Techniques d'apprentissage profond pour la modélisation des usagers dans les systèmes interactifs d'apprentissage humain

Nyamen Tato, Ange Adrienne (2020). « Techniques d'apprentissage profond pour la modélisation des usagers dans les systèmes interactifs d'apprentissage humain » Thèse. Montréal (Québec, Canada), Université du Québec à Montréal, Doctorat en informatique.

Fichier(s) associé(s) à ce document :
[img]
Prévisualisation
PDF
Télécharger (8MB)

Résumé

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

Type: Thèse ou essai doctoral accepté
Informations complémentaires: Fichier numérique reçu dans le cadre du dépôt numérique et enrichi en format PDF / A.
Directeur de thèse: Nkambou, Roger
Mots-clés ou Sujets: Utilisateurs de systèmes d'information / Modélisation / Apprentissage profond / Tutoriels / Jeux sérieux
Unité d'appartenance: Faculté des sciences > Département d'informatique
Déposé par: Service des bibliothèques
Date de dépôt: 09 mars 2021 14:46
Dernière modification: 09 mars 2021 14:46
Adresse URL : http://archipel.uqam.ca/id/eprint/14098

Statistiques

Voir les statistiques sur cinq ans...