANCE
ET FLOT
Tches dentre : 1. Identification

Tches de sortie : tude des exemples
OBJETS MANIPULS
Objets dentre : Structure du cours, caractristiques de concepts et dexemples (ex : limportance dun
concept, le temps consomm estim, la pertinence dun exemple, la difficult dun concept, etc.),
caractristiques de ltudiant (ex : le but dapprentissage, le temps disponible dun apprenant, etc.),
connaissances de lapprenant, Stratgies de slection des concepts et des exemples proposer

Objets de sortie : Conseils personnaliss

Objets internes : Un ensemble de concepts, un ensemble dexemples

(voir la figure 3.3.1a)
TIMING ET
CONTRLE
Frquence : Une fois par priode de lapprentissage, avant ltude des exemples

Dure : Varie

Prcondition : Les descriptions sur les concepts et les exemples sont tablies, les connaissances de
lapprenant ont dj t values ou bien le modle de lapprenant est initialis

Postcondition : Les conseils sont complts
AGENTS Apprenant, enseignant, systme (conseiller)
CONNAISSANCE ET
COMPTENCE
- Structure du cours
- Caractristiques des concepts du cours
- Caractristiques des exemples impliqus dans les concepts

- Caractristiques de lapprenant
- Connaissances de lapprenant

- Stratgies de slection des concepts tudier
- Stratgies de slection des exemples tudier
Tableau 3.3.1-a TM-1 : Premire analyse de tche : Gnration des conseils



Figure 3.3.1-a Diagramme de flot de tche : Gnration des conseils


44
Modle des tches Analyse des tches : TM-1

TCHE 3. valuation des connaissances de lapprenant
ORGANISATION
Laboratoire ERICAE (U.L.), pour laide lapprentissage des tudiants dans le cadre du cours
dintroduction de lIA. Cette tche est effectue pendant le processus dapprentissage de lapprenant
BUT ET VALEUR
- Pour valuer le niveau de connaissances dun apprenant sur les matires du cours
- Pour valuer le niveau de connaissances gnrales dun groupe dapprenants
DPENDANCE
ET FLOT
Tches dentre : tude des exemples

Tches de sortie : 4. Mise jour
OBJETS MANIPULS
Objets dentre : Caractristiques des concepts, caractristiques des exemples, comprhension des
exemples de ltudiant, explications donnes par ltudiant, liste des tudiants

Objets de sortie : Connaissances de lapprenant sur chaque concept, connaissances gnrales de
lapprenant sur le cours, connaissances dun groupe dapprenants sur chaque concept, connaissances
gnrales du groupe sur le cours

Objets internes : Niveau de comprhension de lapprenant sur chaque exemple

(voir la figure 3.3.1-b)
TIMING ET
CONTRLE
Frquence : Une fois par priode de lapprentissage, aprs ltude des exemples

Dure : Varie

Prcondition : Lapprenant a dj consult quelques exemples et a auto-valu la comprhension des
exemples visits, les descriptions (caractristiques) sur les concepts et les exemples sont tablies

Postcondition : Le niveau de comprhension gnrale dun apprenant et celui dun groupe sont calculs
AGENTS Apprenant, enseignant, systme (valuateur)
CONNAISSANCE ET
COMPTENCE
- Structure du cours
- Caractristiques des concepts du cours
- Caractristiques des exemples impliqus dans les concepts

- Interactions de lapprenant
- Connaissances de lapprenant

- valuation des connaissances dun apprenant particulier
- valuation des connaissances dun groupe des apprenants

Tableau 3.3.1-b TM-1 : Premire analyse de tche : valuation

Figure 3.3.1-b Diagramme de flot de tche : valuation

45
3.3.2. Analyse des obstructions de connaissances

Dans le modle des tches, nous avons examin de plus prs les connaissances
impliques dans les tches. Le document TM-2 est employ pour caractriser la nature des
connaissances en termes de plusieurs attributs relis la nature, la forme et la
disponibilit de llment de connaissances. Il constitue un rafinnement des donnes de la
fiche OM-4 (tableau 3.2.3-b). Il se concentre sur les dtails relis aux obstructions et
lamlioration correspondante des champs spcifiques de connaissances (Schreiber et al.,
2000, p.48).

Les tableaux suivants 3.3.2-a et 3.3.2-b donnent quelques exemples de ce type danalyse.
Trouver des obstructions est un problme essentiel dans lanalyse de ce niveau (Schreiber et
al., 2000). Par exemple, la structure du cours (voir le tableau 3.3.2-a) est formelle, rigoureuse
et hautement spcialise. Cette connaissance existe dans la tte de lenseignant et est
galement documente sur papier. La version lectronique a t dveloppe pour le systme
Sphinx (Curvat, 2004). On peut la consulter pendant la dure du cours (une session). Pour
linstant, il nest pas ncessaire de lamliorer.

Modle des tches lment de connaissances : TM-2

NOM Structure du cours
POSSD PAR Enseignant, systme (valuateur, conseiller)
UTILIS DANS 2. valuation, 3.Gnration des conseils
DOMAINE Intelligence artificielle

NATURE DE LA CONNAISSANCE
OBSTRUCTION / TRE
AMLIOR ?
Formelle, rigoureuse X
Bas sur lexprience X
Hautement spcialise, spcifique au domaine X

FORME DE LA CONNAISSANCE
Pense X
Papier X
lectronique X

DISPONIBILIT DE LA CONNAISSANCE
Limites de temps X

Tableau 3.3.2-a TM-2 : Analyse dlment de connaissances : Structure du cours

46
Le niveau de connaissances de lapprenant (voir le tableau 3.3.2-b) est lautre exemple.
Cette connaissance est trs spcifique au domaine et base sur lexprience et sur laction.
Elle peut tre incomplte et incertaine. Il est difficile de vrifier si le niveau est exactement
celui de lapprenant. Ces facteurs peuvent entrainer une obstruction. Le niveau de
connaissances change rapidement car il peut tre diffrent aprs chaque utilisation du
systme par ltudiant. Prsentement, la connaissance est limite par la forme (pense ou
papier) et donc cause diverses limites de disponibilit.

Modle des tches Item de connaissances : TM-2

NOM Niveau de connaissances de lapprenant
POSSD PAR
Apprenant, enseignant, systme (valuateur,
conseiller, gestionnaire de modles)
UTILIS DANS
2. valuation, 3.Gnration des conseils,
4. Mise jour de modles
DOMAINE ducation

NATURE DE LA CONNAISSANCE
OBSTRUCTION / TRE
AMLIOR ?
Hautement spcialise, spcifique au domaine X
Bas sur lexprience X X
Bas sur laction X
Incomplte X X
Incertaine, peut-tre incorrecte X X
Changeante rapidement X
Difficile vrifier X X

FORME DE LA CONNAISSANCE
Pense X X
Papier X

DISPONIBILIT DE LA CONNAISSANCE
Limites de temps X X
Limites despaces X X
Limites daccs X X
Limites de qualit X X
Limites de forme X X

Tableau 3.3.2-b TM-2 : Analyse dlment de connaissances : Connaissance de
lapprenant

47
3.4. Modle des agents

Les tapes prcdentes sur ltude dimpact et damlioration sont domines par le point
de vue de tches raliser. Il est galement utile de considrer les informations du point de
vue des diffrents agents qui effectuent les tches. Le modle des agents de CommonKADS
est exploit pour dcrire les caractristiques des agents et pour comprendre les rles et les
comptences des divers acteurs qui effectuent une tche partage dans l'organisation
(Schreiber et al., 2000, p.48).

Dans notre contexte, nous avons deux agents humains (apprenant et enseignant) et quatre
agents du systme (gestionnaire de modles, conseiller, valuateur et gestionnaire des
exemples), qui travaillent ensemble pour raliser la tche anticipe : donner des conseils
pertinents aux tudiants.
Les tableaux suivants (tableaux 3.4-a,b,c,d,e,f) prsentent une premire analyse de ces
agents. La spcification AM-1, qui analyse chaque agent, est plutt un rarrangement des
informations existantes dans les fiches techniques prcdentes. Ce modle produit des
informations dentre pour dautres modles, surtout le modle de communication (Schreiber
et al., 2000, p.48). Le tableau 3.4-a spcifique lagent apprenant et les autres spcifications
AM-1 analysent respectivement lenseignant (tableau 3.4-b), le gestionnaire de modles
(tableau 3.4-c), lvaluateur (tableau 3.4-d), le conseiller (tableau 3.4-e) ainsi que le
gestionnaire des exemples (tableau 3.4-f).

Modle des agents Agent : AM-1

NOM Apprenant
ORGANISATION
Laboratoire ERICAE (U.L.), pour laide lapprentissage des tudiants. Le rle de l'apprenant est
d'tudier les exemples proposs, de les expliquer, et aussi dauto-estimer son niveau de la
comprhension sur lexemple tudi
IMPLIQU DANS 1. Identification, 2 Gnration des conseils, 3. valuation
COMMUNIQUER AVEC Systme (gestionnaire de modles, conseiller, valuateur et gestionnaire des exemples)
CONNAISSANCES
Donnes personnelles de lapprenant, caractristiques de lapprenant, interactions de lapprenant,
connaissances de lapprenant
AUTRES COMPTENCES Aptitude et capacit dauto-explication et dauto-estimation
RSPONSABILIT ET
CONTRAINTES
Lapprenant tudie et explique des exemples et estime son niveau de comprhension (ex : rien, peu,
bien, tout) sur lexemple tudi
Tableau 3.4-a AM-1 : Analyse de lagent : apprenant

48
Modle des agents Agent : AM-1

NOM Enseignant
ORGANISATION
Laboratoire ERICAE (U.L.), pour laide lapprentissage des tudiants. Lagent Enseignant
inclut les professeurs et les auxiliaires de lenseignement du cours. Le rle de l'enseignant est de
donner des matires tudier (ex : construire des exemples), daider les tudiants comprendre et
expliquer les exemples, de dterminer les critres dvaluation des connaissances de ltudiant, de
dterminer les stratgies de slection des matires proposer, dadapter lenseignement (ex : ajouter
certains exemples sur certains concepts) selon les effets de lenseignement (ex : le niveau gnral de
connaissances dun groupe), etc.
IMPLIQU DANS 2. valuation, 3. Gnration des conseils
COMMUNIQUER AVEC Systme (valuateur, gestionnaire des exemples)
CONNAISSANCES
Structure du cours, caractristiques des concepts du cours, caractristiques des exemples, liste des
tudiants, connaissances de lapprenant, critres de lvaluation des connaissances des apprenants,
stratgies de slection des matires (incluant des concepts et des exemples) proposer
AUTRES COMPTENCES Aptitude et capacit daider les tudiants
RSPONSABILIT ET
CONTRAINTES
Lenseignant est responsable de favoriser lapprentissage des tudiants (ex : de fournir des exemples
suffisants et pertinents, de motiver les tudiants dtudier et dexpliquer les exemples, etc.)
Tableau 3.4-b AM-1 : Analyse de lagent : enseignant

Modle des agents Agent : AM-1

NOM Systme (Gestionnaire de modles)
ORGANISATION
Laboratoire ERICAE (U.L.), pour laide lapprentissage des tudiants. Le rle de cet agent logiciel
est de grer la base des modles de lapprenant (soit ses informations conserves dans la base de
connaissances). Plus concrtement, il sagit dassocier chaque apprenant avec son propre modle,
dinitialiser le modle pour la premire visite, de mettre jour le modle individuel et de groupe,
etc.
IMPLIQU DANS 1. Identification, 4. Mise jour du modle
COMMUNIQUER AVEC Apprenant, systme (conseiller, valuateur)
CONNAISSANCES Liste des tudiants, patrons de MA, connaissances sur lapprenant
AUTRES COMPTENCES
RSPONSABILIT ET
CONTRAINTES
- Identification du modle appropri dans la base des connaissances;
- Initialisation des modles;
- Mise jour des modles
Tableau 3.4-c AM-1 : Analyse de lagent : systme - gestionnaire de modles

Modle des agents Agent : AM-1

NOM Systme (valuateur)
ORGANISATION
Laboratoire ERICAE (U.L.), pour laide lapprentissage des tudiants. Le rle de cet agent logiciel
est dvaluer les connaissances dun apprenant particulier et dun groupe dapprenants
IMPLIQU DANS 2. valuation
COMMUNIQUER AVEC Apprenant, enseignant, systme (gestionnaire de modles)
CONNAISSANCES
Structure du cours, caractristiques des concepts du cours, caractristiques des exemples,
caractristiques de lapprenant, interactions de lapprenant, connaissances de lapprenant, critres de
lvaluation des connaissances dun apprenant particulier et dun groupe des apprenants
AUTRES COMPTENCES
RSPONSABILIT ET
CONTRAINTES
valuation des connaissances de lapprenant en fonction de son performance (ex : explications
donnes), son auto-estimation ainsi que son degr de confiance

Tableau 3.4-d AM-1 : Analyse de lagent : systme - valuateur

49
Modle des agents Agent : AM-1

NOM Systme (Conseiller)
ORGANISATION
Laboratoire ERICAE (U.L.), pour laide lapprentissage des tudiants. Le rle de cet agent logiciel
est de gnrer des conseils pertinents lapprenant selon les informations conserves dans le
modle de lapprenant
IMPLIQU DANS 3. Gnration des conseils
COMMUNIQUER AVEC Apprenant, systme (gestionnaire de modles)
CONNAISSANCES
Structure du cours, caractristiques des concepts du cours, caractristiques des exemples,
connaissances de lapprenant, stratgies de slection des concepts tudier, stratgies de slection
des exemples tudier
AUTRES COMPTENCES Assembler les informations pertinentes et les prsenter de manire conviviale
RSPONSABILIT ET
CONTRAINTES
Le conseiller est responsable de prsenter lapprenant son progrs actuel dapprentissage, de
proposer des concepts et des exemples tudier ou rviser, et des autres tches pdagogiques

Tableau 3.4-e AM-1 : Analyse de lagent : systme - conseiller

Modle des agents Agent : AM-1

NOM Systme (Gestionnaire des exemples)
ORGANISATION
Laboratoire ERICAE (U.L.) pour laide lapprentissage des tudiants. Le rle de cet agent logiciel
est de grer la base des exemples. Plus prcisment, il sagit de mettre jour des exemples, de
rechercher des exemples demands et de les prsenter lapprenant
IMPLIQU DANS tude des exemples (apprenant), gestion des exemples (enseignant)
COMMUNIQUER AVEC Apprenant, enseignant
CONNAISSANCES
Connaissances sur le cours (structure du cours, caractristiques des concepts, caractristiques des
exemples)
AUTRES COMPTENCES
RSPONSABILIT ET
CONTRAINTES
Le gestionnaire des exemples est responsable de prsenter les exemples lapprenant et de fournir
une interface lenseignant dditer les exemples et de donner des rtroactions. Pourtant, les
fonctions relies de cet agent nest pas dans le champ de ce travail

Tableau 3.4-f AM-1 : Analyse de lagent : systme - gestionnaire des exemples

3.5. Modle de connaissances

Les trois modles prcdents sont utiliss pour la modlisation du contexte. Comme
indiqu dans la figure 3.1, en ce qui a trait au concept, on retrouve le modle des
connaissances et le modle de communication.

Le modle des connaissances est un outil danalyse pour clarifier la structure dune tche
requrant beaucoup de connaissances (knowledge-intensive task). Il fournit une spcification
des structures de donnes et de connaissances exiges pour lapplication (Schreiber et al.,
2000, p.88). Un modle des connaissances contient 3 catgories de connaissances, chacune

50
regroupant un ensemble de structures de connaissances: connaissances du domaine,
connaissances dinfrence et connaissances de la tche (Schreiber et al., 2000, p.89). Nous
les expliquons ci-dessous.

3.5.1. Connaissances du domaine

Les connaissances du domaine dcrivent des informations statiques et des objets de
connaissance du domaine dapplication. Une description de connaissances du domaine se
compose typiquement de deux types dlments (Schreiber et al., 2000, p.91) :
- Schma du domaine : Une description schmatique des connaissances et des
informations spcifiques au domaine sous forme de plusieurs dfinitions de types
(type definition).
- Base de connaissances : Des instances des types spcifis dans le schma du
domaine.

Spcification du schma du domaine

Le schma du domaine dcrit les principaux concepts, soit un ensemble des objets ou
des instances du domaine dapplication qui partagent des caractristiques similaires
(Schreiber et al., 2000, p.92), et les relations entre ces concepts. On peut construire
galement dans le schma du domaine un certain nombre de types de rgles, qui englobent
les dpendances logiques de la structure du domaine. Ces types de rgles sont construits pour
structurer une base de connaissances en partitions plus petites (ex : des ensembles des rgles)
(Schreiber et al., 2000, p.100-101).

La figure 3.5.1-a illustre le schma du domaine pour notre contexte. Ce schma contient
5 concepts : COURS, CONCEPT, EXEMPLE, APPRENANT et GROUPE_APPRENANTS.
Un COURS contient plusieurs CONCEPTs. Un EXEMPLE sinscrit dans un certain
CONCEPT. Un APPRENANT peut suivre un COURS, tudier un CONCEPT en tudiant
(consultant et/ou expliquant) un EXEMPLE. Un certain nombre dAPPRENANTs peuvent

51
former un GROUPE_APPRENANTS. Pour chaque concept, nous pouvons spcifier un
ensemble des attributs/proprits. Le tableau 3.5.1-a montre une dfinition dtaille du
concept APPRENANT. Les quatre autres concepts sont dfinis de la mme manire.


Figure 3.5.1-a Schma du domaine

Nous dfinissons deux types de rgles pour cette application en fonction de lutilit : un
pour lvaluation des connaissances de lapprenant et lautre pour la slection des matires
tudier. Chacun peut galement tre divis en plusieurs sous-types. Une rgle concrte est
considre comme une instance dun type de rgles.

Les deux figures suivantes (3.5.1-b et 3.5.1-c) montrent la reprsentation graphique de
ces deux types de rgles. Une flche en trait plein est utilise pour connecter les antcdents
au symbole de connexion, et le symbole de connexion aux consquences. Le nom du type de
rgles est plac dans une ellipse et est connect au symbole de connexion par un trait
pointill. Les chiffres sur les flches indiquent la cardinalit (le nombre minimum et
maximum dexpressions dans les antcdents et les consquences).


52
concept: APPRENANT

No. Proprits Type Catgorie Utilit Remarque
1 Nom Str
Donnes
personnelles
Identification

2 Numro de dossier Str Matricule
3 Groupe_ID Str GROUPE_APPRENANTS
4 Nom dutilisateur Str
5 Mot de passe Str
6 Formation
{CGEP, 1er cycle,
cycles suprieurs}
Initialisation
7
Expriences relies au
cours
{oui, non} Initialisation
8 But dapprentissage
{passer lexamen,
obtenir une bonne note,
approfondir des
connaissances, autre }
Caractristiques de
lapprenant
- Initialisation
- Slection des concepts et des
exemples

9
Prfrence de style
dapprentissage
{lecture, exposs
magistraux,
discussion, pratique,
autre}
Recommandation sur lauto-
explication ou la collaboration

10
Niveau de confiance
en lui
{lev, moyen, bas}
Infrence de la comprhension
de lapprenant

11 Disponibilit
{moins de 2 heures, 2-6
heures, 6-8 heures, 8
heures plus}
Slection des concepts et des
exemples
Nombre dheures par
semaine prvues pour ce
cours
12 tat des concepts
{tudi, tudier,
rviser, ne pas proposer, }
tat
dapprentissage
Slection des concepts *
13 tat des exemples
{tudi, tudier,
rviser, expliquer, ne
pas proposer }
Slection des exemples *
14
Nombre de visites
dun exemple
N
Interaction entre le
systme et
lapprenant
Infrence de la comprhension
de lapprenant
*
15
Dure de la dernire
visite d'un exemple
N
Infrence de la comprhension
de lapprenant
*
16
Nombre total
dexplications lues
N
- Infrence de la comprhension
de lapprenant
- Recommandation sur lauto-
explication ou la collaboration

17
Nombre total
dexplications donnes
N
Recommandation sur lauto-
explication ou la collaboration

18
Comprhension sur
des exemples (auto-
estime)
{rien compris, peu
compris, bien compris,
tout compris}
Connaissances de
lapprenant
Infrence de la comprhension
de lapprenant
*
estime par lapprenant.
19
Comprhension sur
des exemples (infre)
{rien compris, peu
compris, bien compris,
tout compris}
Infrence de la
comprhension de lapprenant
*
infre partir des
explications donnes.
20
Niveau de
connaissances sur des
concepts (infr)
{insuffisant, suffisant,
bon, excellent}
- Infrence de la comprhension
de lapprenant
- Slection des concepts et des
exemples
*
21
Niveau de
connaissances gnral
sur le cours (infr)
{insuffisant, bon, trs
bon, excellent}
Slection des concepts et des
exemples


* appartenant au cheminement personnel de ltudiant (annote avec certains attributs)

Tableau 3.5.1-a Dfinition du concept : APPRENANT


53


Figure 3.5.1-b Type de rgles : Rgle-slection


Figure 3.5.1-c Type de rgles : Rgle-valuation

Base de connaissances

Un schma du domaine dcrit des types de connaissances du domaine, tels que des
concepts, des relations et des types de rgles. Une base de connaissances contient des
instances de ces types de connaissances (Schreiber et al., 2000, p.101). La base de
connaissances de notre contexte comprend videmment une structure du cours, qui montre
les relations entre les CONCEPTs et les EXEMPLEs. Un exemple gnral de ce genre de
structure est illustr dans la figure 3.5.1-d. Par exemple, il contient huit principaux

54
CONCEPTs dans le cours. Pour le Concept #2 , son concept pr-requis est le Concept
#1 , et il est aussi le concept pr-requis pour les Concept #3 et Concept #4 . Nous
avons cinq EXEMPLEs pour comprendre le Concept #2 . Curvat (2004) a expliqu de
faon dtaille la structure du cours utilise dans la version actuelle de Sphinx.



Figure 3.5.1-d Structure du cours

La base de connaissances devrait galement contenir des instances des cinq concepts
dfinis dans le schma du domaine. Le tableau 3.5.1-b montre un exemple dEXEMPLE. Le
Contenu peut tre compos de plusieurs lments, tels que Question , Solution ,
Explication , etc., qui ne sont pas discuts dans ce mmoire et ont t dcrits davantage
dans dautres travaux du laboratoire ERICAE (voir par exemple Capus et al., 2006; 2003;
Potvin, 2005; Curvat, 2004). Les autres lments dEXEMPLE, tels que le niveau de
difficult, le niveau de pertinence et aussi le temps utilis, font partie des facteurs importants
pour infrer si un exemple est appropri tudier/rviser ou non.
Tableau 3.5.1-b Dfinition de linstance : EXEMPLE
CLASSE : Exemple INSTANCE : Exemple#21
Classe : Exemple
[Str] ID# : [Str] ID# : E21
[Concept] Concept : [Concept] Concept : C02
Difficult : {facile, moyen, difficile} Difficult : moyen
Pertinence : {lmentaire, intermdiaire, avanc, suplmentaire} Pertinence : lmentaire
[N] Temps_consomm : [N] Temps_consomm : 20 (minutes)
Contenu : Contenu : xxxx

55
3.5.2. Connaissances de la tche

Des connaissances de la tche sont des connaissances qui dcrivent les buts et les
stratgies utilises pour atteindre ces buts. Cette catgorie de connaissances est typiquement
dcrite de faon hirarchique : une dcomposition des tches de premier niveau (top-level) en
sous-tches et en infrences (Schreiber et al., 2000, p.112). Le tableau ci-dessous (tableau
3.5.2) donne un survol de la dcomposition des tches pour notre but.

No. Tches Sous-tches Type de tche
1 Identification de lapprenant
Recherche du modle de lapprenant classification
Initialisation du modle de lapprenant classification
2 Gnration des conseils
Slection des concepts proposer classification
Slection des exemples proposer configuration
mission des conseils assignation
3
valuation des connaissances
de lapprenant
valuation de la comprhension de
lapprenant pour un exemple particulier
classification
valuation des connaissances de
lapprenant pour un concept particulier
valuation
valuation de connaissances gnrales
de lapprenant pour le cours
valuation
valuation de connaissances dun
groupe dapprenants pour un concept
particulier
valuation
valuation de connaissances gnrales
dun groupe dapprenants pour un cours
valuation
4
Mise jour du modle de
lapprenant
Mise jour du modle individuel modification
Mise jour du modle de groupe modification

Tableau 3.5.2 Dcomposition des tches

Deux types de connaissances jouent un rle important dans la description des
connaissances de la tche (Schreiber et al., 2000, p.112):
- La tche : dfinit un but de raisonnement en terme dune paire dentres et de sorties.
- La mthode de la tche : dcrit comment la tche peut tre ralise par une
dcomposition fonctionnelle et comment contrler lexcution des fonctions.

Les rsultats de la dcomposition des deux premires tches sont prsents dans les figures
3.5.2-a et 3.5.2-b, respectivement pour la dcomposition de la tche didentification de
lapprenant et pour la tche de gnration des conseils.

56
La tche didentification est dcompose en deux sous-tches : linitialisation des
modles pour les nouveaux arrivs et la recherche du modle dans la base des modles.
Linitialisation du modle en fait a pour objectif de catgoriser les tudiants dans les classes
prdfinies, soit les patrons des modles initiaux. La recherche du modle a pour but
dassocier lapprenant avec son propre modle dans la base en appariant certains attributs
(ex : nom dutilisateur et mot de passe). Donc, ces deux sous-tches sont des tches de
classification et peuvent tre ralises en gnrant des classes candidates catgoriser
(patrons candidats pour linitialisation ou modle candidat pour la recherche) et en appariant
des attributs. Les dtails de linfrence seront raffins dans la session prochaine sur les
connaissances dinfrence.

Tche
Mthode de
la tche
Infrence
(Sous-)tche
Mthode de la
sous-tche
(Sous-)tche
Mthode de
la sous-tche
Fonction de
transfert
Identification de lapprenant
Identification par classification
Initialisation de lapprenant
Initialisation par classification
Recherche du modle de
lapprenant
Recherche par classification
Classification
Classification par gnrer et apparier
Gnrer
Spcifier
Apparier
Obtenir
Classification
Classification par gnrer et apparier
Gnrer
Spcifier
Apparier
Obtenir


Figure 3.5.2-a Dcomposition de la tche de lidentification
La tche de gnration de conseils est dcompose en trois sous-tches : slection de
concepts, slection des exemples et assemblage des informations correspondantes dans un
patron de conseil.

57
La slection de concepts fonctionne pour classer les concepts du cours en trois
catgories : tudier , rviser et ne pas proposer pour chaque apprenant. Cette
sous-tche est alors une tche de classification. Le processus de slection des exemples
proposer est diffrent de celui de slection de concepts. Un ensemble dexemples est
considr comme une entit et configur en proposant des candidats rviser selon un certain
nombre de contraintes. Ceci sera davantage dcrit dans la structure dinfrence de slection
des exemples. Le processus dassemblage des conseils peut tre considr comme un
processus dassignation. Dabord des informations pertinentes du modle de lapprenant sont
slectionnes, ensuite elles sont groupes et assignes dans les diffrentes sessions du
conseil.



Figure 3.5.2-b Dcomposition de la tche de la gnration des conseils
3.5.3. Connaissances dinfrence

Dans cette section, nous allons dcrire comment les structures statiques du domaine
peuvent tre utilises pour effectuer un processus de raisonnement, en considrant des
infrences. Des infrences, des units de traitement de base dinformation, dcrivent le plus

58
bas niveau de la dcomposition fonctionnelle. Une infrence effectue une fonction primitive
du raisonnement du systme de connaissances anticip (Schreiber et al., 2000, p. 104).
Comme indiqu dans la section prcdente, nous avons quatre types de tches : la
classification, lvaluation, la configuration/conception et la modification (voir le tableau
3.5.2 et les figures 3.5.3-a, -b, -c).
Par exemple, linitialisation du modle de lapprenant, une sous-tche de lidentification
de lapprenant, pourrait tre vue comme une tche de classification, car la structure
dinfrence de la tche de classification correspond bien au processus de raisonnement de
linitialisation. De plus, la classification est une tche assez simple et classique. La figure
3.5.3-a prsente une structure dinfrence annote de cette tche.
Il contient trois infrences qui sont ncessaires pour la ralisation de cette tche :
- Gnrer : Cette infrence gnre des solutions candidates en cherchant dans les
patrons de MA.
- Spcifier : Cette infrence spcifie quelques attributs pour vrifier si cet apprenant
correspond ce patron.
- Apparier : Cette infrence apparie les attributs de cet apprenant avec les attributs du
patron candidat pour vrifier si consistant.
La fonction de transfert obtenir permet de demander lapprenant les attributs
correspondants.


Figure 3.5.3-a Structure dinfrence annote : initialisation (classification)
apparier

59
La slection de concepts proposer est un autre exemple de classification, comme
illustr dans la figure 3.5.3-b. Il contient galement trois infrences et une fonction de
transfert pour raliser cette tche.
- Gnrer : Nous avons trois classes : tudier pour les nouveaux concepts
matriser, rviser pour les concepts dj tudis mais pour lesquels la
connaissance nest pas suffisante, ou ne pas proposer pour les concepts ne
correspondant pas aux besoins de lapprenant pour le moment. Cette infrence a pour
objectif de vrifier si le concept donn est dans la catgorie de tudier ,
rviser , ou ne pas proposer .
- Spcifier : Cette infrence spcifie quelques attributs pour vrifier si ce concept
donn est pertinent proposer.
- Obtenir : Cette fonction de transfert permet dobtenir les attributs correspondants
dans la base de connaissances (connaissances sur le cours).
- Apparier : Cette infrence apparie les attributs de ce concept avec les attributs exigs
tre proposs afin de vrifier sil y a correspondance.



Figure 3.5.3-b Structure dinfrence annote : slection des concepts (classification)

apparier

60
La tche de la slection des exemples proposer est considre comme une tche de
configuration, au lieu de classification. Les exemples peuvent tre considrs comme des
composantes rasembler. La slection est un processus de configuration de ces
composantes (des exemples) selon la situation de lapprenant. Dans le processus de cette
slection, il faut tenir compte non seulement des attributs de lexemple mais aussi de ceux de
lapprenant, par exemple son niveau de comprhension, ses prfrences, etc. La classification
est donc trop simple pour rpondre ce besoin. La slection de concepts est relativement plus
simple puisque les attributs de concepts sont les facteurs principaux considrer pour la
slection. De plus, la configuration est plus flexible et comprhensive pour la slection des
exemples.

Une structure dinfrence annote de cette tche est montre dans la figure 3.5.3-c de la
page suivante. Nous discutons en suivant chaque infrence avec des dtails :
- Oprationnaliser : Les besoins de slection (incluant les besoins de lapprenant et les
exigences du cours) sont traduits en contraintes et prfrences oprationnelles.
- Spcifier : Dans notre situation, cette infrence prdfinit juste un ensemble des
exemples par dfaut.
- Proposer : Cette infrence permet de proposer un ensemble des exemples adapts en
calculant le temps ncessaire au total pour tudier ces exemples ou en slectionnant
certains exemples dans lensemble par dfaut selon les prfrences de lapprenant ou
les attributs de lexemple dans la base.
- Vrifier : Cette infrence vrifie si cet ensemble est consistant. Si la vrification
choue, linfrence va produire une contrainte viole comme une entre additionnelle.
- Critiquer : Cette infrence gnre des actions possibles pour aplanir des contraintes
violes, par exemple enlever ou remplacer certains exemples.
- Slectionner : Cette infrence slectionne la premire action non essaye.
- Modifier : Cette infrence applique laction slectionne lensemble adapt pour
corriger le problme.


61
- exigences du cours
- besoins de lapprenant
Besoins spcifier
Squence paramtrable
(skeletal design)
Extension oprationnaliser proposer
Besoins doux
(soft requirement)
Besoins durs
(hard requirement)
un ensemble des
exemples par dfaut
besoins de lapprenant
exigences du cours
un ensemble des
exemples modifi
un ensemble des
exemples adapt
vrifier
modifier
slctionner
critiquer
Dessin
Actions Violation Valeur de vrit
Liste des actions
contraintes violes, ex:
le temps disponible est
moins que le temps
estim consommer
pour les exemples dans
cet ensemble
oui, cet ensemble
est satisfaisant
actions
slectionnes
actions possibles pour
aplanir des violations,
ex: enlever ou remplacer
quelques exemples

Figure 3.5.3-c Structure dinfrence annote : slection des exemples (configuration)
Dans ce modle de connaissances, nous avons spcifi le schma du domaine (les cinq
concepts impliqus et leurs dfinitions, les relations entre eux, et deux types de rgles) et la
base de connaissances (ex : linstanciation de certains concepts) dans la catgorie de
connaissances du domaine. Dans la deuxime catgorie de connaissances, les connaissances
de la tche, nous avons analys de faon dtaille deux tches (lidentification et la
gnration des conseils) en dcomposant les tches en sous-tches et mthodes de la tche.
Enfin, les connaissances dinfrence sont examines laide des structures dinfrence
annotes sur les tches de linitialisation du modle, de la slection des concepts et de la
slection des exemples.

62
3.6. Modle de communication

Le modle de communication spcifie les procdures des changes dinformations entre
les tches effectues par divers agents; il se compose de trois couches subsquentes, des
spcifications globales aux plus dtailles : planification des communications, spcification
des transactions individuelles et spcification des changes dinformations (Schreiber et al.,
2000, p. 215-217).

3.6.1. Planification des communications

La planification des communications, qui dirige le dialogue global entre les agents, a
pour objectif de donner une vue densemble de tous les changes requrant des informations
(Schreiber et al., 2000, p.217).
La figure 3.6.1 prsente la planification de communication pour notre application. Cette
figure donne une vue complte sur toutes les transactions et les tches relies pour chaque
agent. Comme illustr dans la figure 3.6.1, nous avons deux agents humains (apprenant et
enseignant) et un agent systme qui est constitu de quatre sous-agents (gestionnaire de
modles, gestionnaire des exemples, conseiller et valuateur). Nous avons 13 transactions au
total pour les changes des informations entre ces agents. Parmi ces transactions, nous avons
11 transactions pour la communication entre lhumain et la machine : huit entre lapprenant
et le systme (les transactions nommes Tr#Ax ) et trois entre lenseignant et le systme
(les transactions nommes Tr#Cx ). Il reste deux transactions ( Tr#Bx ) pour la
communication entre les sous-agents du systme. Les flches noires symbolisent le transfert
des informations lintrieur dun agent. Les flches bleues reprsentent les changes des
informations entre les sous agents lintrieur du systme. Les flches rouges sybolisent le
flot de donnes entre lhumain et le systme. Pour chaque agent, nous avons numr ses
tches de plus bas niveau, mais les contrles sur les transactions ne sont pas encore inclus
dans cette planification des communications.

63

Figure 3.6.1 Planification des communications

64
3.6.2. Transactions entre des agents

Dans la planification des communications, nous avons indiqu lensemble des
transactions qui relient deux sous-tches effectues par deux agents diffrents. La seconde
couche du modle de communication contient donc une description des proprits de
transactions individuelles (Schreiber et al., 2000, p.227).

Les tableaux suivants (3.6.2-a, b) prsentent les descriptions de quelques transactions
individuelles indiques dans la planification des communications.

Modle de communication Description de transition : CM-1

IDENTIFICATEUR / NOM
DE LA TRANSITION
Tr#A4 : prsenter les conseils lapprenant
OBJET DINFORMATION
Les conseils transfrs entre la tche de lassemblage des conseils
du systme (conseiller) et la tche de la consultation des conseils
de lapprenant
AGENTS IMPLIQUS
metteur : systme (conseiller)
Rcepteur : apprenant
PLANIFICATION DES
COMMUNICATIONS
Dans le dialogue entre agent A (apprenant) et agent B (systme)
(voir la figure 3.6.1)
CONTRAINTES
Prcondition : Les informations impliques dans le conseil
devraient tre accumules et infres
SPCIFICATION DE
LCHANGE DINFORMATION
La structure interne et la description du conseil sont indiques la
fin de la session 3.2.1. Les dtails seront examins dans la fiche
technique CM-2 (tableau 3.6.3-a).
Tableau 3.6.2-a CM-1 : Spcification de transition : prsenter les conseils lapprenant

Modle de communication Description de transition : CM-1

IDENTIFICATEUR / NOM
DE LA TRANSITION
Tr#B1 : obtenir les informations dans le modle
OBJET DINFORMATION
Certains lments dans le modle de lapprenant sont transfrs
de la tche de recherche dun modle aux tches de slection des
concepts, de slection des exemples et dassemblage des conseils
AGENTS IMPLIQUS
metteur : systme (gestionnaire de modles)
Rcepteur : systme (conseiller)
PLANIFICATION DES
COMMUNICATIONS
Dans la dialogue entre agent B1 (gestionnaire de modles) et agent
B2 (conseiller) lintrieur du systme (voir la figure 3.6.1)
CONTRAINTES
Prcondition : Le modle de lapprenant devrait tre initialis ou
le niveau de connaissances de lapprenant a dj t valu
SPCIFICATION DE
LCHANGE DINFORMATION
La description du modle est indique dans la section 3.5.1. Les
dtails seront examins dans la fiche technique CM-2 (tableau
3.6.3-b)
Tableau 3.6.2-b CM-1 : Spcification de transition : obtenir les informations du modle

65
3.6.3. change dinformations

La dernire couche de ce modle, la spcification des changes dinformations,
contient les dtails de niveau le plus bas. Il fournit plusieurs entres importantes pour le
modle de conception et est associ limplmentation du systme (Schreiber et al., 2000,
p.229). Les tableaux suivants (3.6.3-a,b) donnent quelques exemples sur cette spcification.

Modle de
communication
Spcification de lchange linformation: CM-2

TRANSACTION Tr#A4 : prsenter les conseils lapprenant
AGENTS IMPLIQUS metteur : systme (conseiller) Rcepteur : apprenant.
ITEMS
DINFORMATION
Item : ralisation des tches prcdentes
Rle : item de support
Forme : texte
Mdium : message gnral
Item : les concepts connus ou acquis
Rle : item de support
Forme : schma
Mdium : message gnral (ou navigation et slection dans un menu)
Item : le niveau actuel et prcdent des connaissances de lapprenant
Rle : item de support
Forme : schma
Mdium : message gnral
Item : les tches raliser
Rle : cur de message
Forme : texte + schma
Mdium : navigation et slection dans un menu
SPCIFICATIONS
DU (DES)
MESSAGE(S) :
Item : ralisation des tches prcdentes
Type de communication : inform
Contenu : les tches ralises pendant la semaine prcdente (ex : les
exemples visits, les auto-explications donnes, etc.)
Rfrence : modle de lapprenant
Item : les concepts connus ou acquis
Type de communication : inform
Contenu : les concepts connus ou acquis
Rfrence : modle de lapprenant (cheminement personnel)
Item : le niveau actuel et prcdent des connaissances de lapprenant
Type de communication : inform
Contenu : le niveau des connaissances
Rfrence : modle de lapprenant (cheminement personnel)
Item : les tches raliser
Type de communication : inform
Contenu : les concepts (exemples) tudier, expliquer ou rviser
pour la semaine courante
Rfrence : modle de lapprenant (cheminement personnel), structure
du cours, caractristiques des concepts et des exemples du cours
CONTRLE
SUR LES MESSAGES
-
Tableau 3.6.3-a CM-2 : Spcification de lchange de linformation : prsenter les conseils

66
Modle de
communication
Spcification de lchange linformation: CM-2

TRANSACTION Tr#B1 : obtenir les informations dans le modle de lapprenant
AGENTS IMPLIQUS
metteur : systme (gestionnaire de modles)
Rcepteur : systme (conseiller).
ITEMS
DINFORMATION
Item : but dapprentissage, prfrence de style dapprentissage, disponibilit
Rle : item de support
Forme : donnes numriques
Medium : -
Item : nombre total dexplications lues, nombre total dexplications donnes
Rle : item de support
Forme : donnes numriques
Medium : -
Item : tat des concepts, tat des exemples
Rle : cur de message
Forme : schma
Medium : -
Item : niveau de connaissances sur des concepts (infr)
Rle : cur de message
Forme : schma
Medium : -
Item : niveau de connaissances gnral sur le cours (infr)
Rle : cur de message
Forme : donnes numriques
Medium : -
SPCIFICATIONS
DU (DES)
MESSAGE(S) :
Item : but dapprentissage, prfrence de style dapprentissage, disponibilit
Type de communication : ask-reply
Contenu : (voir le tableau 3.5.1-a)
Rfrence : modle de lapprenant (caractristiques de lapprenant)
Item : nombre total dexplications lues, nombre total dexplications donnes
Type de communication : ask-reply
Contenu : (voir le tableau 3.5.1-a)
Rfrence : modle de lapprenant (interaction entre le sytme et
lapprenant)
Item : tat des concepts, tat des exemples
Type de communication : ask-reply
Contenu : (voir le tableau 3.5.1-a)
Rfrence : modle de lapprenant (cheminement personnel)
Item : niveau de connaissances sur des concepts (infr)
Type de communication : ask-reply
Contenu : (voir le tableau 3.5.1-a)
Rfrence : modle de lapprenant (cheminement personnel)
Item : niveau de connaissances sur le cours (infr)
Type de communication : ask-reply
Contenu : (voir le tableau 3.5.1-a)
Rfrence : modle de lapprenant
CONTRLE
SUR LES MESSAGES
-

Tableau 3.6.3-b CM-2 : Spcification de lchange de linformation : obtenir les
informations

67
3.7. Conclusion

Dans ce chapitre, nous avons modlis le systme au niveau des connaissances, tape
par tape, laide de la mthode CommonKADS. Pendant le processus de la modlisation,
nous avons clarifi certaines questions poses dans le chapitre prcdent (voir la section
2.5). Nous allons en rsumer brivement lessentiel.

Premirement, nous voulons dvelopper un MA dynamique, cognitif, ouvert,
collaboratif et incertain, dans le but doffrir les conseils pertinents lapprenant. Plus
concrtement, les conseils prvus se composent de quatre parties : la ralisation des tches
prcdentes, les concepts connus ou acquis, le niveau actuel et prcdent des connaissances
de lapprenant et les tches raliser.

Deuximement, nous avons identifi, dans le schma du domaine du modle de
connaissances, les paramtres dont il faut tenir compte dans notre MA et les relations entre
ces lments. Le modle contient cinq types dinformations : donnes personnelles (nom de
ltudiant, numro de dossier, nom dutilisateur, mot de passe, etc.), caractristiques de
lapprenant (but dapprentissage, disponibilit, etc.), tat dapprentissage (tat des concepts
et des exemples), interactions entre le systme et lapprenant (temps utilis pour la lecture
dun exemple, nombre dauto-explications donnes, etc.), ainsi que les connaissances de
lapprenant (comprhension sur un exemple, sur un concept et sur le cours). Lusage de ces
paramtres est spcifi (voir le tableau 3.5.1-a) et sera expliqu en dtail dans le chapitre
suivant.

Dans le chapitre 4, nous allons rpondre aux questions restantes souleves dans la
problmatique, par exemple lapproche de la reprsentation du modle (incluant lapproche
de modlisation) utiliser, linitialisation et la gestion du modle ainsi que lutilisation du
modle pour atteindre nos objectifs de dpart.

68
4. Conception et implmentation

Dans ce chapitre, nous allons construire une spcification du systme cible partir des
besoins analyss prcdemment dans le modle de connaissances et le modle de
communication, en utilisant la mthode CommonKads (Schreiber et al., 2000, p.229). Le
modle de connaissances permet de spcifie les besoins concernant les connaissances et le
raisonnement pour le systme projet. Le modle de communication prcise les besoins
concernant les fonctions des interactions. Ces deux modles danalyse fournissent les
entres pour la conception et limplmentation du systme. On passe de la perspective du
domaine dapplication au logiciel. Un processus typique de la conception peut tre divis
en quatre tapes : conception de larchitecture du systme, identification de la plate-forme
dimplmentation, spcification des composantes architecturales et spcification des
applications dans larchitecture. Le modle de conception de CommonKADS dcrit la
structure du systme attendu en termes de sous-systmes, de modules logiciels, de
mcanismes algorithmiques et de lapproche de reprsentation (Schreiber et al., 2000, p.86-
88, p.271-276). Nous allons donc prsenter dans cette section larchitecture du systme
propos, la reprsentation de notre MA ainsi que lalgorithme essentiel de linfrence. Les
diffrents modules du systme sont galement dcrits la fin de ce chapitre.

4.1. Architecture fonctionnelle

Le processus de conception est un processus de transformation des besoins, spcifis
dans les modles danalyse, en un logiciel en ajoutant les dtails de limplmentations; la
conception du systme porte sur le logiciel et son organisation interne. Laspect essentiel de
ce processus est larchitecture logicielle (Schreiber et al., 2000, p.271-273).


69
4.1.1. Architecture globale

Le processus de conception commence gnralement par une spcification de
larchitecture logicielle. Larchitecture dfinit la structure globale du systme projet et se
compose de trois lments : une dcomposition du systme en sous-systmes, le rgime de
contrle global et les dcompositions des sous-systmes en modules logiciels (Schreiber et
al. 2000, p.275-277). La figure 4.1.1 montre la structure globale du systme propos.
Lexplication de cette structure est dcrite ci-dessous.




Figure 4.1.1 Architecture globale du systme propos


Deux types dutilisateurs, apprenant et enseignant , pouvent utiliser notre
systme. Cest pourquoi nous proposons deux interfaces diffrentes, afin doffrir un service
adopt chacun. Linterface de lapprenant permet lapprenant dentrer ses informations
didentification, dtudier les exemples, dobtenir laide en ligne (consulter les conseils ou

70
laide de lutilisation du systme, etc.), ainsi que de configurer et/ou de modifier ses
prfrences et dautres donnes personnelles. Linterface de lenseignant permet celui-ci
dentrer les matires pdagogiques, y compris la structure du cours, les descriptions sur les
concepts enseigner, les exemples impliqus dans ces concepts et les caractristiques de
ces exemples. Il permet aussi de donner aux tudiants des rtroactions sur un exemple.
Lenseignant peut galement consulter le niveau de connaissances dun groupe dtudiants
afin de connatre leurs difficults ainsi que leur progrs.
Dans le systme, nous proposons de construire deux bases de connaissances : Base
des MA et Base des exemples . Lobjetif de la sparation de ces deux bases est de
permetre une mieux gestion des deux types de connaissances. La base des MA conserve les
modles de chaque tudiant de faon individuelle ainsi que lesquels du groupe dtudiants.
Les groupes peuvent contenir les groupes en cours et les groupes antrieurs. Cette base des
MA est cruciale pour valuer les connaissances de lapprenant et pour gnrer les conseils
personnaliss, car elle garde toutes les informations ncessaires pour linfrence.
La base des exemples est galement importante pour la gnration des conseils, car les
caractristiques des concepts et des exemples enregistres dans la base sont aussi
considres comme des conditions ncessaires pour slectionner les concepts et les
exemples pertinents proposer lapprenant. Certaines proprits des concepts et des
exemples aident aussi valuer les connaissances de ltudiant.
tant donn que les deux bases sont importantes, nous suggrons deux modules
spars afin de faciliter la gestion de ces deux bases, soit Gestionnaire des MA et
Gestionnaire des exemples . Le gestionnaire des MA soccupe didentifier le modle
spcifique dun apprenant donn et de transfrer les informations concrtes de cet tudiant
aux modules dinfrence. Lorsquune session est termine, le gestionnaire des MA renvoie
le modle modifi dans la base pour sassurer que ltat est le plus rcent. Lautre tche
importante du gestionnaire des MA est dinitialiser les modles selon la situation de
lapprenant au dpart. Le gestionnaire des exemples est destin chercher un exemple
demand dans la base et ensuite de le transfrer linterface de lapprenant pour que
lapprenant ltudie. Le gestionnaire des exemples effectue aussi la mise jour des
exemples, plus concrtement en enregistrant les modifications faites par lenseignant sur les

71
contenus et les caractristiques de lexemple, les explications ou les commentaires donns
par les tudiants ainsi que les rtroactions de lenseignant.
Nous proposons deux modules dinfrence dans ce systme : valuateur et
Conseiller . Une fois que lapprenant termine ltude des exemples, lvaluateur infre le
niveau actuel de connaissances de lapprenant. Plus prcisment, il y inclut le niveau de
comprhension dun tudiant particulier pour un exemple, un concept et un cours complet.
Ce module analyse galement le niveau de connaissances dun groupe dtudiants pour un
certain concept ainsi que pour un cours entier. Ensuite, lvaluateur retourne ces nouvelles
donnes infres au gestionnaire des MA pour la mise jour dans la base des MA. Le
conseiller ne prsente pas les conseils lapprenant (ce qui est fait par linterface de
lapprenant), par contre il cherche et organise les informations pertinentes pour aider
lapprenant dans son apprentissage. Dans notre contexte, le conseiller slectionne les
concepts et les exemples les plus appropris pour un apprenant particulier en fonction de
son niveau de connaissances, de lexigence du cours et dautres facteurs relis. Il accumule
aussi les autres informations pertinentes (le niveau actuel et prcdent de connaissances de
lapprenant, le niveau du groupe, etc.) afin que lapprenant puisse mieux connatre son
propre progrs et ses difficults. Finalement, le conseiller transmet ces informations
linterface pour les afficher.
Nous obtenons ainsi une image complte de la structure globale du systme que nous
proposons, qui est illustr par le rectangle en pointills de la figure 4.1.1. Un tel systme
constitue un grand projet, qui dpasse le cadre projet dun mmoire de matrise. En
consquence, nos travaux portent sur la partie du MA, comme le montre le rectangle vert
de gauche de la figure 4.1.1. Dans ce sous-systme concernant le MA, il nous reste quatre
modules et une base de connaissances : Interface de lapprenant , Gestionnaire des
MA , valuateur , Conseiller et Base des MA .

Cette architecture peut galement tre considre comme une architecture de MVC
(Modle dapplication-Vue-Contrleur), une architecture rfrence (reference architecture)
propose dans le cadre de la mthode CommonKADS. Le Modle dapplication
spcifie les fonctions et les donnes qui sont utilises pour raliser les fonctionnalits de
lapplication (Schreiber et al. 2000, p.277). Dans notre cas, ce sous-systme de Modle

72
dapplication contient les deux fonctions dinfrence valuateur et Conseiller , une
base de connaissances Base des MA et les donnes dynamiques manipules pendant le
processus dinfrence. Le sous-systme de Vue spcifie les vues extrieures sur ces
fonctions et ces donnes (Schreiber et al. 2000, p.277). Ce sous-systme contient linterface
dutilisateur Interface de lapprenant et linterface entre notre sous-systme MA et les
autres composantes de Sphinx. Le sous-systme de Contrleur spcifie le rgime de
contrle (Schreiber et al. 2000, p.277), nous optons pour le contrle vnementiel (event-
driven) pour notre systme.

4.1.2. Architecture dtaille

Nous allons dcomposer davantage chaque module de larchitecture globale et
spcifier le flot des donnes entre ces sous-modules. Le rsultat de dcomposition est
illustr par la figure 4.1.2-a.


Figure 4.1.2-a Dcomposition du systme propos

73
Le module Interface de lapprenant contient au moins les quatre sous-modules
suivants, comme lillustre la figure 4.1.2-b :
- Page daccueil : Elle permet lapprenant dentrer son nom dutilisateur et son
mot de passe pour que le systme puisse identifier son profil dans la Base des
MA , ce qui est effectu par le sous-module Identification du module
Gestionnaire des MA .
- Page dtude : Les tudiants peuvent consulter, expliquer et commenter les
exemples affichs dans cette page. Les tudiants peuvent choisir nimporte quel
concept et nimporte quel exemple via les liens de Semaine . Les dtails sont
expliqus davantage dans les autres travaux du laboratoire ERICAE (Capus et
al., 2006; 2003; Potvin, 2005; Curvat, 2004; etc.) Ce que nous avons besoin
dajouter ici est seulement un champ dauto-estimation qui permet ltudiant
dapprcier lui-mme sa comprhension sur cet exemple en slectionnant le
niveau qui lui semble pertinent. Nous fournissons lapprenant neuf
alternatives : de compris pas du tout jusqu compris trs bien (voir le
tableau 4.3.2-a). Lauto-estimation et les messages (explications, commentaires
et/ou questions, etc.) donns par ltudiant sont alors envoys au sous-module
Mise jour du module Gestionnaire des MA et ensuite enregistrs dans
la Base des MA .
- Page de profil : Cette page est utilise pour obtenir les informations
personnelles sur lapprenant afin dinitialiser son MA. Les informations
peuvent tre ses donnes personnelles, comme le programme suivi, les
expriences relies au cours, etc. Ltudiant peut galement modifier son nom
dutilisateur et son mot de passe. Lapprenant peut aussi dfinir ses prfrences
et les autres caractristiques, tels que le but dapprentissage, la prfrence de
style dapprentissage, sa disponibilit, etc. Ltudiant peut modifier ces
informations nimporte quel moment. Ces informations sont envoyes
Initialisation ou Mise jour du module Gestionnaire des MA et puis
sauvegardes dans la Base des MA .

74
- Page de conseil : Ceci est une partie importante pour notre projet qui a pour
objectif de donner des conseils personnaliss lapprenant. Les conseils sont
affichs dans quatre onglets : Tches ralises , Concepts connus/acquis ,
Niveau de connaissances et Tches raliser . La page de conseils est
affiche sous forme de fentre contextuelle (pop-up window) pour que
ltudiant puisse consulter les conseils au moment ncessaire et que son tude
sur lexemple ne soit pas interrompue. Les contenus de conseils sont dj
dcrits dans le chapitre 3 (voir section 3.2.1). Ce module reoit les contenus de
conseils gnrs par le sous-module Assemblage_Conseils de
Conseiller , puis les affiche sous forme conviviale.


Figure 4.1.2-b Architecture dtaille du sous-module : Interface (Apprenant)

Le Gestionnaire des MA se compose de trois sous-modules. La figure 4.1.2-c
illustre ces sous-modules et les interfaces avec les autres modules.
- Identification : Comme mentionn prcdemment, ce sous-module est
responsable de la recherche du modle dun tudiant particulier dans la base,
puis de fournir une copie aux autres modules, notamment Conseiller et
valuateur .

75
- Initialisation : Ce module donne une initialisation gnrale tous les modles
au dbut dun trimestre. La premire fois que lapprenant utilise ce systme, on
lui demande de remplir un questionnaire dans la Page de profil pour
initialiser plus prcisment son modle.
- Mise jour : Ce module est responsable de marquer toutes sortes de
changements effectus par les divers modules dans la copie du modle et enfin
de sauvegarder ces corrections dans la base. Ces corrections intgrent les
modifications de prfrences de lapprenant, ses niveaux de connaissances,
ltat de lapprentissage, etc.


Figure 4.1.2-c Architecture dtaille du sous-module : Gestionnaire des MA

Le module valuateur (voir figure 4.1.2-d) est responsable dvaluer les
connaissances dun apprenant ou dun groupe dtudiants partir de certaines informations
conserves dans le MA individuel ou du groupe. Il peut tre dcompos en quatre sous-
modules en fonction de leurs tches (voir aussi figure 3.3.1-b):
- valuation_Exemple : Ce sous-module permet dinfrer le niveau de la
comprhension dun apprenant sur un certain exemple en fonction de la lecture
de lexemple, de la qualit de lcriture des messages, de lattitude de la

76
collaboration et de la comprhension estime par lapprenant lui-mme. Ces
informations peuvent tre obtenues de la copie du MA de cet tudiant fournie
par le module Identification . Cette valuation est dclenche une fois que
lapprenant termine sa session dapprentissage / utilisation. Les rsultats de
cette valuation sont en fait des donnes internes et serviront dentres pour
lvaluation ltape suivante, soit lvaluation dun concept particulier.
- valuation_Concept : Lorsque les niveaux de la comprhension de chaque
exemple impliqu dans un certain concept sont calculs, le niveau de
connaissances sur ce concept peut tre infr. Certaines caractristiques des
exemples et du concept, enregistres dans la Base des exemples , sont
considrs dans le processus de cette valuation, y compris la difficult de
lexemple, la pertinence de lexemple, le nombre des exemples inclus dans ce
concept, etc. Le rsultat de cette tape peut tre un rsultat final (qui sera
affich dans le conseil) ou intermdiaire (qui est exploit dans les autres sous-
modules de lvaluation).
- valuation_Concept_Groupe : Le niveau de connaissances sur un concept
particulier chez un groupe dtudiants peut tre calcul simplement selon les
rsultats dinfrence concernant les niveaux de connaissances de chaque
tudiant sur ce concept. Le rsultat peut tre quelques chiffres statistiques sur le
groupe. Ce rsultat peut galement tre une partie de conseil pour que ltudiant
puisse mieux connatre son effet dapprentissage. Les rsultats sont enregistrs
dans le modle du groupe dapprenants.
- valuation_Cours : Le niveau de connaissances sur un cours complet dpend
largement des niveaux de la comprhension de tous les concepts impliqus dans
ce cours. Lvaluation considre en outre les autres caractristiques sur le cours,
notamment la pondration de chaque concept, la difficult du concept, etc. Ce
module permet de calculer le niveau de connaissances dun certain apprenant
et/ou dun groupe dtudiants. Les rsultats sont conservs dans les diffrents
types de MA correspondants. Le rsultat de cette valuation fait aussi partie du
conseil.

77



Figure 4.1.2-d Architecture dtaille du sous-module : valuateur

Le Conseiller est responsable dassembler les informations pertinentes tires
partir du MA (ex. le niveau de connaissances) et de gnrer la recommandation pour
faciliter lapprentissage de ltudiant. La partie la plus importante dans le conseil est
Tches raliser , qui en fait suggre les concepts et plus concrtement les exemples
tudier ou rviser. Ce module se compose de trois sous-modules (voir figure 4.1.2-e) :
- Slection_Concepts : Tout dabord, il faut slectionner les concepts pertinents
recommander selon le niveau de connaissances de lapprenant et le plan du
cours. Il semble plus important quand lapprenant a besoin de faire la rvision,
car il peut slectionner les concepts selon les points faibles de lapprenant.
- Slection_Exemples : Quand il y a de nombreux exemples dans la base, il est
peu possible pour les tudiants de consulter tous les exemples. Une fonction de
la slection des exemples est donc cruciale et pratique. Pour chaque concept
slectionn, le systme choisit les exemples les plus pertinents parmi ceux
relis ce concept, selon la situation actuelle, par exemple les caractristiques
de lexemple (le niveau de la difficult, de la pertinence, etc.), les
connaissances de lapprenant sur ce concept, les caractristiques de lapprenant

78
(le but, la disponibilit, etc.) ainsi que les autres contraintes. Les concepts et les
exemples slectionns sont envoys comme partie de ltat dapprentissage au
module Mise jour pour tre enregistrs dans la base des MA.
- Assemblage_Conseil : Dans ce module, les concepts et les exemples
slectionns sont utiliss pour remplir un patron de conseil, qui dfinie les
parties communnes du conseil, telles que la structure, la mise en page, etc. Les
autres informations relies et conserves dans le MA sont extraites et places
dans ce patron. Lorsque le conseil est bien form, il est envoy linterface de
lapprenant (concrtement Page de conseils ) pour laffichage.

Nous avons expliqu de faon dtaille la dcomposition de larchitecture globale du
systme vis ainsi que les changes des donnes entre ces sous-modules. Dans les sections
suivantes, nous allons discuter davantage quelques dtails de limplmentation de ce
systme.




Figure 4.1.2-e Architecture dtaille du sous-module : Conseiller

79
4.2. Reprsentation du MA

La reprsentation du modle est un autre aspect crucial considrer dans cette phase.
Plus concrtement, il peut inclure les questions concernant lapproche de modlisation, la
structure, larchitecture et la plate-forme utilise.

4.2.1. Approche de modlisation

La plupart des MA existants sont bass sur trois mthodes de modlisation, comme
nous les avons prsents dans le chapitre 2, modle sans mprise (overlay model)
(Kavi, 2004; Dimitrova et Bontcheva, 2003; Dimitrova et al., 2000; Virvou et Manos,
2000; Stansfield et al., 1976), modle avec mprise (buggy model) (Kabassi et Virvou,
2003; Labidi et Srgio, 2000; Brown et Burton, 1978) et modle hybride (perturbation
model) (Virvou et Manos, 2003; Labidi et Srgio, 2000; Sleeman et al., 1990).
Dans notre contexte, lapprenant est cens possder une partie de la connaissance du
domaine, car nous supposons quil peut apprendre (ou a appris) en suivant le cours dans la
classe. Lenvironnement Sphinx est utilis pour aider les tudiants mieux comprendre les
points importants du cours. Nous avons besoin de savoir ce que lapprenant sait dj ou a
acquis et ce quil a encore besoin dapprendre. Nous ne considrons aucune
incomprhension (misconception) que ltudiant pourrait avoir. En consquence, le modle
sans mprise est assez appropri pour notre contexte parce que la connaissance de
lapprenant est considre comme un sous-ensemble de la connaissance du domaine et sans
connaissance incorrecte.
lheure actuelle, nous ne dtectons aucune connaissance incorrecte potentielle de
ltudiant. Si le niveau de comprhension sur un concept spcifique est infrieur un seuil
prdfini, ce qui signifie que la connaissance de l'tudiant au sujet de ce concept est
insuffisante, alors nous proposons le concept pour la rvision. Dailleurs, les tudiants sont
invits rdiger les explications pour des exemples afin de crer des interactions dans la
communaut dapprentissage. Le but est de faire participer les tudiants dans un processus
de raisonnement pour quune bonne explication merge de la discussion. Quand les

80
tudiants font une erreur, nous pensons quil est plus bnfique pour eux de trouver la
solution par eux-mmes que de l'obtenir directement d'un systme automatique. Les
incomprhensions qui apparaissent dans l'criture d'explications ne seront pas considres
pour l'instant, car tous les tudiants ncrivent pas tous des explications. En effet, ils sont
seulement invits et non forcs expliquer. De plus, il est possible qu'ils n'crivent pas
d'explication pour chaque exemple consult. Ainsi, bien que les incomprhensions
prsentent un intrt potentiel, ils ne sont pas prises en compte actuellement. En
consquence, le modle avec mprise et le modle hybride ne sont pas pris en compte
puisque les deux considrent les incomprhensions comme un principe essentiel.

4.2.2. Structure de contenu

La structure de contenu dcrit la composition du modle, une spcification sur tous les
paramtres du modle. En gnral, un MA gnral peut inclure cinq catgories
dinformations sur un apprenant, comme dcrit dans le chapitre 2. Notre MA contient aussi
ces cinq catgories, les lments et ces descriptions sont lists dans le tableau 3.5.1-a. Nous
allons discuter ici les paramtres qui sont spcifiques au contexte de lapprentissage au
moyen dexemples.
- Donnes personnelles. Les paramtres de cette catgorie sont plutt gnraux
et peuvent tre utiliss dans nimporte quel EIAH.
- Caractristiques de lapprenant. Les informations sur les caractristiques
cognitives que nous avons choisies sont appropries pour dautres contextes
aussi. La prfrence de style dapprentissage peut tre bnfique pour notre
contexte, parce que le conseil peut tre adapt en fonction de la prfrence de
ltudiant. Par exemple, si un tudiant prfre discussion , nous pouvons
lencourager changer avec les autres tudiants en produisant plus dauto-
explications. Si un autre tudiant est laise avec la pratique , nous pouvons
lui proposer plus dexemples tudier et ensuite consulter. Le paramtre
disponibilit sera compar avec le temps ncessaire la lecture de lexemple
et lcriture de lauto-explication, ce qui a un lien troit avec lexemple, et

81
donc peut tre considr spcifique au contexte de lapprentissage au moyen
dexemples.
- tat dapprentissage. Dans notre cas, les tats dapprentissage sur les concepts
et les exemples, qui indiquent si un concept ou un exemple donn est dj tudi
ou bientt tudier/rviser, sont videmment spcifiques au contexte.
- Interactions entre le systme et lapprenant. La trace des actions de
ltudiant, correspondant la lecture de lexemple et lcriture de lexplication,
est srement spcifique.
- Connaissances de lapprenant. Nous enregistrons ici les connaissances de
lapprenant sur les exemples et les concepts consults, lesquelles sont
uniquement conues pour le contexte dapprentissage par exemples.
partir de cette analyse, nous pouvons conclure que les catgories spcifiques au
domaine (ltat dapprentissage, les actions de lapprenant et le niveau de connaissances)
sont galement les catgories spcifiques au contexte.

4.2.3. Structure darchitecture

La planification de la structure de contenu est une tape de la phase de conception.
Llaboration de la structure darchitecture se fait plutt limplmentation. La structure
darchitecture dtaille des aspects techniques relis limplmentation, tels que la mthode de
reprsentation, le stockage des donnes, etc.
Nous pouvons sparer notre MA en deux parties : donnes statiques et informations
dynamiques. Les informations dynamiques peuvent tre reprsentes dans un cheminement
d'apprentissage. Comme nous appliquons la mthode sans mprise, un cheminement
d'apprentissage peut tre vu comme un sous-ensemble de la connaissance du domaine, il peut
donc tre reprsent avec la mme structure que la connaissance du domaine (Kavi, 2004;
Cheung et al., 2003; Dimitrova et Bontcheva, 2003; Dimitrova et al., 2000), mais annot avec
des attributs diffrents (Kavi, 2004). Par exemple, un exemple sera annot, dans la base de
connaissances du domaine, avec certaines proprits comme la difficult , la pertinence ,
le temps ncessaire ltude , etc., alors que dans le MA, ces proprits devraient tre

82
remplaces par d'autres paramtres, tels que ltat d'apprentissage , le niveau de
comprhension auto-estim , le niveau de comprhension infr , etc. D'ailleurs, le
cheminement d'apprentissage garde les mmes relations entre les exemples et les concepts (le
rseau) comme ceux dans la base de connaissances du domaine. La base des exemples est
effectivement la base de connaissances du domaine et conserve tous les exemples tudier
avec des proprits correspondantes. Cest pourquoi nous proposons de construire deux bases
spares pour notre systme. Ces deux bases peuvent tre lies facilement l'une avec l'autre,
tandis que les modifications dans n'importe quelle base auront le minimum dinfluence sur
l'autre.

4.2.4. Ontologie

Lontologie est dfinie par Gruber (1993), dans le contexte dinformatique et de la science
de linformation, comme une spcification d'une conceptualisation d'un domaine de
connaissance. Plus concrtement, une ontologie est une description formelle explicite des
concepts dans un domaine du discours (classes (appeles parfois concepts)), des proprits de
chaque concept dcrivant des caractristiques et attributs du concept (attributs (appels parfois
rles ou proprits)) et des restrictions sur les attributs (facettes (appeles parfois restrictions
de rles)). Une ontologie ainsi que lensemble des instances individuelles des classes
constituent une base de connaissances (Noy et McGuinness, 2001).
Bien que lontologie soit une reprsentation structure des connaissances dun domaine,
est-ce quil est avantageux de reprsenter notre modle avec une ontologie? Daprs Gruber
(1993), lontologie est conue notamment dans le but de partager et de rutiliser des
connaissances. Partager la comprhension commune de la structure de linformation entre les
personnes ou les agents logiciels est une des raisons les plus courantes qui conduit dvelopper
des ontologies (Noy et McGuinness, 2001; Gruber, 1993; Musen, 1992). Dans notre cas, une
ontologie au sujet de lapprenant peut faciliter la communication entre les divers agents
participants, y compris les enseignants, les tudiants, ainsi que les agents du systme
informatique. Par ailleurs, selon Noy et McGuinness (2001), permettre la rutilisation du savoir
dun domaine tait une des raisons de la recherche sur les ontologies durant ces dernires
annes. Le dveloppement dune ontologie sur lapprenant pourrait permettre de rutiliser et

83
dtendre un tel modle pour dautres EIAH dans les domaines diffrents, mme ceux qui
exploitent les principes dapprentissage autres que lapprentissage au moyen dexemples. Cest
pourquoi nous choisissons de dvelopper une ontologie pour notre MA.

4.2.5. Plate-forme dimplmentation

Lditeur Protg (http://protege.stanford.edu/) est le plus connu et le plus utilis des
diteurs dontologie, dvelopp par l'Universit de Stanford. Il est gratuit et open source. Bas
sur le langage Java, Protg est extensible et fournit un environnement plugiciel ( plug-and-
play) qui le rend flexible pour le prototypage rapide et le dveloppement d'application.
Protg est appropri pour notre dveloppement pour les raisons suivantes :
- Protg est un outil spcifique pour la construction des modles du domaine et les
applications base de connaissances avec ontologies. Protg fournit un ensemble
riche des structures de modlisation de connaissances et des actions qui supporte la
cration, la visualisation et la manipulation des ontologies.
- Protg est un environnement graphique et plugiciel, qui facilite le prototypage
rapide et le dveloppement d'application.
- Larchitecture plugiciel peut tre tendue avec les lments personnaliss, tels que
les composants graphiques, les mdias, les divers formats de stockage et les outils
de soutien supplmentaires (pour la gestion de lontologie, la visualisation de
lontologie, linfrence, etc.). Cela peut nous tre utile car, par exemple, le patron de
conseil peut contenir des graphes ou des tables, lexemple peut inclure des images
ou de laudio, etc. Linfrence est aussi importante pour notre contexte.
- Lintgration dans Sphinx actuel est facilite. Dabord, Protg et Sphinx sont bass
sur Java. Puis, les ontologies cres par Protg peuvent tre exportes en divers
formats de reprsentation, y compris RDF(S), OWL et XML schma. De plus,
linterface de programmation (API) de Protg peut tre utilise directement par les
applications externes pour laccs des bases de connaissances de Protg sans
excuter lapplication Protg.
Notre ontologie et la base de connaissances base sur cette ontologie seront reprsentes en
format XML ontology schema .

84
4.3. Algorithme de lvaluation des connaissances de lapprenant

Les algorithmes des tches principales sont galement des aspects importants
considrer dans le modle de conception. Lvaluation des connaissances de lapprenant est
une des tches essentielles dans notre processus (voir figure 3.2.2). Lvaluation peut tre
effectue en appliquant des mthodes daide multicritre la dcision (Belton et Stewart,
2002), entre autres ELECTRE Tri (Rogers et al., 2000; Yu, 1992), une mthode de
surclassement destine la problmatique de tri/classification.

4.3.1. Mthode daide multicritre la dcision : ELECTRE Tri

Laide multicritre la dcision sapplique la description dune collection
dapproches formelles, qui cherchent tenir compte explicitement plusieurs critres pour
aider les individus ou les groupes explorer les dcisions. Le critre implique des
normes pour lesquelles un choix ou une srie dactions peut tre jug plus souhaitable
quun autre. Laide la dcision est un processus qui essaie dintgrer la mesure objective
avec le jugement de valeur et de le rendre explicite afin de contrler la subjectivit. Un
processus typique de lanalyse seffectue en trois tapes majeures : lidentification et la
structuration du problme, la construction et lapplication du modle de prfrence et le
dveloppement des plans dactions. Les approches importantes dans ce domaine peuvent
inclure : MAUT/MAVT (Multi-Attribute Utility/Value Theory), AHP (Analytical Hierarchy
Process, la mthode hirarchique), les mthodes de surclassement, etc. (Belton et Stewart,
2002).
La mthode ELECTRE Tri est une mthode de surclassement pour traiter le problme
de classification (ou tri). Les mthodes de la famille ELECTRE (ELimination Et Choix
Traduisant la Ralit) procdent par une analyse systmatique des relations entre toutes les
paires possibles dalternatives - options/actions diffrentes. Cette analyse est base sur des
rsultats de lvaluation pour chaque option/action sur un ensemble de critres communs
(Rogers et al., 2000). La mthode ELECTRE Tri a t propose la premire fois par Yu (
1992). Comme les autres mthodes de la famille, ELECTRE Tri compte pareillement sur

85
les relations de surclassement. Par contre, avec ELECTRE Tri, chaque option/action sera
compare avec les profils de rfrence (les options/actions de rfrence frontires qui
dfinissent les limites des catgories), au lieu dautres options/actions. Chaque
option/action sera affecte une des catgories prdfinies en fonction du rsultat de la
comparaison (Belton et Stewart, 2002; Rogers et al., 2000). La mthodologie ELECTRE
Tri repose sur la notion de surclassement qui se dfinit de la manire suivante : une action a
surclasse une action b si deux conditions ce-dessous sont remplies (Roy et Bouyssou,
1993):
- Si a est au moins aussi bonne que b relativement une majorit de critres (la
condition de concordance) ;
- Sans tre trop nettement plus mauvaise relativement aux autres critres (la
condition de non-discordance).

Selon Yu (1992), la procdure de la mthode ELECTRE Tri inclut trois tapes
principales:
- dfinition des catgories;
- comparaison des options/actions avec les profils de rfrence;
- affectation des options/actions aux catgories prdfinies.
Dans la premire tape, on dfinit toutes les catgories. Plus concrtement et de faon
plus importante, on dfinit les profils de rfrence et quelques paramtres importants (les
seuils dindiffrence et de prfrence, les seuils de veto, etc.) pour le calcul de la prochaine
tape. La direction de prfrence (montant ou descendant) pour chaque critre est
importante dans le choix des formulations du calcul.
La deuxime tape inclut deux sous-tapes : la construction et lexploitation des
relations de surclassement. Afin de construire les relations de surclassement, il faut quon
calcule, en cinq tapes, les degrs de crdibilit partir de certains indices (les indices de
concordance partielle, les indices de concordance globale et les indices de discordance).
Dernirement, on peut affecter les options/actions aux catgories prdfinies en
appliquant une des deux procdures compltement diffrentes : pessimiste ou optimiste.
Les rsultats de ces deux procdures peuvent tre varis.

86
4.3.2. Identification et structuration du problme

Comme mentionn prcdemment, une analyse multicritre la dcision commence
par lidentification et la structuration du problme, nous allons donc spcifier les aspects
pertinents de notre contexte.

Objectifs
Notre objectif gnral de la tche de lvaluation est de dterminer le niveau de
connaissances dun apprenant particulier sur un sujet tudi. Cette valuation est effectue
trois niveaux : lexemple, le concept et le cours entier (figure 3.3.1-b). Plus prcisment,
nous avons besoin dvaluer le niveau de comprhension de lapprenant sur les exemples
consults, afin dinfrer son niveau de connaissances sur le concept impliqu. Ensuite nous
pouvons infrer son niveau de connaissances global sur le cours complet. La situation est
similaire pour un groupe dapprenants.
Ici nous pouvons mettre laccent sur le problme de plus bas niveau, lvaluation du
niveau de comprhension de lapprenant sur un certain exemple. Les autres valuations
peuvent tre traites de manire similaire.

Problmatique de dcision
Avant de choisir et dappliquer une approche approprie, il est ncessaire didentifier
dabord la nature et la catgorie du problme rsoudre. Dans notre cas, cette valuation
est un problme typique de classification multicritre, car un apprenant peut appartenir
groupes diffrents, tels que ceux qui nont rien compris (C1), ceux qui ont compris un peu
(C2), ceux qui ont bien compris (C3) et ceux qui ont tout compris (C4). Lvaluation est
mesure sur plusieurs facteurs, tels que le point de vue de lapprenant sur sa propre
comprhension concernant un exemple, le point de vue du systme sur la comprhension de
lapprenant (la performance), etc. En consquence, cette valuation est dans la catgorie de
problmatique de tri/classification .

Critres
Dans le modle que nous proposons, quatre critres seront utiliss pour lvaluation,
reprsents respectivement par g1, g2, g3 et g4 (le tableau 4.3.2-a) :

87
g1: le point de vue de lapprenant sur son niveau de comprhension;
g2: le point de vue du systme sur le niveau de comprhension de lapprenant;
g3: la qualit de lcriture dauto-explication sur lexemple;
g4: lattitude dun apprenant envers la collaboration.

Mentionnons que nous supposons que tous les participants ont une attitude active dans
lapprentissage laide de notre environnement.
Le critre g1 premet apprenant destimer jusqu quel point il a compris lexemple
consult. Neuf chelles varies sont utilises pour ce critre. Par exemple, 1 signifie que
lapprenant na pas compris du tout cet exemple, ni le problme ni la solution; 2 signifie
que lapprenant comprend seulement le problme mais pas la solution; 4 signifie que
lapprenant a compris un peu la solution; 7 signifie que lapprenant a bien compris toutes
les tapes de la solution, mais avec difficults; 9 signifie que lapprenant a trs bien
compris la solution et est capable de donner une solution quivalente.
Le critre g2 est mesur sur la lecture dun exemple. Plus prcisment, la lecture peut
tre mesure par plusieurs paramtres, tels que la dure de lecture dun exemple particulier,
la frquence de lecture dun mme exemple, etc., comme propos dans Curvat (2004). Le
point peut varier de 0 plus de 60.
Le critre g3 est bas sur les explications que lapprenant a donn. Chaque participant
est encourag crire sa comprhension sur lexemple consult. Cela peut tre une
explication sur certaines tapes de la solution, quelques doutes sur certaines notions ou
simplement quelques notes, etc. notre avis, la qualit de lexpression crite peut aussi
reflter dans une certaine mesure le niveau de comprhension de lapprenant. Nous avons
aussi une chelle 9 degrs diffrents pour ce critre. Par exemple, 2 signifie que le
commentaire na aucun lien avec le sujet; 5 signifie quil existe au moins un ou deux points
de vue correspondants et corrects mais avec quelques erreurs dans le commentaire; 9
signifie que tous les points de vue sont pertinents et quil nexiste aucune erreur, et que de
plus, les rfrences sont fournies.
Le critre g4 est employ pour reflter laspect de la collaboration. Tout comme un
forum, les tudiants qui comprennent bien sont encourags rpondre aux questions poses
par ceux qui ont de la difficult dans la comprhension. Habituellement, un tudiant qui

88
participe de faon active la rponse aux questions proposes par les autres est celui qui
comprend bien. Ainsi, nous prenons en compte galement ce critre.

No. Critres chelle de mesure
Poids
g1
Le niveau de la comprhension estim
par ltudiant lui-mme
1 : na pas du tout compris, ni le problme
ni la solution
2 : a compris le problme mais na pas du
tout compris la solution
3 : a trs peu compris la solution
4 : a un peu compris la solution
5 : a compris le principe de la solution,
mais avec difficults
6 : a compris le principe de la solution sans
difficults
7 : a bien compris la solution (toutes les
tapes), mais avec difficults
8 : a bien compris la solution (toutes les
tapes) sans difficults
9 : a trs bien compris la solution, et
capable de donner une solution
quivalente
0,4
g2
Le niveau de la comprhension infr
par le systme partir de la lecture de
lexemple
Les points sont calculs en fonction de
paramtres qui enregistrent les actions de
lutilisateur/tudiant ainsi que linfluence
suppose de ces paramtres (Curvat, 2004,
P53)
0,3
g3
La qualit de lcriture dauto-
explication sur lexemple
1 : aucun message fourni
2 : aucun lien avec le sujet
3 : quelques mots-cls correspondants
4 : touts les mots-cls correspondants
5 : au moins un ou deux points de vue
corrects mais avec quelques erreurs
6 : au moins un ou deux points de vue
corrects et aucune erreur
7 : tous les points de vue corrects mais
avec quelques erreurs
8 : tous les points de vue corrects et
aucune erreur
9 : tous les points de vue corrects et
aucune erreur, rfrences fournies
0,2
g4 Lattitude de la collaboration 1 : indiffrente, 2 : neutre, 3 : dynamique 0,1
Tableau 4.3.2-a Critres de lvaluation

En conclusion, nous expliquerons brivement le poids de divers critres. Tout
naturellement, un tudiant lui-mme se rendra compte de l'tendue de sa comprhension et
voudra faire ce jugement puisque cela ne prend pas vraiment de temps, donc un plus grand

89
poids de 0,4 sera donn ce critre. Le niveau infr partir de la lecture des exemples sera
pondr par 0,3. Les deux autres critres de g3 et g4, qui relient beaucoup le caractre d'un
participant, auront des poids infrieurs de 0,2 et de 0,1 respectivement.

Options/actions
videmment, dans notre cas, il est trs facile didentifier les options/alternatives : les
tudiants qui consultent les exemples avec notre environnement. Ltudiant sera class dans
les catgories prdfinies la fin de lapplication de lalgorithme.
Avec les critres bien dfinis, nous pouvons maintenant reprsenter clairement et
commodment la performance de divers tudiants. Un exemple possible de performance de
10 tudiants est prsent dans le tableau 4.3.2-b. Nous employons a1 a10 pour reprsenter
ces tudiants. Les chiffres sont utiliss pour reprsenter leur performance dans le contexte
de divers critres. Par exemple, nous pouvons jeter un regard sur la performance de
ltudiant a2. Pour l'tudiant a2, g1=8, g2=71, g3=8 et g4=3 ceci signifie que selon lauto-
estimation, l'tudiant a bien compris toutes les tapes de la solution sans difficults mais
nest pas capable de rsoudre le problme seul; selon lestimation infre, il a matris cet
exemple; selon la qualit de l'criture, il a donn une explication trs pertinente mais
manque de rfrences; selon son attitude envers la collaboration, il est dynamique pour
rpondre aux questions poses par les autres. La performance d'autres tudiants pourrait
tre interprte de faon similaire dans ce tableau.

Options
g1 g2 g3 g4
a1 7 65 9 1
a2 8 71 8 3
a3 6 28 1 1
a4 2 16 4 1
a5 3 9 3 1
a6 4 34 6 2
a7 5 47 5 2
a8 6 8 1 1
a9 7 30 2 1
a10 9 62 7 3
Tableau 4.3.2-b Performance dtudiants
Critres

90
4.3.3. Application de lELECTRE Tri

Dans cette partie, nous allons appliquer, tape par tape, la procdure de lalgorithme
de lELECTRE TRI pour lvaluation du niveau de comprhension de lapprenant sur un
certain exemple. Comme mentionn dans la session 4.3.1, cet algorithme inclut les trois
principales tapes:
- dfinition des catgories;
- comparaison des options/actions avec les profils de rfrence;
- affectation des options/actions aux catgories prdfinies.

tape 1 : dfinition des catgories
Nous avons dtermin quatre catgories pour notre contexte dans la structuration du
problme. Ces quatre catgories indiquent le niveau de comprhension de lapprenant sur
un certain exemple concret :
- La catgorie 1 (C1), rien compris, indique que ltudiant ne comprend pas du
tout lexemple consult;
- La catgorie 2 (C2), compris un peu, signifie que lapprenant comprend
lexemple dans une certaine mesure;
- La catgorie 3 (C3), bien compris, montre que ltudiant comprend le
principe dans lexemple;
- La catgorie 4 (C4), tout compris, indique que lapprenant a dj matris le
concept associ cet exemple.
Les profils de rfrence (
h
b ) entre les catgories reprsentent les limites suprieures
des catgories correspondantes. Nous avons trois profils de rfrence pour distinguer les
quatre catgories, comme le montre le tableau 4.3.3-a.

Options
g1 g2 g3 g4
b1 2 10 2 2
b2 5 30 5 3
b3 7 60 7 3
Tableau 4.3.3-a Profils de rfrence
Critres

91
Spcification des paramtres
Avant dappliquer lalgorithme, nous avons besoin de spcifier quelques paramtres
importants, tels que les seuils dindiffrence et de prfrence, etc. Les seuils dindiffrence
et de prfrence, ) (
h j
b q et ) (
h j
b p , constitue linformation prfrentielle intra-critre. Ils
expliquent la nature imprcise des valuations ) (a g
j
(la performance de "a" sur le critre
j
g ) (Rogers et al., 2000; Yu,1992).
- ) (
h j
b q spcifie la plus grande diffrence ) (a g
j
- ) (
h j
b g qui garde lindiffrence
entre a et
h
b sur le critre
j
g .
- ) (
h j
b p reprsente la plus petite diffrence ) (a g
j
- ) (
h j
b g compatible avec une
prfrence en faveur de a sur le critre
j
g .
- Lensemble de seuils de veto ) (
h j
b v est utilis dans le test de discordance. ) (
h j
b v
reprsente la plus petite diffrence ) (
h j
b g - ) (a g
j
incompatible avec laffirmation
a S
h
b (a surclasse
h
b ).
Le tableau 4.3.3-b prsente tous ces ensembles de seuils et les autres paramtres utiles :
la direction de prfrence pour chaque critre et ses poids.
Par exemple, pour les critres
1
g et
3
g , nous supposons que nous jugeons non-
significative une diffrence de point de 1 ; toute diffrence partir de 2 est juge nettement
significative ; de plus, nous ne souhaitons pas que la diffrence excde 3. Quant aux
critres
2
g et
4
g , nous supposons que les rsultats dtermins par le systme sont fiables et
donc nous dfinissons les seuils 0. Pour le critre
2
g , nous prfrons que la diffrence
soit moins de 5.
Paramtres g1 g2 g3 g4
Direction de prfrence
Montante Montante Montante Montante
Poids
0,4 0,3 0,2 0,1
Seuils dindiffrence (q)
1 1 1 0 0 0 1 1 1 0 0 0
Seuils de prfrence (p)
2 2 2 0 0 0 2 2 2 0 0 0
Seuils de veto (v)
3 3 3 5 5 5 3 3 3 0 0 0
Table 4.3.3-b Paramtres du modle de prfrence

92
tape 2 : comparaison des options/actions avec les profils de rfrence
Pour la plupart des mthodes de la famille ELECTRE, la comparaison des
options/actions (avec les autres options/actions ou les profils de rfrence) est accomplie en
deux tapes (Rogers et al., 2000; Yu, 1992) :
- Construction des relations de surclassement. Une relation de surclassement
est construite ici pour comparer un alternative a et un profil
h
b . Nous avons
cinq tapes suivre :
o Calcul des indices de concordance partielle ) , (
h j
b a c

et ) , ( a b c
h j
.
Lindice ) , (
h j
b a c exprime quel point lalternative a est au moins aussi
bonne que
h
b considrant le critre
j
g . Lindice

) , ( a b c
h j
exprime quel point

h
b est au moins aussi bonne que a considrant le critre
j
g , respectivement.
Dans notre cas, chaque critre a une direction de prfrence montante, donc les
indices sont calculs selon les formules suivantes :
Pour ) , (
h j
b a c ,
Si ) (a g
j
s ) (
h j
b g - ) (
h j
b p , alors ) , (
h j
b a c =0;
Si ) (
h j
b g - ) (
h j
b p < ) (a g
j
s ) (
h j
b g - ) (
h j
b q ,
alors
)] ( ) ( [
)] ( ) ( ) ( [
) , (
h j h j
h j h j j
h j
b q b p
b p b g a g
b a c

+
= ;
Si ) (
h j
b g - ) (
h j
b q < ) (a g
j
, alors ) , (
h j
b a c =1.

Pour ) , ( a b c
h j
,
Si ) (a g
j
> ) (
h j
b g + ) (
h j
b p , alors ) , ( a b c
h j
=0;
Si ) (
h j
b g + ) (
h j
b q s ) (a g
j
< ) (
h j
b g + ) (
h j
b p ,
alors
)] ( ) ( [
)] ( ) ( ) ( [
) , (
h j h j
h j j h j
h j
b q b p
b p a g b g
a b c

+
= ;
Si ) (a g
j
< ) (
h j
b g + ) (
h j
b q , alors ) , ( a b c
h j
=1.


93
o Calcul des indices de concordance globale ) , (
h
b a c et ) , ( a b c
h
.
Lindice de concordance globale ) , (
h j
b a c exprime dans quelle mesure les
valuations de a et
h
b sur tous les critres sont concordantes avec lassertion a
surclasse
h
b . Lindice ) , ( a b c
h j
respectivement exprime dans quelle mesure les
valuations de
h
b et a sur tous les critres sont concordantes avec lassertion

h
b

surclasse a. ) , (
h
b a c et ) , ( a b c
h
sont calculs comme en suivant :

e
e
=
F j
j
F j
h j j
h
k
b a c k
b a c
) , (
) , ( ou

e
e
=
F j
j
F j
h j j
h
k
a b c k
a b c
) , (
) , ( .

o Calcul des indices de discordance partielle ) , (
h j
b a d

et ) , ( a b d
h j
.
Lindice ) , (
h j
b a d mesure ltendue selon la quelle le critre
j
g est oppos
de laffirmation a est au moins aussi bonne que
h
b . Lindice ) , ( a b d
h j
mesure
ltendue selon la quelle le critre
j
g est oppos de laffirmation
h
b est au
moins aussi bonne que a respectivement. Dans le cas des prfrences
montantes, le critre
j
g oppose un veto quand la diffrence ) ( ) ( a g b g
j h j

dpasse le seuil de veto ) (
h j
b v . Dans notre cas, les critres ont des directions
montantes, les indices sont calcules de la faon suivante :

Pour ) , (
h j
b a d ,
Si ) (a g
j
> ) (
h j
b g - ) (
h j
b p , alors ) , (
h j
b a d =0;
Si ) (
h j
b g - ) (
h j
b v < ) (a g
j
s ) (
h j
b g - ) (
h j
b p ,
alors
)] ( ) ( [
)] ( ) ( ) ( [
) , (
h j h j
h j j h j
h j
b p b v
b p a g b g
b a d

= ;
Si ) (
h j
b g - ) (
h j
b v > ) (a g
j
, alors ) , (
h j
b a d =1.



94
Pour ) , ( a b d
h j
,
Si ) (a g
j
s ) (
h j
b g + ) (
h j
b p , alors ) , ( a b d
h j
=0;
Si ) (
h j
b g + ) (
h j
b p < ) (a g
j
s ) (
h j
b g + ) (
h j
b v ,
alors
)] ( ) ( [
)] ( ) ( ) ( [
) , (
h j h j
h j h j j
h j
b p b v
b p b g a g
a b d

= ;
Si ) (a g
j
> ) (
h j
b g + ) (
h j
b v , alors ) , ( a b d
h j
=1.

o Calcul des indices de crdibilit ) , (
h
b a o

et ) , ( a b
h
o .
Le degr de crdibilit de la relation de surclassement s(a,
h
b ) exprime
quel point a surclasse
h
b daprs lindice de concordance globale c(a,
h
b ) et
les indices de discordance ) , (
h j
b a d , F j e . Lindice s(
h
b ,a) exprime quel
point
h
b surclasse a respectivement daprs lindice de concordance globale
) , ( a b c
h
et les indices de discordance ) , ( a b d
h j
, F j e . La valeur du degr de
crdibilit est calcule selon les formules :

) , (
h
b a o = c(a,
h
b )
[
' e

F j h
h j
b a c
b a d
) , ( 1
) , ( 1
quand F' = { F j e / ) , (
h j
b a d >c(a,
h
b )}
ou
) , ( a b
h
o = c(
h
b ,a)
[
' e

F j h
h j
a b c
a b d
) , ( 1
) , ( 1
quand F' = { F j e / ) , ( a b d
h j
>c(
h
b ,a)}.

o Traduction des indices de crdibilit en relations de surclassement.
La traduction est accomplie au moyen de -cut . Le seuil de coupe est
considr comme la valeur la plus petite de lindice de crdibilit compatible
avec laffirmation a surclasse
h
b , cest--dire, ) , (
h
b a o a S
h
b . Donc,
nous pouvons finalement obtenir les rsultats dans le tableau 4.3.3-c (ici nous
dfinissons le coupe de seuil =0.6. Les autres rsultats du calcul sont prsents
dans lannexe) :

95
Option/actions
) , (
h
b a S ) , ( a b S
h

h=1 h=2 h=3 h=1 h=2 h=3
a1
a2 S
a3 S S
a4 S S
a5 S S S
a6 S
a7 S
a8 S S
a9 S
a10 S
Tableau 4.3.3-c Relations de surclassement

- Exploitation des relations de surclassement. Les relations de surclassement
peuvent tre traduites encore en relations de prfrence en dfinissant les
relations binaires comme les suivantes (ici I signifie Indiffrence, P pour
Prfrence et R pour incompatibilit):
- a I
h
b a S
h
b et
h
b S a ;
- a P
h
b a S
h
b et non
h
b S a ;
- a
1
P
h
b non a S
h
b et
h
b S a ;
- a R
h
b non a S
h
b et non
h
b S a .
Le nouveau rsultat devient:

Option/actions
Relations de prfrence
1
b
2
b
3
b
a1 R R R
a2 P R R
a3 R
1
P
1
P
a4 R
1
P
1
P
a5
1
P
1
P
1
P
a6 R R
1
P
a7 R R
1
P
a8 R
1
P
1
P
a9 R R
1
P
a10 P R R
Tableau 4.3.3-d Relations de prfrence

96

tape 3 : affectation des options/actions aux catgories prdfinies
Daprs Yu (1992), la procdure daffectation peut tre excute de deux manires
diffrentes : pessimiste ou optimiste.
Dans la procdure pessimiste, pour comparer successivement les options/actions avec
les profils de rfrence, nous commenons par la meilleure catgorie (de
1 p
b jusqu
1
b ).
Et ensuite loption/action a sera affecte dans la plus haute catgorie
h
C qui permet a
surclasse
1 h
b . Par exemple, lalternative a2 peut tre affecte dans la catgorie C3 car a2
P
2
b .
Au contraire, dans la procdure optimiste, la comparaison commence par la mauvaise
catgorie, qui indique que nous comparons les options/actions avec les profils de
1
b
1 p
b .
Lalternative a sera affecte dans la dernire catgorie
h
C pour laquelle le profil suprieur
h
b est prfr a (c.--d., a
1
P
h
b ). Par exemple, l'option/action a3 peut tre affecte dans
la catgorie C3 puisque a3
1
P
3
b .
Le rsultat daffectation des alternatives est prsent dans le tableau 4.3.3-e.

Option/actions
Catgories affectes
Pessimiste Optimiste
a1 C1 C4
a2 C2 C4
a3 C1 C2
a4 C1 C2
a5 C1 C1
a6 C1 C3
a7 C1 C3
a8 C1 C2
a9 C1 C3
a10 C2 C4

Table 4.3.3-e Affectation des catgories


97
videment, les deux rsultats sont trs diffrents. Par exemple, ltudiant a1 est
considr navoir pas compris du tout lexemple en question daprs la procdure
pessimiste. Pourtant dans la procdure optimiste, il est considr avoir tout compris. La
situation existe aussi dans plusieurs cas, comme a2, a6, etc. Alors quelle procdure sera
pertinente pour notre cas?
Nous pouvons retourner la performance des tudiants (voir tableau 4.3.2-b).
Considrant que les deux premiers critres sont plus importants, nous pouvons examiner les
diffrences dans la performance (surtout ) (
1
a g et ) (
2
a g ) et les deux rsultats daffectation,
afin que nous puissions dcider si le rsultat est acceptable ou non. Pour faciliter la
comparaison, nous pouvons traduire les catgories C1-C4 en chiffre 0-3. Les deux
performances du critre
1
g et
2
g sont transfres en chiffre 0-3 galement. Pour le critre
1
g , nous considrons que 1 ou 2 est quivalent de 0, qui signifie rien compris ; 3 ou 4
est transfre 1 ( peu compris ); 5, 6 ou 7 est remplac par 2 ( bien compris ); et 8 ou
9 est considr comme 3 ( tout compris ). Moins de 10 points, le critre
2
g est considr
comme 0; de 11 30 points, il est quivalent de 1; de 31 60 points, il est transfre 2 et
plus de 60 points est reconnu comme 3 (Curvat, 2004).
Nous supposons que si la diffrence entre la performance et le rsultat daffectation
nest pas suprieure (c.--d. infrieure ou gale) 1, nous pouvons accepter le rsultat. Le
tableau 4.3.3-f montre le rsultat dune analyse en utilisant cette manire. Dans le tableau,
le symbole + signifie que le rsultat daffectation correspondant est acceptable et -
lorsque invers. Par exemple, pour lapprenant a1, le rsultat pessimiste est 0 (Catgorie
C1). La diffrence entre ce rsultat et la performance ) 1 (
1
a g ou ) 1 (
2
a g est 2 ou 3
respectivement, qui est suprieure 1, le rsultat est donc inacceptable. Pour le rsultat
optimiste, la diffrence est 1 ou 0 respectivement, alors le rsultat est considr acceptable.

partir de cette analyse, nous trouvons que le rsultat optimiste est plus proche de
notre anticipation par rapport au rsultat pessimiste. La procdure pessimiste obtient
seulement 60% de degr dacceptation et la procdure optimiste obtient 100%. Par
consquent, nous prendrons la procdure optimiste pour laffectation.

98
La catgorie affecte par la procdure optimiste pour un certain tudiant correspond
pour cet tudiant au niveau de comprhension sur lexemple concern.


Option/actions
Performance
Rsultats
Pessimiste Optimiste
g1 g2 Catgories Acceptable? Catgories Acceptable?
a1 7 2 65 3 C1 0 - C4 3 +
a2 8 3 71 3 C2 1 - C4 3 +
a3 6 2 28 1 C1 0 + C2 1 +
a4 2 0 16 1 C1 0 + C2 1 +
a5 3 1 9 0 C1 0 + C1 0 +
a6 4 1 34 2 C1 0 + C3 2 +
a7 5 2 47 2 C1 0 - C3 2 +
a8 6 2 8 0 C1 0 + C2 1 +
a9 7 2 30 1 C1 0 + C3 2 +
a10 9 3 62 3 C2 1 - C4 3 +

Tableau 4.3.3-f Comparaison des rsultats de deux procdures daffectation

99
4.4. Autres modules

Comme illustr dans larchitecture globale (voir figure 4.1.1), outre le module
valuateur , les autres modules importants sont le Gestionnaire du MA et le
Conseiller . Dans cette secsion, nous allons dcrire ces modules.

4.4.1. Gestionnaire du MA

tant donn que la base des MA est un composant essentiel de notre systme, nous
avons conserv un module spcifique pour oprer et maintenir cette base afin de faciliter la
capture et la modification des informations de lapprenant. Le Gestionnaire du MA est
responsable dinitialiser les modles dans la base pour les nouveaux apprenants au dbut de
la session. Le module associ chaque tudiant son propre modle chaque fois quil utilise
le systme. la fin dutilisation, le systme met jour les informations modifies dans la
base.

Initialisation
Nous avons discut dans le chapitre 2 les approches le plus souvent utilises pour
initialiser le MA. Ce sont les quatre suivantes : par des questionnaires ou des pr-tests
(Carmona et Conejo, 2004; Kavi, 2004; Cheung et al., 2003; Labidi et Srgio, 2000); par
des strotypes (Hatzilygeroudis et Prentzas, 2004; Kabassi et Virvou, 2004; Atif et al.,
2003; Dimitrova et Bontcheva, 2003; Kabassi et Virvou, 2003; Rich, 1989); par des cas
prcdents (Atif et al., 2003; Cheung et al., 2003) et par des valeurs par dfaut (Virvou et
Manos, 2003). Pour linstant, nous employons une approche combine utilisant un
questionnaire, des strotypes et des valeurs par dfaut, afin de simplifier limplmentation.
Linitialisation peut sexcuter en deux tapes. Dans la premire tape, le systme
construit un MA pour chaque tudiant. La plupart des informations du MA sont initialises
avec des valeurs par dfaut. Par exemple, le nombre de visites dun exemple et le nombre
dexplications donnes sont mises 0 ; les niveaux de connaissances sur tous les

100
concepts sont initialiss insuffisant . Le nom, le numro de dossier et quelques autres
donnes personnelles sont copies partir dun document numrant les tudiants qui
sinscrivent au cours. Cette tape est accomplie de manire automatique au dbut de la
session du cours.
Lautre tape de linitialisation est effectue par lapprenant lui-mme en rpondant au
questionnaire propos par le systme. Lapprenant est interpel pour remplir un
questionnaire la premire fois quil entrera dans lenvironnement. Les questions sont relies
ses donnes personnelles et les caractristiques de son apprentissage, telles que le nom
dutilisateur, le mot de passe, le but dapprentissage, la disponibilit, etc. Le systme
modifie ensuite son modle avec les valeurs spcifies dans un des patrons prdfinis
(strotypes) en fonction du but dapprentissage. Si lapprenant ne rpond pas au
questionnaire, le systme ne modifiera pas les valeurs par dfaut.
Si un tudiant sinscrit au cours aprs la premire initialisation globale (linitialisation
pour tous les tudiants), son modle sera ajout et initialis la premire fois quil entrera
dans lenvironnement.

Identification
Aprs linitialisation, le systme peut identifier un MA propre pour un certain
tudiant et cela nimporte quel moment. Le nom dutilisateur et le mot de passe sont
utiliss pour chercher le dossier de ltudiant dans la base de MA. Une fois le dossier
trouv, le systme fait une copie de toutes les informations de ce modle dans un fichier
temporaire (nous lappelons modle temporaire ).
Quand lapprenant tudie les exemples avec lenvironnement, le modle temporaire
garde les interactions entre lapprenant et le systme. Ce fichier sera utilis par le sous-
module Mise jour . Il sera galement transfr au module Conseiller afin de
gnrer le conseil pertinent. Quand le systme dclenche le module valuation , le
processus de lvaluation sera effectu partir des informations du modle temporaire et le
rsultat de lvaluation sera modifi dans ce fichier via le module Mise jour .




101
Mise jour
La mise jour dans notre systme signifie une mise jour du fichier temporaire du MA
et aussi une mise jour finale dans la base des MA. Pour faciliter la mise jour finale, nous
allons tablir un ensemble d indicateurs de modification dans chaque fichier
temporaire. Un indicateur (marque) est associ un lment du modle, afin dindiquer si
cet lment est modifi ou non.
En fait, le fichier temporaire dun tudiant est utilis nimporte quel moment au cours
du processus dapprentissage. Aprs que le modle temporaire soit tabli, le modle est
fourni au module Conseiller pour gnrer un conseil personnalis cet tudiant. Les
informations ncessaires sur lapprenant, telles que son niveau de connaissances, son tat
dapprentissage, etc., sont incluses dans ce modle temporaire. Ce fichier est accessible en
lecture seule (read-only access) pour le module Conseiller . La situation est similaire
pour le module valuation , qui peut seulement chercher les informations dans le
modle temporaire pour infrer le niveau de connaissances de ltudiant. Les rsultats de
lvaluation de divers niveaux sont ensuite transfrs au module Mise jour pour tre
enregistrs dans le modle temporaire. Les indicateurs de modification correspondants
seront aussi changs modifi .
La mise jour est effectue le plus frquemment au moment o ltudiant communique
avec lenvironnement pendant lapprentissage. Par exemple, quand le systme reoit le
rsultat dun apprenant sur lauto-estimation de comprhension concernant un exemple, le
rsultat est transfr au module Mise jour par le module Interface de lapprenant
(ici sous-module Page dtude ). La consultation du conseil peut tre un autre exemple.
Quand un apprenant lit un conseil et suit le plan dapprentissage propos par le systme,
par exemple il clique sur le lien dun exemple pour la lecture, en mme temps que
lexemple saffiche, le module Page dtude transfrera les informations concernant cet
exemple au module Mise jour pour enregistrer ltat dapprentissage sur cet exemple,
le temps de lecture et les autres informations utiles.
Une fois que lapprenant termine une session dtude, lvaluation sera dclenche. La
rception du rsultat de lvaluation signifie que la mise jour finale peut tre dclenche.
Le systme examine dabord les indicateurs de modification, puis enregistre
successivement les lments modifis du modle temporaire dans la base des MA. Le

102
modle temporaire est ensuite libr. Une autre situation, par exemple lapprenant quitte
lenvironnement de faon anormale, peut galement dclencher lvaluation et la mise
jour finale.

Lutilisation du modle temporaire permet de minimiser le trafic dans la base des MA,
car la plupart des oprations sont faites dans le fichier indpendant. Mme si le nombre
dutilisateurs en ligne augmente beaucoup un moment donn, la visite de la base sera
ainsi influence le moins possible. Le modle temporaire aide rduire le problme de
mise jour de la base des MA, puisque la situation selon laquelle deux ou plusieurs
tudiants communiquent en mme temps avec lenvironnement est trs courante.

4.4.2. Conseiller

Ds que la mise jour du MA est effectue, le module Conseiller commence
organiser le contenu du conseil en fonction de la situation de lapprenant. Il contient aussi
trois sous-modules :
- slection_Concepts;
- slection_Exemples;
- assemblage_Conseil.

Slection des concepts
Nous avons mentionn que le cours est organis en fonction dun ensemble de
concepts, et un ou plusieurs exemples sont proposs pour aider comprendre un certain
concept. Le cours se donne une fois par semaine et souvent sur un certain concept et donc
la slection des concepts se fait hebdomadairement en fonction du syllabus du cours.
Normalement nous avons un terme majeur (concept) pour chaque sance et un certain
concept peut tre discut pendant une ou plusieurs semaines. Un concept peut contenir de
multiples sous-concepts. Donc un nouveau concept ou plusieurs sous-concepts seront
slectionns chaque semaine.

103
Le processus de slection est en fait un processus de classification. Les concepts seront
organiss par des catgories : tudier , rviser , tudi ou ne pas proposer .
Ltat de tous les concepts dans le MA est initialis comme ne pas proposer au dbut.
Aprs ltude dun concept, il est videmment dans la catgorie de tudi . La slection
que nous discutons ici consiste effectivement vrifier si un concept est appropri tudier
(ou rviser) ou non.
En plus du syllabus du cours, le but dapprentissage et le niveau de connaissances de
lapprenant sont deux facteurs importants pouvant influencer la slection. Par exemple, si
un tudiant prend le cours dans le but de passer lexamen et satisfaire lexigence du
programme, le systme peut lui proposer dtudier seulement le concept enseign (ou
enseigner) dans la classe de la semaine. Une semaine avant lexamen, si le niveau de
connaissances est insuffisant , les concepts seront proposs rviser . Si le but dun
autre tudiant est dobtenir une bonne note, le systme peut lui suggrer dapprendre le
concept de la semaine, puis de rviser les concepts dont le niveau de connaissances nest
pas encore suffisant ou dtudier lavance les concepts de la semaine suivante. Un autre
tudiant peut sinscrire au cours pour approfondir ses connaissances sur le domaine. Le
systme peut lui conseiller dtudier le concept de la semaine en plus des concepts relis
(les concepts pralables, les sous-concepts, etc.) si la disponibilit de lapprenant le
permet, mme si les concepts ne sont pas requis dans le syllabus.

Slection des exemples
La slection des exemples est similaire mais un peu plus complique que la slection
des concepts. En effet, mme si le but dapprentissage et le niveau de connaissances sont
encore les principes essentiels, il faut consider plusieur proprits de lexemple. De plus, il
faut proposer non seulement les exemples tudier ou rviser , mais aussi ceux
expliquer .
Par exemple, si le but dun apprenant est de passer lexamen, le systme peut proposer
les exemples pour lesquels la pertinence est lmentaire ou intermdiaire et la
difficult est facile ou moyen . Pour un tudiant qui veut approfondir ses
connaissances, le systme peut lui recommander des exemples annots avanc et

104
difficile . Le nombre dexemples est dtermin en comparant le temps ncessaire total
(Curvat, 2004) avec la disponibilit de lapprenant.
Il est important dessayer dviter de slectionner tous les exemples avec la mme
pertinence et la mme difficult. Par exemple, si le systme choisit trois exemples tudier,
il doit viter de prendre trois exemples de lmentaire et facile . Un choix peut tre
trois exemples lmentaire mais avec diverses difficults, facile , moyen ou
difficile . Trois exemples moyen mais avec la pertinence lmentaire ,
intermdiaire ou avanc peuvent tre une autre choix. La stratgie de slection est
varie et adapte selon le but dapprentissage et le niveau de connaissances de ltudiant et
les autres situations. Par exemple, si un tudiant trouve les exemples proposs trop
difficiles (sa comprhension sur lexemple est rien compris ou peu compris ), le
systme peut proposer la fois suivante des exemples avec moins de difficult ou encore les
mmes exemples rviser sil y a des explications ajoutes, donnes par dautres tudiants
ou enseignants.
Si la comprhension dun tudiant sur un exemple donn nest pas satisfaite, le systme
peut lui proposer cet exemple expliquer pourquoi il na pas compris. Si un tudiant a
bien compris un exemple, il sera encourag donner son explication ou rpondre aux
questions des autres.

Assemblage du conseil
Comme le systme a slectionn les concepts et les exemples proposer, il peut
prparer le conseil mettre. Dans cette phase, il remplit le patron du conseil partir du
modle temporaire. Les concepts et les exemples slectionns par les sous-modules
Slection_Concepts et Slection_Exemples seront aussi remplis.
Le patron du conseil contient cinq parties dinformations :
- Information gnrale sur le cours. Les informations ici indiquent la semaine
de cours et la proximit de lexamen.
- Les donnes personnelles et quelques caractristiques de lapprenant, par
exemple le numro du dossier, le nom dutilisateur, le but dapprentissage, etc.

105
Ces informations peuvent tre copies directement partir du modle
temporaire.
- Les tches accomplies. Les donnes sur les concepts tudis dernirement, y
compris le sujet du concept, le nombre dexemples lus et/ou expliqus, etc.,
peuvent tre aussi extraites partir du modle temporaire.
- Le niveau de connaissances de lapprenant. Les niveaux de connaissance sur
tous les concepts tudis sont numrs et les concepts connus sont indiqus. Si
un certain concept est tudi et la connaissance est au moins suffisante , il
est considr comme connu . Ces informations peuvent tre facilement
obtenues partir du modle temporaire. De plus, la connaissance antrieure et la
connaissance du groupe sont prsentes dans un but de comparaison.
- Les nouvelles tches incluent les concepts et les exemples transfrs partir
des modules Slection_Concepts et Slection_Exemples .
Une fois quun conseil est form, il est pass au module Interface de lapprenant
(sous-module Page de conseil ) afin de lafficher de manire conviviale.

4.5. Conclusion

Dans ce chapitre, nous avons dcrit notre dmarche de conception et dimplmentation
afin de gnrer des conseils concernant la slection des exemples adapts aux besoins de
lapprenant et lexigence du cours. Nous avons commenc par analyser de manire
dtaille larchitecture fonctionnelle du systme vis. Puis nous avons prsent les
approches de reprsentation de notre MA. La plate-forme dimplmentation est aussi
identifie. Nous avons ensuite prsent un algorithme original pour lvaluation de
connaissance de lapprenant sur lexemple consult. Enfin, le mcanisme de gestion des
MA inclut linitialisation et la mise jour des modles ainsi que les stratgies de gnration
des conseils sont montrs.

Dans le prochain chapitre, nous allons rviser le rsultat de notre travail et discuter les
avantages et les limites du modle propos.

106
5. Rsultats et discussion

Le but de notre travail tait de proposer un MA dans le but daider amliorer
lintelligence des environnements dapprentissage au moyen dexemples, tel que Sphinx,
afin doffrir lapprenant un environnement plus personnalis. Nous avons prsent, dans
les chapitres prcdents, les dmarches que nous avons entreprises pour laborer un tel
modle. Est-ce que les rsultats obtenus rpondent bien aux questions que nous soulevons
dans le chapitre 2? Quels sont les avantages et les limites de notre modle? Quels sont les
difficults que nous avons rencontres au cours du travail? Sur quels aspects nous pouvons
continuer et approfondir le travail?
5.1. Prototypage et rsultats

Nous avons implment un prototype simple afin de visualiser certaines fonctions
importantes et aussi montrer la faisabilit de ce modle. Limplmentation est effectue
laide de loutil Protg et le langage Java sous la plate-forme de dveloppement
Eclipse . Les dmarches suivies pour raliser ce prototype sont les suivantes :
- reprsentation des connaissances laide de Protg;
- ralisation de linfrence/algorithme avec Java;
- ralisation de la tche en intgrant la base de connaissances et linfrence.

5.1.1. Reprsentation des connaissances

Comme nous avons expliqu dans le chapitre 4, nous avons besoin de construire une
ontologie de lapprenant ainsi quun ensemble dinstances des apprenants, lesquelles
constitue une base de connaissances. Protg convient pour la reprsentation de cette base
de connaissances.
- Dfinition de lontologie. La dfinition de lontologie consiste crer les
classes/concepts et spcifier les attributs/proprits de ces classes ainsi que les

107
facettes des attributs. Protg permet de faciliter cette dfinition grce son
environnement graphique. Nous pouvons dfinir les cinq concepts, soit
apprenant , groupe apprenant , exemple , concept et cours (voir la
section 3.5.1) ensemble et les sauvegarder dans un seul fichier, comme cela est
illustr dans la figure 5.1.1-a. Nanmoins, comme nous avons expliqu dans la
section 4.2.3, nous prfrons sparer lontologie en deux parties : Base
dexemples (figures 5.1.1-b) et Base des MA (5.1.1-c). De plus, comme la
dfinition de la base dexemples peut tre plus complique dans la situation relle
(Emmanuel, 2007), il est donc prfrable de rutiliser les ressources existantes.
Protg permet aussi de construire une nouvelle ontologie partir dune autre,
comme illustr dans la figure 5.1.1-d. Les classes dorigine de lautre base sont
marques avec kb : . Pour simplifier la ralisation de linfrence, nous pourrions
dfinir une version plus simple, comme montr dans la figure 5.1.1-e.


Figure 5.1.1-a Dfinition complte de la base des MA


108

Figure 5.1.1-b Dfinition spare de la base dexemples

Figure 5.1.1-c Dfinition spare de la base des MA


109

Figure 5.1.1-d Dfinition de la base des MA partir de la base dexemples

Figure 5.1.1-e Dfinition simple de la base des MA

- Dfinition des instances. Dans le processus de la rsolution dun problme concret,
linfrence est effectue sur les faits, soit dans notre contexte, les instances

110
dapprenants dans notre contexte, qui sont conservs dans la base de connaissances.
Protg permet dentrer les instances de faon conviviale. Nous avons ajout les
instances pour ce prototype, comme cela est prsent dans la figure 5.1.1-f et 5.1.1-
g. Quand notre MA sera intgr dans Sphinx, les instances seront gnres
automatiquement par le sous-module initialisation .


Figure 5.1.1-f Les instances des concepts du cours


Figure 5.1.1-g Les instances des apprenants

111

La base de connaissances est bien dfinie et peut tre enregistre en format XML/XML
schma, nomm comme BaseMA.xml et BaseMA.xsd , ce qui peut tre trait
facilement par Java. Dans notre prototype, nous nous sommes concentres sur une seule
fonctionnalit : lvaluation de la comprhension de lapprenant sur un exemple donn.
Donc, pour linstant, nous navons pas besoin de dfinir lautre base de connaissances :
Base dexemples . Toutefois, cette base devra tre construite pour la gnration effectu
de conseils.

5.1.2. Ralisation de linfrence/algorithme

La seule tche que nous voulons raliser dans ce prototype est dvaluer la
connaissance de lapprenant sur un exemple donn partir des informations (ou faits )
conserves dans la base de connaissances. Nous avons appliqu la mthode ELECTRE Tri
comme algorithme de linfrence et qui est explique de faon dtaille dans la section 4.3.
Nous avons dfini en Java une classe Algorithme , qui comprend une autre classe
qui effectue toutes les tapes de calcul de lalgorithme concret : Electre_Tri . Nous
pourrions facilement ajouter dautres algorithmes, si nous voulions tendre ce prototype en
ajoutant dautres fonctionnalits. Le code source de cet algorithme est dans lannexe B.
Nous avons utilis le tableau 4.3.2-b comme donnes dentre.

5.1.3. Ralisation de la tche de lvaluation

Lintgration ici signifie dintgrer des rsultats des deux tapes prcdentes : la base
de connaissances en XML et lalgorithme en Java. Plus concrtement, nous avons besoin de
crer un autre module qui est responsable de relier les deux parties. Avant dappeler
lalgorithme dinfrence Electre_Tri , il extrait les informations pertinentes partir de la
base de connaissances en XML et sauvegarde finalement les rsultats de linfrence dans ce
fichier XML. Le code source est annex galement la fin du mmoire.

112
5.1.4. Validation de la tche de lvaluation

Nous avons ralis un prototype qui montre la faisabilit du modle que nous avons
labor. Il permet galement de visualiser la fonctionnalit essentielle : lvaluation de la
connaissance de lapprenant.
Dans le cadre de ce travail, nous avons fait une validation fonctionnelle en validant
que le rsultat de la programmation correspond bien celui anticip. Afin de sassurer que
le code fonctionne bien et donne le bon rsultat, nous avons excut le programme, tape
par tape, et compar en mme temps les rsultats intermdiaires avec toutes les matrices
obtenues au cours du calcul la main. Le rsultat final et les rsultats intermdiaires sont
exactement comme ceux anticips, et ils ont t montrs dans la section.
Pour les autres fonctionnalits, leur validation reste faire dans le cadre de la poursuite des
travaux au sein du laboratoire. Pour approfondir ce travail, le nouveau MA complet pourrait
tre intgr Sphinx et ensuite examin et jug par les enseignants et les apprenants en
lutilisant dans un cas rel. Le MA dvelopp pourrait galement tre valu en terme
defficacit.
En conclusion, le prototype est correct du point de vue fonctionnel, mais une validation
auprs des apprenants et des enseignants devrait tre effectue afin de sassurer de
lutilisabilit du systme.

5.2. Discussion

Le droulement gnral de notre projet est bas sur la mthode CommonKADS
(Schreiber et al. 2000), une mthode importante de lingnierie des connaissances. Suite
une revue de littrature dans le domaine, nous avons commenc par lanalyse du contexte,
de la problmatique ainsi que des solutions potentielles. Puis, nous avons considr le
processus gnral et les tches pour raliser ce processus. Les agents qui sont impliqus
dans le processus pour accomplir les tches ont aussi t prciss. Ensuite, nous avons
dtaill les connaissances utilises pour raliser ces tches et les communications entre ces

113
agents. Enfin, nous avons spcifi les aspects techniques du systme envisag, y compris
larchitecture, les algorithmes, etc.
Plus concrtement, nous avons labor un MA qui garde les informations de
lapprenant dans le but daider produire des conseils adapts aux besoins de lapprenant
pendant le processus dapprentissage.

Lobjectif gnral de ce travail tait de proposer un MA dans le but daider des EIAH
offrir une assistance personnalise. Plus prcisment, le MA que nous voulions laborer
devait permettre un environnement dapprentissage par lexemple, celui de Sphinx, de
donner des conseils pertinents au sujet des exemples tudier ou rviser. Pour vrifier si
cet objectif a bien t atteint, il est ncessaire de rviser si les questions suivantes ont
obtenu des rponses :
- Quelle est la nature dun tel modle? Quelles sont les caractristiques quil
devrait prsenter?
Notre modle est bas sur des thories cognitives, il est dynamique dans le
sens de gestion, incertain dans le sens des connaissances modlises, ouvert
pour les tudiants et est utilis dans un environnement collaboratif.
- Quelles fonctionnalits seront ajoutes lenvironnement? De quelles
informations faut-il tenir compte dans llaboration du conseil afin de faciliter
lapprentissage chez les tudiants?
Le MA propos est utilis pour conserver les informations pertinentes de
lapprenant afin de pouvoir gnrer des conseils appropris et significatifs pour
lui, au sujet des exemples tudier ou rviser. Pour favoriser son
apprentissage, le conseil peut contenir des informations sur les nouvelles tches
dapprentissage raliser, les tches accomplies ainsi que le niveau de
connaissances concernant les concepts tudis.
- Quels paramtres faut-il conserver dans un tel MA? Comment ces paramtres
devraient-ils tre utiliss pour raliser une assistance personnalise? Comment
accumuler et grer ces informations? Comment modliser les connaissances de
lapprenant et les reprsenter de manire efficace?

114
Notre modle contient plusieurs paramtres qui peuvent tre diviss en
cinq catgories : les donnes personnelles, les caractristiques de lapprenant,
les tats dapprentissage, les interactions entre le systme et lapprenant ainsi
que les connaissances de lapprenant. Les informations sont utilises pour
infrer le niveau de connaissances de lapprenant et slectionner les exemples
tudier/rviser, afin de gnrer le conseil personnalis. Linfrence de
connaissances peut tre effectue laide de lELECTRE TRI (Rogers et al.,
2000; Yu, 1992), une mthode daide multicritre la dcision. Le MA est
initialis par des valeurs par dfaut, ensuite ajust par les apprenants en
remplissant un questionnaire et aussi en slectionnant un strotype propre en
fonction du but dapprentissage. Le MA est manipul dans un fichier temporaire
et ensuite conserv dans une base. La connaissance de lapprenant est modlise
avec une approche sans mprise et reprsente sous forme dune ontologie
laide de loutil Protg .
- Comment intgrer le MA dans le systme dvelopp? Comment valuer
lefficacit de ce modle?
Les fonctions dacquisition, qui sont responsables dobtenir les
informations pertinentes de lapprenant partir des traces de lapprenant, seront
ajoutes dans Sphinx. Ensuite les informations sur lapprenant sont gardes dans
les fichiers XML. Les autres modules, tels que lvaluation de connaissances, la
gnration des conseils, etc. peuvent tre, en principe, ajouts directement dans
Sphinx, car Sphinx est aussi dvelopp avec Java et il naura pas grand
problme pour la communication entre eux. Linterface de lapprenant et la base
dexemples ont aussi besoin des petites adaptations. Donc, lintgration dans le
systme dvelopp ne semble pas trop complique et pourrait tre mise en place
rapidement. Il reste encore quelques fonctions dvelopper pour raliser tout le
systme, par exemple la reconnaissance de la qualit de lcriture des messages
lattitude envers la collaboration, etc.
Quant lefficacit du modle labor, nous pourrions effectuer une
comparaison entre deux groupes qui utilise le systme Sphinx, un avec laide
personnalise et lautre non. Une telle tude pourrait tre effectue dans le cadre

115
rel du cours ou par des scnarios de tests automatiques. Lattitude des
apprenants et des enseignants envers cette sorte daide est galement importante
et permettrait damliorer la solution propose.

partir de cette comparaison entre les rsultats obtenus et les rsultats attendus, nous
pourrions y dceler des avantages nouveaux pour poursuivre la recherche dans cette voie.
5.3. Avantages et limites du modle propos

Le modle que nous proposons possde plusieurs avantages non seulement pour
lenvironnement Sphinx, mais aussi pour lapprentissage par l'exemple en gnral. La
personnalisation est un des avantages que nous apprcions. La rutilisabilit est galement
un avantage important. Malgr les efforts que nous avons apports, il existe encore
quelques limites avec ce modle que nous discutons brivement.

5.3.1. Avantages pour Sphinx

tant donn que le modle est conu pour lenvironnement Sphinx, il possde
certainement des avantages spcifiques pour ce systme. Avant tout, le modle labor
permet de personnaliser lenvironnement en proposant lapprenant un cheminement
dapprentissage personnel selon ses besoins (ex : son but dapprentissage et sa
disponibilit) et sa situation (ex : son niveau de connaissances, sa ralisation des tches
prcdentes). Le progrs de lapprenant est prsent en comparant ses connaissances
actuelles avec les anciennes ainsi quavec celles du groupe. Les concepts connus (ou
acquis) de lapprenant sont indiqus. Les tches accomplies et/ou incompltes sont
identifies comme un rappel. Ces mesures garantissent un environnement unique pour
chaque tudiant.
Ce modle permet aussi de structurer lapprentissage de ltudiant, car
lapprentissage dans lenvironnement Sphinx est organis/planifi en fonction de la
structure du cours (le syllabus du cours). De plus, les connaissances de lapprenant sont

116
affiches de manire structure en respectant les relations entre les concepts
correspondants.
De plus, le modle aide lapprenant de mieux connatre son tat dapprentissage. Les
concepts sont identifis par connu ou inconnu au lieu de visit ou non visit
et le niveau de connaissances correspondant est aussi indiqu.
Lvaluation des connaissances de lapprenant peut tre plus efficace et prcise.
Lapprenant est invit participer aux processus dvaluation en donnant son opinion sur sa
comprhension. Cela peut tre avantageux particulirement dans le cas o un apprenant ne
veut pas produire dauto-explications. En plus, lvaluation est base sur de multiples
critres et met donc plus en confiance. La lecture de lexemple nest pas seulement
considre, lcriture des auto-explications et lattitude de collaboration sont aussi prises en
compte. De plus, laide dune mthode formelle et quantitative, lvaluation devrait tre
plus prcise.

5.3.2. Avantages pour lapprentissage par lexemple en gnral

Le modle dvelopp nest pas seulement appropri pour Sphinx, mais aussi pour les
autres environnements bass sur lapprentissage au moyen dexemples.

Nous navons pas seulement construit un modle concret mais aussi un cadre gnrique
pour modliser les connaissances de lapprenant. Ce dernier permet de rutiliser ou adapter
le modle pour les environnements dans divers domaines, mme ceux qui prennent
diffrentes formes/styles dapprentissage. La mthodologie dingnierie que nous avons
applique pour llaboration permet de garantir la rutilisabilit de notre modle
dvelopp.
Le choix intelligent des exemples devient particulirement important quand le nombre
des exemples dans la base est trs grand. Actuellement, les exemples impliqus dans le
systme Sphinx ne sont pas trs nombreux, les tudiants peuvent consulter les exemples un
par un, donc la fonctionnalit de choix des exemples semble moins bnfique. Par contre, si

117
nous voulons rutiliser le modle (mme lenvironnement) pour les autres cas avec une
grande quantit dexemples, il ne faut pas ignorer cette fonctionnalit.
Le profil du groupe permet lapprenant de mieux connatre son propre progrs par
rapport celui du groupe. Ltudiant peut alors sadapter au besoin. De plus, ce profil aide
lenseignant mieux comprendre les difficults que les tudiants ont rencontres et lui
permet dadapter lenseignement aux apprenants en ajoutant plus dexemples pertinents
ou en donnant des soutiens supplmentaires.
Finalement, lvaluation des connaissances, qui est relativement objective, peut tre
adapte facilement dans dautres types denvironnements dapprentissage, car nous
proposons dappliquer des mthodes daide multicritre la dcision et donc laspect
subjectif est diminu dans une certaine mesure.

5.3.3. Limites

Nous avons mentionn quelques avantages que le modle possde, alors quelles sont
les limites dun tel modle?

Premirement, le modle dpend largement de lattitude de participation de
lapprenant. Les tudiants sont invits participer dans plusieurs dmarches pendant le
processus dapprentissage avec un tel environnement. Par exemple, lutilisation de
lenvironnement, le remplissage du questionnaire, lauto-estimation de sa comprhension,
la production des auto-explications, le suivi des conseils, etc. Ces activits peuvent
influencer les rsultats de certaines tches du systme, comme linitialisation du modle,
lvaluation des connaissances de lapprenant, etc. Nous supposons, mais ne garantissons
pas, que tous les participants prennent une attitude srieuse et dynamique.
Deuximement, le modle demande beaucoup de ressources matrielles, parce que
nous avons besoin de conserver et de manipuler de nombreuses informations et faire
plusieurs infrences.
Troisimement, lincertitude sur la connaissance de lapprenant nest pas encore
traite. Considrant que le niveau de connaissances est souvent imprcis (Kavi, 2004), la

118
reprsentation de cette incertitude semble importante et avantageuse. Le traitement de
lincertitude pourrait galement amliorer notre modle. Par exemple, comme propos par
Hatzilygeroudis et Prentzas (2004), nous pourrions infrer les connaissances de lapprenant
partir des informations incompltes, ce qui est souvent le cas.
Enfin, le modle nest pas encore valid car le prototype que nous voulons
implmenter nest pas intgr dans Sphinx. Les difficults que nous avons rencontres
seront expliques dans la section 5.4. Nous navons pas non plus labor une approche
pertinente destine lvaluation de lefficacit du modle propos cause du manque de
temps.

5.4. Difficults rencontres et travaux futurs

Bien que nous ayons rencontr beaucoup de difficults au cours du travail, nous avons
quand mme consacr tous nos efforts ce projet. Nous allons expliquer brivement ces
difficults ici. Par ailleurs, Nous avons mentionn plusieurs limites de notre modle, ce qui
nous amne de nouveaux axes de travail pour les prochaines recherches.

5.4.1. Difficults rencontres

La principale difficult sest prsente lors de la mise en uvre du prototype. Comme
nous avons mentionn dans le chapitre 4, nous avons choisi Protg comme outil de
dveloppement. Cependant Protg nest pas encore un produit mature et la
documentation de rfrence et les soutiens ne sont actuellement pas suffisants. La raison
pour laquelle nous lavons utilis est partiellement pour lexprimentation. De plus, le
prototype que nous voulons raliser a des liens indissolubles avec la version actuelle de
Sphinx, surtout la base des exemples. Or, la prsente base dexemples ne fournit pas assez
de descriptions sur lexemple (Curvat, 2004), ce qui est trs important pour linfrence du
choix des exemples afin de gnrer un conseil. En plus, dans le systme Sphinx, il nexiste

119
pas de sous-systme qui permette dvaluer la qualit de lcriture des auto-explications
(Curvat, 2004), ce qui est un critre pour valuer le niveau de connaissances de lapprenant.

5.4.2. Travaux futurs

Nous avons prcdemment dcrit les limites de notre modle et les difficults
rencontres. Cela nous permet dexplorer les amliorations possibles.

Par exemple, ce MA pourrait tre intgr dans Sphinx et le prototype valid dans le
cadre dune utilisation relle par des enseignants et des apprenants. Nous allons en mme
temps laborer une approche pratique pour valuer lefficacit de notre modle. Par
exemple, nous pouvons former deux groupes dtudiants qui prsentent le mme niveau de
connaissances au dpart. Ensuite, nous demandons un groupe dutiliser lenvironnement
qui ne donne pas les conseils sur le choix des exemples. Lautre groupe devra suivre les
conseils du systme pendant tout le processus dapprentissage. la fin de la session, nous
pouvons vrifier sil existe une grande diffrence sur le niveau de connaissances entre ces
deux groupes dtudiants. En plus, des questionnaires permettraient de collecter les points
de vue des tudiants et ceux des enseignants.
Nous pourrions travailler davantage sur loutil Protg pour quil puisse mieux
nous aider dcouvrir les diverses solutions techniques.

Nous proposons une combinaison de questionnaires, de strotypes et de valeurs par
dfaut comme approche dinitialisation de MA pour linstant. Nanmoins, cela ne touche
pas les connaissances de lapprenant et les connaissances sont initialises au mme niveau
insuffisant . Cela ne correspond pas la ralit. En gnral, un tudiant donn possde
dj plus au moins une base sur les connaissances du domaine au dbut du cours. Nous
pouvons donc lui donner un pr-test pour mieux connatre son niveau de dpart. Ensuite, le
systme trouverait le profil le plus proche parmi les profils des anciens tudiants qui
servent comme des cas antrieurs. Par consquent, dans le processus de gnration des
conseils, la tche principale deviendrait la vrification de la pertinence du cheminement

120
dapprentissage, au lieu de la slection de nouveaux exemples. Cette approche permet de
rendre lenvironnement plus intelligent en apprenant partir dexpriences.

Lautre amlioration possible est dans lvaluation des connaissances. Nous avons
expliqu que le niveau de la comprhension estim par ltudiant lui-mme est considr
comme le critre le plus important. Par contre, le caractre de ltudiant pourrait influencer
certaines mesures de cette valuation. Nous pourrions donc ajuster cette auto-estimation en
tenant compte de la confiance sur lui-mme , ce qui tient compte de la nature cognitive
des apprenants. En plus, pour diminuer linfluence de la participation de ltudiant, nous
pourrions penser proposer un algorithme dinfrence sur les connaissances de lapprenant
partir des informations incompltes. Il serait aussi avantageux dans le cas o ltudiant
ncrit pas dexplications. Lautre alternative pourrait tre dimplanter les tests dauto-
valuation hebdomadaires, qui sont relis aux objectifs de chaque semaine, sous forme de
questions choix multiples. Cela permettrait dacqurir les connaissances de ltudiant de
faon plus directe, mais demande aussi plus defforts pour les enseignants.

Nous pourrions galement prendre en compte la reprsentation des connaissances
incertaines pour rendre le modle plus proche de la situation relle. Par exemple nous
pourrions penser construire un modle flou (Kavi, 2004) pour mieux reprsenter
limprcision du niveau de connaissances de lapprenant.

5.5. Conclusion

Dans ce chapitre, nous avons montr le rsultat que nous avons obtenu savoir : un
modle dont le but est de permettre de gnrer les conseils personnaliss au sujet des
exemples tudier/rviser, ainsi quun cadre de modlisation des connaissances de
lapprenant pour les EIAH utilisant des exemples en gnral. Le modle propos nest pas
seulement avantageux pour lenvironnement Sphinx, mais aussi pour les autres
environnements dapprentissage par lexemple. Nous avons prsent quelques avantages de
ce modle, tels que la personnalisation de lapprentissage, la rutilisabilit de ce modle,

121
etc. Nous avons ensuite discut des limites que le modle possde et les difficults que
nous avons connues au cours de llaboration. Plusieurs possibilits damlioration sont
discutes et les travaux poursuivre sont mentionns. Dans le chapitre 6, nous allons
rsumer le travail que nous avons effectu.


122
6. Conclusion

Ce projet de matrise avait pour but de trouver une solution pour aider les EIAH offrir
une assistance personnalise en fonction des connaissances de lapprenant. Le concept de
modle de lapprenant (MA) a t propos par plusieurs chercheurs pour tenir compte des
caractristiques dun apprenant. En effet, un MA peut tre dfini comme un ensemble
dinformations structures du processus dapprentissage contenant notamment les
caractristiques de lapprenant. Notre objectif a t dlaborer un MA qui puisse permettre
un EIAH, bas sur lapprentissage par lexemple, doffrir une assistance personnalise en
formulant des conseils sur le choix dexemples tudier selon le niveau de connaissances
de lapprenant. Notre travail de recherche a port plus particulirement sur lvaluation des
connaissances, car nous supposons quil est primordial de tenir compte de ce que sait
lapprenant lorsquon veut lui donner des conseils bien adapts lors de son processus
dapprentissage.

Pour atteindre notre objectif, nous avons dabord rpondu aux questions suivantes :
Quest ce quun MA? Quelles sont les caractristiques que le MA attendu devrait possder?
Quelle sorte de conseils le systme devrait-il fournir? Quelles sont les paramtres
ncessaires pour gnrer ces conseils? Comment utiliser ces paramtres? Aprs avoir tudi
les documents scientifiques portant sur le MA, nous avons labor, laide de la mthode
CommonKADS un modle cognitif, dynamique, ouvert, incertain et collaboratif. Les
conseils anticips contiennent un cheminement dapprentissage personnel sur des exemples
tudier ou rviser. Le MA propos se compose de cinq catgories de paramtres : les
donnes personnelles, les caractristiques de lapprenant, les tats dapprentissage, les
interactions entre le systme et lapprenant ainsi que les connaissances de lapprenant.
Parmi ces paramtres, les connaissances de lapprenant sont considres comme cruciales
dans la gnration de conseils adapts au niveau de connaissances. Cest pourquoi nous
avons travaill principalement sur cette partie.

123
Nous avons ensuite ralis un prototype sur lvaluation des connaissances de
lapprenant et effectu une validation dans le but de sassurer de son bon fonctionnement.
Pour lvaluation des connaissances, nous avons appliqu une mthode daide multicritre
la dcision, ce qui est original notre connaissance, comme mthode dvaluation dans
les EIAH. Aussi, il nexiste pas encore de modles destins aux EIAH appliquant le
principe pdagogique de lapprentissage partir dexemples. Notre modle pourrait tre
considr comme un bon exemple. De plus, le cadre gnrique que nous avons labor pour
modliser les connaissances de lapprenant pourrait servir de guide pour faciliter le
dveloppement des MA et ainsi aider amliorer lintelligence des EIAH.

Le modle labor pourrait tre rutilis et adapt pour dautres environnements de
divers domaines tout en utilisant une approche d'ingnierie, ce qui offre un meilleur cadre
lors de la conception. Le choix intelligent des exemples devient davantage bnfique
particulirement pour les environnements possdant de nombreux exemples. Le modle
pourrait aussi aider lenseignant mieux adapter son enseignement en fonction de
lapprenant. Nanmoins, la participation de lapprenant influence largement leffet de
lutilisation de notre modle.



124
Bibliographie

Atif, Y., Benlamri, R. et Berri, J., Dynamic Learning Modeler, Educational Technology
& Society, Vol. 6, No.4, 2003, pp. 60-72.

Beck, J., Stern M., et Haugsjaa, E., Application of AI in Education, Crossroads, Special
issue on artificial intelligence, Vol. 3, No. 1, 1996, pp. 11-15.

Belton, V. et Stewart, T.J., Multiple Criteria Decision Analysis (An Integrated Approach),
Kluwer Academic Publishers, Dordrecht, The Netherlands, 2002.

Bull, S. et McKay, M., An Open Learner Model for Children and Teachers: Inspecting
Knowledge Level of Individuals and Peers, 7th International Conference, ITS 2004,
Macei, Alagoas, Brazil, August 30 - September 3, 2004. Proceedings, pp. 646-655.

Brown, J. S. et Burton, R. R., Diagnostic models for procedural bugs in basic
mathematical skills, Cognitive Science, Vol. 2, 1978, pp. 155-191.

Brusilovsky, P. et Peylo, C., Adaptive and Intelligent Web-based Educational Systems,
International Journal Of Artificial Intelligence In Education, Vol. 13, No. 2-4, 2003,
pp.159-172.

Capus, L., Potvin, B. et Tourigny, N., An e-learning framework to extend lecture courses,
SSGRR 2003s, International Conference on Advances in Infrastructure for e-Business, e-
Education, e-Science, e-Medicine, and Mobile Technologies on the Internet, 28 July au 3
August, LAquila, Italie, 2003 (available on CD-Rom).

Capus, L., Curvat, F., Leclair, O., et Tourigny, N., A Web environment to encourage
students to do exercises outside the classroom: A case study, Educational Technology &
Society, Vol. 9, No. 3, 2006, pp. 173-181.

Carmona, C. et Conejo, R., A Learner Model in a Distributed Environment, Adaptive
Hypermedia and Adaptive Web-Based Systems, Third International Conference, AH 2004,
Eindhoven, The Netherlands, Proceedings, 2004, pp. 353-359.

Cheung, B., Hui, L., Zhang, J. et Yiu, S.M., SmartTutor: An intelligent tutoring system in
web-based adult education, The Journal of Systems and Software, Vol. 68, No. 1, 2003,
pp. 11-25.

Chi, M. T. H., Self-Explaining Expository Texts: The Dual Processes of Generating
Inferences and Repairing Mental Models, In Glaser, R. (Ed.), Advances in Instructional
Psychology, Mahwah, NJ: Lawrence Erlbaum, 2000, pp. 161-238.



125
125
Chi, M. T. H., Bassok, M., Lewis, M. W., Reimann, P., et Glaser, R., Self-Explanations:
How Students Study and Use Examples in Learning to Solve Problems, Cognitive Science,
vol. 13, 1989, pp. 145-182.

Curvat, F., Mthodologie de conception denvironnements informatiques pour
lapprentissage humain partir dexemples, mmoire de matrise, Dpartement
dinformatique et de gnie logiciel, Facult des sciences et de gnie, Universit Laval,
dcembre, 2004.

Dimitrova, V., Self, J., et Brna, P., Maintaining a Jointly Constructed Student Model,
Artificial Intelligence: Methodology, Systems, and Applications, 9th International
Conference, AIMSA 2000, Varna, Bulgaria, Proceedings, Cerri S. A. et Dochev D. (ds.):
LNCS1904, Springer, 2000, pp. 221-231.

Dimitrova, V. et Bontcheva, K., The Use of Conceptual Graphs for Interactive Student
Modelling and Adaptive Web Explanations, Knowledge-Based Intelligent Information and
Engineering Systems, 7th International Conference, KES 2003, Oxford, UK, Proceedings,
Part II, Palade V., Howlett R. J. et Jain L. C. (ds.): LNCS 2774, Springer, 2003, pp. 230-
237.

Emmanuel, J., Modlisation dun outil dacquisition de connaissances destin
lenseignant, mmoire de matrise, Dpartement dinformatique et de gnie logiciel,
Facult des sciences et de gnie, Universit Laval, dcembre, 2007.

Le grand dictionnaire terminologique, Office qubcois de la langue franaise,
http://www.granddictionnaire.qc.ca/btml/fra/r_motclef/index1024_1.asp, 2007

Gruber, T. R., A Translation Approach to Portable Ontology Specifications, Knowledge
Acquisition, Vol. 5, No. 2, 1993, pp. 199-220.

Hatzilygeroudis, I. et Prentzas, J., Using a hybrid rule-based approach in developing an
intelligent tutoring system with knowledge acquisition and update capabilities, Expert
Systems With Applications, Vol. 26, No. 4, 2004, pp. 477-492.

Kabassi, K. et Virvou, M., Using Web Services for Personalized Web-Based Learning,
Educational Technology & Society, Vol. 6, No. 3, 2003, pp.61-71.

Kabassi, K. et Virvou, M., Personalised adult e-training on computer use based on
multiple attribute decision making, Interacting With Computers, Vol. 16, No. 1, 2004,
pp.115-132.

Kavi, A., Fuzzy User Modeling for Adaptation in Educational Hypermedia, IEEE
Transactions on Systems, Man, and Cybernetics Part C: Applications and Reviews, Vol.
34, No. 4, 2004, pp. 439-449.



126
126
Kay, J., Accretion Representation for Scrutable Student Modelling, Intelligent Tutoring
Systems, ITS 2000, Montral, Canada, Proceedings, Gauthier G., Frasson C. et VanLehn K.
(ds), LNCS 1839, Springer, 2000, pp. 514-523.

Labidi, S. et Srgio, N., Student Modeling and Semi-automatic Domain Ontology
Construction for SHIECC, proceedings of the 30th ASEE/IEEE Frontiers in Education
Conference, Kansas City, Missouri, USA, 2000, pp. F1B14-F1B18.

Luger, G. F., Artificial Intelligence Structures and Strategies for Complex Problem
Solving, Addison Wesley, 2002.

McCalla, G., Vassileva, J., J. Greer et S. Bull, Active Learner Modelling, Intelligent
Tutoring Systems, ITS 2000, Montral, Canada, Proceedings, Gauthier G., Frasson C. et
VanLehn K. (Eds), LNCS 1839, Springer, 2000, pp. 53-62.

Musen, M.A., Dimensions of knowledge sharing and reuse, Computers and Biomedical
Research, Vol. 25, 1992, pp. 435-467.

Noy, N. F. et McGuinness, D. L., Ontology Development 101: A Guide to Creating Your
First Ontology, 2001.

Protege (2007). Le project de Protege. http://protege.stanford.edu

Rich, E., Stereotypes and user Modelling, User models in dialog systems, Kobsa A. et
Wahlster W. (Eds), Berlin: Springer, 1989, pp. 35-51.

Rogers, M., Bruen, M. et Maystre, L.Y., ELECTRE and Decision Support (Methods and
Applications in Engineering and Infrastructure Investment). Kluwer Academic Publishers,
2000.

Roy, B. et Bouyssou, D., Aide multicritre la dcision: mthodes et cas, Economia, Paris,
1993.

Schreiber, G., Akkermans, H., Anjewierden, A., de Hoog, R., Shadbolt, N., de Velde, W.
Van et Wielinga, B., Knowledge Engineering and Management, A Bradford Book, The
MIT Press, Cambridge (Massachusetts), 2000.

Sleeman, D., Hirsh, H., Ellery, I. et Kim, I., Extending domain theories: Two case studies
in student modeling, Machine Learning, Vol. 5, 1990, pp. 11-37.

Stansfield, J.C., Carr, B., et Goldstein, I.P., Wumpus advisor I: a first implementation of a
program that tutors logical and probabilistic reasoning skills, At Lab Memo 381.
Massachusetts Institute of Technology, Cambridge (Massachusetts), 1976.

Studer, R., Benjamins, V. R. et Fensel, D., Knowledge Engineering: Principles and
Methods, Data and Knowledge Engineering, Vol. 25, 1998, pp. 161-197.


127
127

Van Lehn, K., Analogy Events: How Examples are Used During Problem Solving,
Cognitive Science, Vol. 22, No. 3, 1998, pp. 347-388.

Virvou, M., Maras, D. et Tsiriga, V., Student Modelling in an Intelligent Tutoring System
for the Passive Voice of English Language, Educational Technology & Society, Vol. 3,
No. 4, 2000, pp.139-150.

Virvou, M. et Tsiriga, V., Involving Effectively Teachers and Students in the Life Cycle
of an Intelligent Tutoring System, Educational Technology & Society, Vol. 3, No. 3,
2000, pp.511-521.

Virvou, M. et Manos, K., The Individualizing a Cognitive Model of Students' Memory in
Intelligent Tutoring Systems, Knowledge-Based Intelligent Information and Engineering
Systems, 7th International Conference, KES 2003, Oxford, UK, Proceedings, Part I,
Lecture Notes in Computer Science, Vol. 2773, Springer, 2003, pp. 893-897.

Yu, W., ELECTRE TRI: Aspects mthodologiques et manuel dutilisation, Document du
LAMSADE, No. 74, Universit Paris-Dauphine, 1992.

Zaitseva, L. et Boule, C., Student Models in Computer-Based Education, Proceedings of
the 3rd IEEE International Conference on Advanced Learning Technologies (ICALT03),
2003, p. 451.

Zhang, Y. F., Capus, L. et Nicole, T., A Learner Model for Learning-by-Example
Context, International Conference on Software Engineering, Artificial Intelligence,
Networking, and Parallel/Distributed Computing Conference, SNPD 2007, Qingdao,
Chine, Proceedings, Vol. 3, 2007, pp. 778-785.





128
128
Annexe A : Calcul avec ELECTRE Tri

tape 1: Calculer les indices concordance partielle ) , (
h j
b a c

et ) , ( a b c
h j


Options/actions
Indices concordance partielle ) , (
h j
b a c
j=1 j=2 j=3 j=4
h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3
a1 1 1 1 1 1 1 1 1 1 0 0 0
a2 1 1 1 1 1 1 1 1 1 1 0 0
a3 1 1 1 1 0 0 1 0 0 0 0 0
a4 1 0 0 1 0 0 1 1 0 0 0 0
a5 1 0 0 0 0 0 1 0 0 0 0 0
a6 1 1 0 1 1 0 1 1 1 0 0 0
a7 1 1 0 1 1 0 1 1 0 0 0 0
a8 1 1 1 0 0 0 1 0 0 0 0 0
a9 1 1 1 1 0 0 1 0 0 0 0 0
a10 1 1 1 1 1 1 1 1 1 1 0 0

Table Anx-A-1 Indices concordance partielle ) , (
h j
b a c


Options/actions
Indices concordance partielle ) , ( a b c
h j

j=1 j=2 j=3 j=4
h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3
a1 0 0 1 0 0 0 0 0 0 1 1 1
a2 0 0 1 0 0 0 0 0 1 0 0 0
a3 0 1 1 0 1 1 1 1 1 1 1 1
a4 1 1 1 0 1 1 0 1 1 1 1 1
a5 1 1 1 1 1 1 1 1 1 1 1 1
a6 0 1 1 0 0 1 0 1 1 0 1 1
a7 0 1 1 0 0 1 0 1 1 0 1 1
a8 0 1 1 1 1 1 1 1 1 1 1 1
a9 0 0 1 0 0 1 1 1 1 1 1 1
a10 0 0 0 0 0 0 0 0 1 0 0 0

Table Anx-A-2 Indices concordance partielle ) , ( a b c
h j



129
129
tape 2: Calculer les indices concordance globale

) , (
h
b a c et ) , ( a b c
h


Options/actions
Indices concordance globale ) , (
h
b a c Indices concordance globale ) , ( a b c
h

h=1 h=2 h=3 h=1 h=2 h=3
a1 0.9 0.9 0.9 0.1 0.1 0.5
a2 1 0.9 0.9 0 0 0.6
a3 0.9 0.4 0.4 0.3 1 1
a4 0.9 0.2 0 0.5 1 1
a5 0.6 0 0 1 1 1
a6 0.9 0.9 0.2 0 0.7 1
a7 0.9 0.9 0 0 0.7 1
a8 0.6 0.4 0.4 0.6 1 1
a9 0.9 0.4 0.4 0.3 0.3 1
a10 1 0.9 0.9 0 0 0.2

Table Anx-A-3 Indices concordance globale

tape 3: Calculer les indices discordance partielle ) , (
h j
b a d

et ) , ( a b d
h j


Options/actions
Indices discordance partielle ) , (
h j
b a d
j=1 j=2 j=3 j=4
h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3
a1 0 0 0 0 0 0 0 0 0 1 1 1
a2 0 0 0 0 0 0 0 0 0 0 1 1
a3 0 0 0 0 0.4 1 0 1 1 1 1 1
a4 0 1 1 0 1 1 0 0 1 1 1 1
a5 0 1 1 0.2 1 1 0 1 1 1 1 1
a6 0 0 1 0 0 1 0 0 0 1 1 1
a7 0 0 1 0 0 1 0 0 1 1 1 1
a8 0 0 0 0.4 1 1 0 1 1 1 1 1
a9 0 0 0 0 0 1 0 1 1 1 1 1
a10 0 0 0 0 0 0 0 0 0 0 1 1

Table Anx-A-4 Indices discordance partielle ) , (
h j
b a d


130
130

Options/actions
Indices discordance partielle ) , ( a b d
h j

j=1 j=2 j=3 j=4
h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3 h=1 h=2 h=3
a1 1 0 0 1 1 1 1 1 0 0 0 0
a2 1 0 0 1 1 1 1 0 0 1 0 0
a3 1 0 0 1 0 0 0 0 0 0 0 0
a4 0 0 0 1 0 0 0 0 0 0 0 0
a5 0 0 0 0 0 0 0 0 0 0 0 0
a6 0 0 0 1 0.8 0 1 0 0 0 0 0
a7 0 0 0 1 1 0 0 0 0 0 0 0
a8 1 0 0 0 0 0 0 0 0 0 0 0
a9 1 0 0 1 0 0 0 0 0 0 0 0
a10 1 1 0 1 1 0.4 1 0 0 1 0 0
Table Anx-A-5 Indices discordance partielle ) , ( a b d
h j


tape 4: Calculer les indices crdibilit ) , (
h
b a o

et ) , ( a b
h
o
Options/actions
Indices crdibilit ) , (
h
b a o Indices crdibilit ) , ( a b
h
o
h=1 h=2 h=3 h=1 h=2 h=3
a1 0 0 0 0 0 0
a2 1 0 0 0 0 0
a3 0 0 0 0 1 1
a4 0 0 0 0 1 1
a5 0 0 0 1 1 1
a6 0 0 0 0 0.47 1
a7 0 0 0 0 0 1
a8 0 0 0 0 1 1
a9 0 0 0 0 0.3 1
a10 1 0 0 0 0 0.15
Table Anx-A-6 Degr de crdibilit

tape 5: Traduire des indices de crdibilit aux relations de surclassement
Options/actions
Relations surclassement ) , (
h
b a S Relations surclassement ) , ( a b S
h

h=1 h=2 h=3 h=1 h=2 h=3
a1
a2 S
a3 S S
a4 S S
a5 S S S
a6 S
a7 S
a8 S S
a9 S
a10 S
Table Anx-A-7 Relations de surclassement


131
131

tape 6: Exploiter les relations de surclassement

Options/actions
Relations de prfrence
1
b
2
b
3
b
a1 R R R
a2 P R R
a3
R
1
P
1
P
a4
R
1
P
1
P
a5
1
P
1
P
1
P
a6
R R
1
P
a7
R R
1
P
a8
R
1
P
1
P
a9
R R
1
P
a10 P R R

Table Anx-A-8 Relations de prfrence

tape 7: Affecter les options aux catgories prdfinies

Options/actions
Catgories affectes
Pessimiste Optimiste
a1 C1 C4
a2 C2 C4
a3 C1 C2
a4 C1 C2
a5 C1 C1
a6 C1 C3
a7 C1 C3
a8 C1 C2
a9 C1 C3
a10 C2 C4

Table Anx-A-9 Catgories affectes


132
132
Annexe B : Code source

/* Teste.java */

package sphinxMA;

/*
* Evaluation de la connaissance de l'apprenant sur un exemple donn: "EX01"
* Les informations des apprenants sont enregistres dans la base de MA: "BaseMA.xml"
* Les rsultats de l'valuation sont enfin mis jour dans la base
*
* Dernire modification: 2008-04-28
*
* Yuan Fan ZHANG
*/

import java.io.FileNotFoundException;

import javax.xml.transform.TransformerException;
import javax.xml.transform.TransformerFactoryConfigurationError;


public class Teste {

public static void main(String[] args){

TachesEvaluer px = new TachesEvaluer("src/sphinx/BaseMA.xml","Ex01");
try {

px.EvaluerConnaissanceExemple();
/*
* manipuler le fichier "BaseMA.xml"
* le rsultat est enregistr dans l'lment Apprenant
* un attribut: "checked" est ajout dans l'lment Apprenant
*/
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (TransformerFactoryConfigurationError e) {
e.printStackTrace();
} catch (TransformerException e) {
e.printStackTrace();
}
}

}



133
133
/* Apprenant.java */

package sphinxMA;
/*
* Dfinition la classe: Apprenant
* Dernire modification: 2008-04-28
*
* Yuan Fan ZHANG
*/
public class Apprenant {
private String userName;
private ExempleAnnote exemple;
private int attitude;
public Apprenant(){
this.userName="";
this.exemple=new ExempleAnnote();
this.attitude=0;
}
public Apprenant(String userName,ExempleAnnote exemple,String attitude){
this.userName=userName;
this.exemple=exemple;
this.attitude=convertAttitude(attitude);
}
public String getUserName(){
return userName;
}
public ExempleAnnote getExemple(){
return exemple;
}
public int getAttitude(){
return attitude;
}
public void setUsername(String apprenant){
this.userName=apprenant;
}
public void setExemple(ExempleAnnote exemple){
this.exemple=exemple;
}
public void setAttitude(int attitude){
this.attitude=attitude;
}
public void updateConnaissance(int connaissance){
this.exemple.setConnaissance(connaissance);
}
public int convertAttitude(String attitude) {
if(attitude.equals("indifferent"))
return 1;
else if(attitude.equals("dynamique"))
return 3;
else if(attitude.equals("neutre"))
return 2;
else
throw new UnknownAttributesException("Attitude unconue.");
}
}


134
134
/* ExempleAnnote.java */

package sphinxMA;

/*
* Dfinition la classe: ExempleAnnot
* Dernire modification: 2008-04-28
*
* Yuan Fan ZHANG
*/
public class ExempleAnnote {
private String apprenant;
private String exempleID;
private int comprehension_estimee;
private int comprehension_inferee;
private int qualite_ecriture;
private int connaissance;
private String id;

public ExempleAnnote(){
apprenant="";
comprehension_estimee=0;
comprehension_inferee=0;
exempleID="";
qualite_ecriture=0;
connaissance=0;
id =""; exempleID="";
}

public ExempleAnnote(String apprenant,String exempleID,String comprehension_estimee,String
comprehension_inferee,String qualite_ecriture, String id){
this.apprenant=apprenant;
this.comprehension_estimee=this.convertEstimee(comprehension_estimee);
this.comprehension_inferee=this.convertInferee(comprehension_inferee);
this.exempleID=exempleID;
this.qualite_ecriture=this.convertEcriture(qualite_ecriture);
this.connaissance=0;
this.id=id;
}

public String getApprenant(){
return this.apprenant;
}
public String getExempleID(){
return exempleID;
}
public int getComprehensionEstimee(){
return comprehension_estimee;
}
public int getComprehensionInferee(){
return comprehension_inferee;
}
public int getQualiteEcriture(){
return qualite_ecriture;
}


135
135
public int getConnaissance(){
return connaissance;
}
public String getId(){
return id;
}
public void setApprenant(String apprenant){
this.apprenant=apprenant;
}
public void setExempleID(String exemple){
this.exempleID=exemple;
}
public void setComprehensionEstimee(int comprehension){
this.comprehension_estimee=comprehension;
}
public void setComprehensionInferee(int comprehension){
this.comprehension_inferee=comprehension;
}
public void setQualiteEcriture(int qualite){
this.qualite_ecriture=qualite;
}
public void setConnaissance(int connaissance){
this.connaissance=connaissance;
}
}



136
136
/* Algorithmes.java */

package sphinxMA;

public class Algorithmes {
public Algorithmes(){

}
/*
* Mthode d'aide multicritre la dcision: ELECTRE TRI (Yu, 1992)
* Dernire modification: 2010-01-03
*
* Yuan Fan ZHANG
*/
public class Electre_Tri {

private int[] Categories;
private int nb_criteres;
private int nb_categories;
private int nb_options;
private double Lamda=0.6;
private double[] poids;
private int[][] frontieres;
private int[][] performances;

public Electre_Tri(){

}

public Electre_Tri(int nb_criteres, int nb_categories, int nb_options, double[] poids, int[][] frontieres, int[][]
performances){
this.nb_criteres=nb_criteres;
this.nb_categories=nb_categories;
this.nb_options=nb_options;
this.poids=poids;
this.frontieres=frontieres;
this.performances=performances;
this.Categories=new int[nb_options];
}

public void SetLamda(double lamda){
this.Lamda=lamda;
}

public int[] GetCategoriesAffectees(){
CalculerConcordancePartielle();
CalculerConcordanceGlobal();
CalculerDiscordancePartielle();
CalculerIndicesCredibilite();
TraduireSurclassement();
TraduirePreference();
Categories=AffecterCategories();
return Categories;
}



137
137
int[][] p = {{2,0,2,0}, {2,0,2,0},{2,0,2,0}};
int[][] q = {{1,0,1,0}, {1,0,1,0},{1,0,1,0}};
int[][] v = {{3,5,3,0}, {3,5,3,0},{3,5,3,0}};

int[][][] Cp_ab, Cp_ba;
//Indices de Concordance partielle -- Etape 1
double[][] Cg_ab, Cg_ba;
//Indices de Concordance globale -- Etape 2
double[][][] d_ab, d_ba;
//Indices de Discordance paritelle -- Etape 3
double[][] Sigma_ab, Sigma_ba;
//Indices de Credibilite -- Etape 4
int[][] S_ab, S_ba;
//Relations surclassement -- Etape 5
int[][] RP; //Ralations de preference -- Etape 6
int[] C; //Categories affectee-- Etape 7

/* Etape 1: Calculer les indices de concordance partielle */

private int[][][] IndicesConcordancePartielle(int direction_ab){
int indices[][][]=new int [this.nb_options][this.nb_categories-1][this.nb_criteres];

for (int i=0; i<this.nb_options; i++){
for(int h=0; h<this.nb_categories-1; h++){
for (int j=0; j<this.nb_criteres; j++){
if (direction_ab==1){
if (this.performances[i][j] <= (this.frontieres[h][j]- p[h][j])) {
indices[i][h][j]=0;
}
else if (this.performances[i][j] <= (this.frontieres[h][j]- q[h][j])) {
indices[i][h][j]= (this.performances[i][j] - this.frontieres[h][j] + p[h][j])/(p[h][j] - q[h][j]);
}
else {
indices[i][h][j]=1;
}
}
else if (direction_ab==0){
if (this.performances[i][j] >= (this.frontieres[h][j] + p[h][j])) {
indices[i][h][j]=0;
}
else if (this.performances[i][j] >= (this.frontieres[h][j] + q[h][j])) {
indices[i][h][j]= ( this.frontieres[h][j] - this.performances[i][j] + p[h][j])/(p[h][j] - q[h][j]);
}
else {
indices[i][h][j]=1;
}
}
}
}
}
return indices;
}

private void CalculerConcordancePartielle(){
Cp_ab = IndicesConcordancePartielle(1);


138
138
Cp_ba = IndicesConcordancePartielle(0);
return;
}

/* Etape 2: Calculer les indices de concordance globale */

private double Sum(double[] a){
double sum=0;
for(int i=0; i<a.length; i++){
sum = sum + a[i];
}
return sum;
}

private double Sum(double[] a, int[] b){
double sum=0;
for(int i=0; i<a.length; i++){
sum = sum + a[i] * b[i];
}
return sum ;
}

private double[][] IndicesConcordanceGlobal(int[][][] c){
double indices[][]=new double [this.nb_options][this.nb_categories-1];
int cj[]=new int [this.nb_criteres];

for (int i=0; i<this.nb_options; i++){
for (int h=0; h<this.nb_categories-1; h++){
for (int j=0; j<this.nb_criteres; j++){
cj[j]=c[i][h][j];
}
indices[i][h] = (Sum(poids, cj))/Sum(poids);
}
}
return(indices);
}

private void CalculerConcordanceGlobal(){
Cg_ab = IndicesConcordanceGlobal(Cp_ab);
Cg_ba = IndicesConcordanceGlobal(Cp_ba);
return;
}

/* Etape 3: Calculer les indices de discordance partielle */

private double[][][] IndicesDiscordancePartielle(int direction_ab){
double indices[][][]=new double [this.nb_options][this.nb_categories-1][this.nb_criteres];

for (int i=0; i<this.nb_options; i++){
for(int h=0; h<this.nb_categories-1; h++){
for (int j=0; j<this.nb_criteres; j++){
if (direction_ab==1){
if (this.performances[i][j] > this.frontieres[h][j]- p[h][j]){
indices[i][h][j]=0;
}


139
139
else if (this.performances[i][j] > (this.frontieres[h][j]- v[h][j])) {
indices[i][h][j]= (this.frontieres[h][j] - this.performances[i][j] - p[h][j])/(v[h][j] - p[h][j]);
}
else {
indices[i][h][j]=1;
}
}
else if (direction_ab==0){
if (this.performances[i][j] <= (this.frontieres[h][j]+ p[h][j])) {
indices[i][h][j]=0;
}
else if (this.performances[i][j] <= (this.frontieres[h][j]+ v[h][j])) {
indices[i][h][j]= (this.performances[i][j] - this.frontieres[h][j] - p[h][j])/(v[h][j] - p[h][j]);
}
else {
indices[i][h][j]=1;
}
}
}
}
}
return indices ;
}

private void CalculerDiscordancePartielle(){
d_ab = IndicesDiscordancePartielle(1);
d_ba = IndicesDiscordancePartielle(0);
return;
}

/* Etape 4: Calculer les indices de credibilite */

private double Pi(double[] a, double b){
double mul=1;
for(int i=0; i<a.length; i++){
if (a[i] > b){
mul = mul * ((1-a[i])/(1-b))
}
}
return mul ;
}
private double[][] IndicesCredibilite(double[][] c, double[][][] d){
double indices[][]=new double [this.nb_options][this.nb_categories-1];
double dj[]=new double [this.nb_criteres];

for (int i=0; i<this.nb_options; i++){
for (int h=0; h<this.nb_categories-1; h++){
for (int j=0; j<this.nb_criteres; j++){
dj[j]=d[i][h][j];
}
indices[i][h] = c[i][h] * Pi(dj, c[i][h]);
}
}
return indices ;
}


140
140
private void CalculerIndicesCredibilite(){
Sigma_ab = IndicesCredibilite(Cg_ab, d_ab);
Sigma_ba = IndicesCredibilite(Cg_ba, d_ba);
return;
}

/* Etape 5: Traduire les indices de credibilite aux relations de surclassement */

private int[][] RelationsSurclassement(double[][] sigma){
int relations[][]=new int [this.nb_options][this.nb_categories-1];

for (int i=0; i<this.nb_options; i++){
for (int h=0; h<this.nb_categories-1; h++){
if (sigma[i][h]>= this.Lamda){
relations[i][h] = 1;
}
else {
relations[i][h] = 0;
}
}
}
return relations;
}
private void TraduireSurclassement(){
S_ab = RelationsSurclassement(Sigma_ab);
S_ba = RelationsSurclassement(Sigma_ba);
return;
}

/* Etape 6: Traduire les relations de surclassement aux relations de preference */

private int[][] RelationsPreference(int[][] s_ab, int[][] s_ba){
int relations[][]=new int [this.nb_options][this.nb_categories-1];
for (int i=0; i<this.nb_options; i++){
for (int h=0; h<this.nb_categories-1; h++){
if ((s_ab[i][h]== 1)&& (s_ba[i][h]== 1)){
relations[i][h] = 1; // a I b: a is Indifferent to b
}
else if ((s_ab[i][h]== 1)&& (s_ba[i][h]== 0)){
relations[i][h]=2; // a P b: a is prefered to b
}
else if ((s_ab[i][h]== 0)&& (s_ba[i][h]== 1)){
relations[i][h]=3; // a P-1 b: b is prefered to a
}
else if ((s_ab[i][h]== 1)&& (s_ba[i][h]== 0)){
relations[i][h]=4; // a R b: a is incomparable to b
}
}
}
return relations ;
}
private void TraduirePreference(){
RP = RelationsPreference(S_ab, S_ba);
return;
}


141
141
/* Etape 7: Affecter les options aux categories predefinies (processus optimist)*/

private int[] CategorieOptimiste(int[][] rp){
int categorie[]=new int [this.nb_options];
int i,h=0;

for (i=0; i<this.nb_options; i++){
while ((h<this.nb_categories-1)&&(rp[i][h]!= 3)){
h++;
}
categorie[i] = h;
h=0;
}
return categorie ;
}

private int[] AffecterCategories(){
int[] C =new int [this.nb_options];
C= CategorieOptimiste(RP);
return(C);
}
}
}



142
142
/* XmlParser.java */

package sphinxMA;

/*
* Manipulation du fichier XML
* ex: extraire les donnes des instances partir du fichier XML
* et aussi mettre jour le fichier XML
*
* Dernire modification: 2010-01-03
*
* Yuan Fan ZHANG
*/

import java.io.File;
import java.io.FileNotFoundException;
import java.io.PrintWriter;
import java.io.StringWriter;
import java.util.ArrayList;
import java.util.HashMap;

import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.transform.OutputKeys;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerException;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.TransformerFactoryConfigurationError;
import javax.xml.transform.dom.DOMSource;
import javax.xml.transform.stream.StreamResult;

import org.w3c.dom.Document;
import org.w3c.dom.Element;
import org.w3c.dom.Node;
import org.w3c.dom.NodeList;

public class XmlParser {

String xmlFile = "";
String exemple;
private ArrayList<ApprenantXml> axContainer = new ArrayList<ApprenantXml>();
private ArrayList<ExempletXml> exContainer = new ArrayList<ExempletXml>();
private ExempleAnnote ex;
private Document doc;
private ArrayList<Result> theResult = new ArrayList<Result>();
private static XmlParser xp;

public static XmlParser getInstance(String file, String theExemple) {
if (xp == null) {
xp = new XmlParser(file, theExemple);
}
return xp;
}




143
143
private XmlParser(String file, String theExemple) {
this.xmlFile = file;
this.exemple = theExemple;
}

class ApprenantXml {

String attitude;
String baseMAId;
String userName;

ApprenantXml(String at, String base, String user) {
this.attitude = at;
this.baseMAId = base;
this.userName = user;
}
}

class ExempletXml {

public String estimee;
public String inferee;
public String ecriture;
public String exampleId;
public String baseMAId;

ExempletXml(String base, String es, String in, String ec, String ex) {
this.baseMAId = base;
this.estimee = es;
this.inferee = in;
this.ecriture = ec;
this.exampleId = ex;
System.out.println("initilizing exemple:" + this.baseMAId + " " + this.estimee);
}
}

class Result {
public String appName;
public String exempleId;
public int estimee;
public int inferee;
public int ecriture;
public String attitude;
public int evaluee;

Result(String app, String ex, int es, int in, int ec, String att, int eva) {
this.appName = app;
this.exempleId = ex;
this.estimee = es;
this.inferee = in;
this.ecriture = ec;
this.attitude = att;
this.evaluee = eva;
}
}


144
144

private HashMap<ApprenantXml, ExempletXml> generateMap() {
HashMap<ApprenantXml, ExempletXml> chainContainer = new HashMap<ApprenantXml, ExempletXml>();
Boo:
for (ApprenantXml a : axContainer) {
if (a == null) {
continue Boo;
}
System.out.println("Apprenant:" + a.baseMAId);
Foo:
for (ExempletXml e : exContainer) {
if (e == null) {
continue Foo;
}
System.out.println("Exemplet:" + e.baseMAId);
if (a.baseMAId.equals(e.baseMAId)) {
chainContainer.put(a, e);
continue Boo;
}
}
//throw new RuntimeException("Il n'y a pas d'exemple etudie par cet apprenant : " + a.userName);
}
return chainContainer;
}

public void updateXml(int[] conn, Apprenant[] appsArray) throws TransformerFactoryConfigurationError,
TransformerException, FileNotFoundException {
System.out.println("\n\n=====================================");
System.out.println("Evaluer les connaissances ...\n");
int[] Connaissances = conn;
for (int i = 0; i < axContainer.size(); i++) {
appsArray[i].updateConnaissance(Connaissances[i]);
}
for (int i = 0; i < axContainer.size(); i++) {
Apprenant theApp = appsArray[i];
ExempleAnnote theExemple = theApp.getExemple();
System.out.println(theApp.getUserName() + " " + theExemple.getConnaissance() + "");
theResult.add(new Result(theApp.getUserName(), theExemple.getExempleID(),
theExemple.getComprehensionEstimee(),
theExemple.getComprehensionInferee(), theExemple.getQualiteEcriture(), theApp.getAttitude() + "",
theExemple.getConnaissance()));
}
System.out.println("=====================================");
doc.getDocumentElement().normalize();
System.out.println("\n\n\n=====================================");
System.out.println("Mettre a jour la base de MA en modifiant les values dans le fichier xml ...\n");
for (Result r : theResult) {
NodeList nodeLst = doc.getElementsByTagName("simple_instance");
for (int s = 0; s < nodeLst.getLength(); s++) {

Node fstNode = nodeLst.item(s);
if (fstNode.getNodeType() == Node.ELEMENT_NODE) {

Element fstElmnt = (Element) fstNode;



145
145
NodeList lstNmElmntLst2 = fstElmnt.getElementsByTagName("name");
Element lstNmElmnt2 = (Element) lstNmElmntLst2.item(0);
NodeList lstNm2 = lstNmElmnt2.getChildNodes();
System.out.println("Etudie par : " + ((Node) lstNm2.item(0)).getNodeValue());

NodeList lstNmElmntLst = fstElmnt.getElementsByTagName("type");
Element lstNmElmnt = (Element) lstNmElmntLst.item(0);
NodeList lstNm = lstNmElmnt.getChildNodes();
NodeList slotResultTmp = null;
String slotNewResult = null;
String oneEtudiePar = null;
Node slotRoot = null;
Node slotResultRoot = null;
if (((Node) lstNm.item(0)).getNodeValue().equalsIgnoreCase("ExempleAnnote")) {

System.out.println("type : " + ((Node) lstNm.item(0)).getNodeValue());

NodeList slotValues = fstElmnt.getElementsByTagName("own_slot_value");
for (int y = 0; y < slotValues.getLength(); y++) {
slotRoot = slotValues.item(y);
NodeList slotChildren = slotRoot.getChildNodes();
String slotNodeName = ((Node) slotChildren.item(1)).getTextContent();

if (slotNodeName.equals("ConnaissanceExemple"))
{
slotResultRoot = slotRoot;
}

else if (slotNodeName.equals("EtudiePar")) {
System.out.println("enter here");
oneEtudiePar = ((Node) slotChildren.item(3)).getTextContent();
System.out.println("compare " + oneEtudiePar + " with " + r.exempleId);

if (oneEtudiePar != null && oneEtudiePar.equalsIgnoreCase(r.exempleId)) {

System.out.println(r.appName + " " + r.exempleId + " " + r.evaluee);
Node result = doc.createElement("own_slot_value");
Node aReference = doc.createElement("slot_reference");
aReference.setTextContent("ConnaissanceExemple");
result.appendChild(aReference);
Node aValue = doc.createElement("value");
aValue.setTextContent(r.evaluee + "");
result.appendChild(aValue);
fstNode.replaceChild(result, slotResultRoot);
}
}
}
}
}
}
}
System.out.println("=====================================");

Transformer transformer = TransformerFactory.newInstance().newTransformer();
transformer.setOutputProperty(OutputKeys.INDENT, "yes");


146
146

StreamResult result = new StreamResult(new StringWriter());
DOMSource source = new DOMSource(doc);
transformer.transform(source, result);

String xmlString = result.getWriter().toString();
PrintWriter pw = new PrintWriter(new File(xmlFile));
pw.print(xmlString);
pw.close();

}

public void readXML() {
System.out.println("\n=====================================");
System.out.println("Analyser le fichier xml pour extraire les valeurs des instances ... ");
try {
File file = new File(xmlFile);
DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
DocumentBuilder db = dbf.newDocumentBuilder();
doc = db.parse(file);
doc.getDocumentElement().normalize();
NodeList nodeLst = doc.getElementsByTagName("simple_instance");
String exempleId = null;
String oneEstimee = null;
String oneInferee = null;
String oneEcriture = null;
String oneConnaissance = null;
String oneEtudiePar = null;
String instanceName = null;
String instanceType = null;
String oneApprenant = null;
String oneAttitude = null;
String oneDejaEtudie = null;
String oneUserName = null;

for (int s = 0; s < nodeLst.getLength(); s++) {

Node fstNode = nodeLst.item(s);
if (fstNode.getNodeType() == Node.ELEMENT_NODE) {

Element fstElmnt = (Element) fstNode;

NodeList lstNmElmntLst2 = fstElmnt.getElementsByTagName("name");
Element lstNmElmnt2 = (Element) lstNmElmntLst2.item(0);
NodeList lstNm2 = lstNmElmnt2.getChildNodes();
System.out.println("Etudie par : " + ((Node) lstNm2.item(0)).getNodeValue());
instanceName = ((Node) lstNm2.item(0)).getNodeValue();

NodeList lstNmElmntLst = fstElmnt.getElementsByTagName("type");
Element lstNmElmnt = (Element) lstNmElmntLst.item(0);
NodeList lstNm = lstNmElmnt.getChildNodes();
if (((Node) lstNm.item(0)).getNodeValue().equalsIgnoreCase("ExempleAnnote")) {

System.out.println("type : " + ((Node) lstNm.item(0)).getNodeValue());



147
147
NodeList slotValues = fstElmnt.getElementsByTagName("own_slot_value");
for (int y = 0; y < slotValues.getLength(); y++) {
NodeList slotChildren = ((Element) slotValues.item(y)).getChildNodes();

String slotNodeName = ((Node) slotChildren.item(1)).getTextContent();
if (slotNodeName.equals("Exemple ID")) {
exempleId = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("ComprehensionEstimee")) {
oneEstimee = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("Comprehensioninferee")) {
oneInferee = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("QualiteEcriture")) {
oneEcriture = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("ConnaissanceExemple")) {
oneConnaissance = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("EtudiePar")) {
oneEtudiePar = ((Node) slotChildren.item(3)).getTextContent();
}
}
System.out.println(exempleId + " " + oneEstimee + " " + oneInferee + " " + oneEcriture + " " +
oneConnaissance + " " + oneEtudiePar);

exContainer.add(new ExempletXml(oneEtudiePar, oneEstimee, oneInferee, oneEcriture, exempleId));
} else if (((Node) lstNm.item(0)).getNodeValue().equalsIgnoreCase("Apprenant")) {
NodeList slotValues = fstElmnt.getElementsByTagName("own_slot_value");
for (int y = 0; y < slotValues.getLength(); y++) {
NodeList slotChildren = ((Element) slotValues.item(y)).getChildNodes();

String slotNodeName = ((Node) slotChildren.item(1)).getTextContent();
if (slotNodeName.equals("Nom_Apprenant")) {
oneApprenant = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("AttitudeCollaboration")) {
oneAttitude = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("ExempleDejaEtudie")) {
oneDejaEtudie = ((Node) slotChildren.item(3)).getTextContent();
} else if (slotNodeName.equals("UserName")) {
oneUserName = ((Node) slotChildren.item(3)).getTextContent();
}

}
System.out.println("find apprenant:" + oneAttitude + " " + instanceName + " " + oneUserName);

axContainer.add(new ApprenantXml(oneAttitude, instanceName, oneUserName));
}
}
}
} catch (Exception e) {
e.printStackTrace();
}
exContainer = trimAxContainer(exemple);
System.out.println("\n=====================================");
}

private ArrayList<ExempletXml> trimAxContainer(String exampleId) {
System.out.print("exampleID:" + exampleId);


148
148
for (int i = 0; i < exContainer.size(); i++) {

if (!exContainer.get(i).exampleId.equals(exampleId)) {
exContainer.remove(i);
i--;
}
}
return exContainer;
}

public Apprenant[] generateAppsArray() {
readXML();
exContainer = trimAxContainer(exemple);
System.out.println("generateing map.....");
HashMap<ApprenantXml, ExempletXml> map = generateMap();
Apprenant[] apps = new Apprenant[axContainer.size()];
System.out.println("Generer un tableau des performances ... \n");
Break:
for(int i=1;i<=map.size();i++)
{
for (ApprenantXml key : map.keySet()) {
ExempletXml temp = map.get(key);
if(key.userName.equals("App0"+i))
{
System.out.println(key.userName + " " + temp.exampleId + " " + temp.estimee + " " + temp.inferee + " " +
temp.ecriture + " " + key.attitude);
continue Break;
}
}
}
int j = 0;
for (ApprenantXml key : map.keySet()) {
ExempletXml temp = map.get(key);
//ExempleAnnote(String apprenant,String exempleID,int comprehension_estimee,int comprehension_inferee,int
qualite_ecriture){
ex = new ExempleAnnote(key.userName, temp.baseMAId, (new Integer(temp.estimee)).intValue(), (new
Integer(temp.inferee)).intValue(), new Integer(temp.ecriture).intValue(),temp.exampleId);
apps[j] = new Apprenant(key.userName, ex, key.attitude);
j++;
}
return apps;
}
}


149
149
/* TachesEvaluer.java */

package sphinxMA;

/*
* Les dmarches pour l'valuation de la comprhension de l'apprenant
* sur un exemple donn. Les performances des apprenants sont extraites
* partir d'un ficher XML
*
* Dernire modification: 2010-01-03
*
* Yuan Fan ZHANG
*/

import java.util.logging.Level;
import java.util.logging.Logger;
import sphinx.*;
import java.io.FileNotFoundException;
import javax.xml.transform.TransformerException;
import javax.xml.transform.TransformerFactoryConfigurationError;

import sphinx.Algorithmes.Electre_Tri;

public class TachesEvaluer {

private Apprenant[] appsArray;
private XmlParser xmlParser;

public TachesEvaluer(String file, String exempleID)
{
xmlParser = XmlParser.getInstance(file, exempleID);
}

public int[] getPerformance(Apprenant app){
int nb_criteres=4;
int[] performance=new int[nb_criteres];
ExempleAnnote exemple = app.getExemple();
performance[0]=exemple.getComprehensionEstimee();
performance[1]=exemple.getComprehensionInferee();
performance[2]=exemple.getQualiteEcriture();
performance[3]=app.getAttitude();
return performance;
}

public int[][] getAllPerformances(int nb){
int nb_criteres=nb;
Apprenant app;
int[][] Ps=new int[appsArray.length][nb_criteres];
for (int i=0; i<appsArray.length; i++){
for (int j=0; j<appsArray.length; j++){
app = (Apprenant) appsArray[j];
if(app.getUserName().equals("App0"+(i+1)) || (app.getUserName().equals("App10") && (i==9)))
{
Ps[i]=getPerformance(app);
break;


150
150
}
}
};
return Ps;
}

public void EvaluerConnaissanceExemple(){

appsArray = xmlParser.generateAppsArray();
for(int i=0;i<appsArray.length;i++) {
Apprenant aApprenant = appsArray[i];
}
// Parametres
int Nb_Criteres=4;
int Nb_Categories=4;
// Profils des frontieres: categories * criteres
int Frontieres_b[][] = {{2,10,2,2},{5,30,5,3},{7,60,7,3}};
// Poids des criteres
double Poids[]={0.4, 0.3, 0.2, 0.1};

// Resultats de l'evaluation
int Conn[];

int[][] Performances_a=new int [appsArray.length][Nb_Criteres];
Performances_a=getAllPerformances(Nb_Criteres);

Electre_Tri tri = new Algorithmes().new Electre_Tri(Nb_Criteres, Nb_Categories, appsArray.length,
Poids, Frontieres_b, Performances_a);

Conn = tri.GetCategoriesAffectees();
try {
xmlParser.updateXml(Conn, appsArray);
} catch (TransformerFactoryConfigurationError ex) {
Logger.getLogger(TachesEvaluer.class.getName()).log(Level.SEVERE, null, ex);
} catch (TransformerException ex) {
Logger.getLogger(TachesEvaluer.class.getName()).log(Level.SEVERE, null, ex);
} catch (FileNotFoundException ex) {
Logger.getLogger(TachesEvaluer.class.getName()).log(Level.SEVERE, null, ex);
}
}

}

/* UnknownAttributesException.java */
package sphinxMA;
/*Dernire modification: 2008-04-28
* Yuan Fan ZHANG
*/
public class UnknownAttributesException extends RuntimeException
{
private static final long serialVersionUID = 1L;
public UnknownAttributesException(String a) {
super(a);
}
}