Titre une approche hybrique pour la fouille de données

Paladian

Sujets

• Informatique
• Marketing et communication

Informations

• Publié par: oeufdepaques
• Nombre de lectures: 257
• Langue: Français

Extrait

Nom et numéro de l’école doctorale :

ED SPI 70 Clermont-Ferrand.

Nom et label de l’unité de recherche :

Laboratoire

d’Informatique, de Modélisation et

d’Optimisation

des

Systèmes

(LIMOS),

UMR

6158

CNRS.

Dir. :

Alain

QUILLIOT,

[e-mail]

Localisation :

LIMOS, Bat ISIMA, BP 10125, Campus des Cézeaux, 63173 AUBIERE

(établissement de rattachement).

Directeurs de thèse :

Enjalbert MEPHU N’GUIFO, Professeur,

[e-mail]

, membre du

LIMOS .

Titre :

Une approche hybrique pour la fouille de données éducatives dans le cas de

domaines mal définis. Application à CanadarmTutor.

Mots-clés :

Système tutoriel intelligent, Fouille de données, Masses de données, Données

multimédia, Planification, Domaine mal défini.

Contexte

Cette thèse s’intègre dans un projet de collaboration (voir annexe ci-joint) avec des chercheurs

canadiens pour la construction d’outils de d’extraction de connaissances adaptés à des

systèmes tutoriels intelligents (STI) dans le cas des domaines mal définis.

Les systèmes tutoriels intelligents doivent détenir les connaissances liées à la tâche pour

mieux suivre et guider les apprenants. RomanTutor est un système tutoriel intelligent dont le

but est de superviser des apprenants dans l’apprentissage de la manipulation de robots. Dans

ce contexte, un apprenant doit réaliser des tâches complexes en commandant un simulateur de

robot. RomanTutor a été instancié pour l’entraînement des astronautes à la manipulation du

bras robotisé CanadarmII utilisé pour le déplacement de charges et l’inspection de la station

spatiale internationale. CanadarmTutor est le tuteur intelligent qui a découlé de cette

instanciation (figure 1). Lors de la réalisation d’une tâche avec Canadarm2, CanadarmTutor

suit les actions de l’astronaute et tente de l’aider lorsqu’il le juge nécessaire ou à la demande

de l’utilisateur. Par exemple, l’astronaute peut vouloir savoir si une action ou une séquence

d’actions qu’il exécute est valide dans le contexte de la tâche; il peut aussi demander au

système de lui suggérer les prochaines actions à exécuter ou de lui faire une démonstration de

la tâche.

Pour répondre à ces besoins, un certain nombre de services tutoriels (suivi du raisonnement,

reconnaissance de plan, diagnostic du comportement, etc.) ont été implémentés. Ces services

s’appuient sur un planificateur de chemin capable de calculer en tout temps et de façon

incrémentale, un chemin menant au but. Le planificateur de chemin appelé FADPRM

(Flexible,

Anytime

and

Dynamic

Probabilistic

Roadmap)

utilise

une

stratégie

d’échantillonnage qui implémente une balance entre : une exploration du réseau des

configurations (ou roadmap) avec l’algorithme AD* [36]; et un échantillonnage probabiliste

comme dans les approches PRM conventionnelles. AD* est une généralisation de

l’algorithme familier A* pour des environnements dynamiques. AD* jouit aussi de la

propriété Anytime pour pouvoir fournir une solution très rapidement puis ensuite et d’une

façon incrémentale l’améliorer si plus de temps est disponible. De ce fait, FADPRM apparaît

comme la solution optimale dans notre contexte.

Même si le planificateur FADPRM intégré dans RomanTutor permet de supporter certains

services tutoriels, il reste que le chemin généré n’est pas toujours plausible dans la pratique et