Soutenance de stage Programmation Orientée Émotion

Présentation au sujet: "Soutenance de stage Programmation Orientée Émotion"— Transcription de la présentation:

1 Soutenance de stage Programmation Orientée Émotion
Kévin Darty 7 septembre 2011 Responsable : Nicolas Sabouret

2 Introduction Méthode de programmation
Résolution de problème [Hart&al 68] Informatique affective [Darwin&al. 02] Émotion Cadre de programmation

3 Plan Classe de problème États de l’art Modèle Implémentation
Résolution de problème Affective computing Modèle Implémentation Évaluation Conclusion Bibliographie

4 Classe de problème

5 Classe de problème Sans connaissance du but

6 Classe de problème Sans connaissance du but Multi objectifs

7 Classe de problème Sans connaissance du but Multi objectifs Dynamique

8 Classe de problème Sans connaissance du but Multi objectifs Dynamique
Ressources limitées

9 Classe de problème Sans connaissance du but Multi objectifs Dynamique
Ressources limitées Temps limité

10 Classe de problème Sans connaissance du but Multi objectifs Dynamique
Ressources limitées Temps limité Partiellement observable

11 Classe de problème Sans connaissance du but Multi objectifs Dynamique
Ressources limitées Temps limité Partiellement observable Complexe

12 État de l’art : résolution de problème
Normatif Exploration : A* [Hart&al 68] Optimum / Temps limité Planification : GraphPlan [Blum&Furst 97] Base de règle / Dynamique / Problème abstrait

13 État de l’art : résolution de problème
Normatif Exploration : A* [Hart&al 68] Optimum / Temps limité Planification : GraphPlan [Blum&Furst 97] Base de règle / Dynamique Descriptif Comportement : FreeFlowHierarchies [Tyrrell 93] Compromis / Problème abstrait Animat : MHiCS [Robert&Grillot 03] Adaptatif / Complexe Architecture psychologique : ACT-R [Anderson&al. 04] Humain / Méthode simple

14 État de l’art : informatique affective
Mémoire Mémoire à long terme [Atkinson&Shiffrin 68] Vécu  mémorisation  apprentissage possible Mémoire de travail [Atkinson&Shiffrin 68] [Miller 56] Concentration  Minimise l’espace de recherche

15 État de l’art : informatique affective
Mémoire Mémoire à long terme [Atkinson&Shiffrin 68] Vécu  mémorisation  apprentissage possible Mémoire de travail [Atkinson&Shiffrin 68] [Miller 56] Concentration  Minimise l’espace de recherche Émotion Catégoriel [Plutchik 80] Dimensionnel [Mehrabian&Russell 74]

16 Conclusion Modélisation de la classe de problème ?
Résolution généralisée de problèmes ? Heuristiques émotionnelles ? Réduire la tâche du programmeur ? Séparation problème / solution Niveau d’abstraction Solveur Orienté Émotion automatisé Environnement de programmation aisé

17 Modèle (1/4) : architecture

18 Modèle (2/4) : Environnement

19 Modèle (3/4) : Solution

20 Modèle (4/4) : Solveur

21 Implémentation (1/2)

22 Implémentation (2/2)

23 Évaluation (1/4) : Labyrinthe

24 Évaluation (2/4) : Conclusion
Problème Dynamique Partiellement observable A temps limité Séparation problème / solution Heuristiques émotionnelles Comportements adaptés Mise en œuvre rapide

25 Évaluation (3/4) : Protocole
Testeurs humains Similitudes sur une même instance de labyrinthe Taux de réussite Séquences d’actions [Levenshtein 66] Nombres de tours Nombres d’actions Trésors récoltés Tests 2 configurations : avec/sans monstres 30 personnes X 4 instances de labyrinthe

26 Évaluation (4/4) : Attentes
Taux de réussite proches Longueurs de séquence et nombres de tour équivalents Comportements similaires Logique : parcours Émotionnel : réaction aux perceptions par un choix de comportement semblable

27 Conclusion & perspectives
Modélisation de la classe de problème Tache réduite : Séparation problème / solution Appraisal automatisé Heuristiques émotionnelles indépendantes du problème Comportement adapté du solveur Réaction par émotion Concentration via les filtres et la WM Utilisation stricte de la mémoire Évolution de l’importance d’une perception Apprentissage du critère de dominance Application du protocole d’évaluation

28 Bibliographie (1/2) [Anderson&al. 04] Anderson, J.R. and Bothell, D. and Byrne, M.D. and Douglass, S. and Lebiere, C. and Qin, Y. An integrated theory of the mind. Psychological review, vol.111.4:1036, 2004. [Do&Kambhampati 01] Do, M.B. and Kambhampati, S. Sapa: A domain-independent heuristic metric temporal planner. Proceedings of the 6th European Conference on Planning, , [Atkinson&Shiffrin 68] Atkinson, R.C. and Shiffrin, R.M. Human memory: A proposed system and its control processes. The psychology of learning and motivation: Advances in research and theory, vol. 2:89-195, 1968. [Edell&Burke 87] Edell, J.A. and Burke, M.C. The power of feelings in understanding advertising effects. The Journal of Consumer Research, vol. 14.3: , 1987. [Fikes&Nilsson 71] Fikes, R.E. and Nilsson, N.J. STRIPS: A new approach to the application of theorem proving to problem solving. Artificial intelligence, vol2.3/4: , 1971. [Baars&Franklin 09] Baars, B.J. and Franklin, S. Consciousness is computational: The LIDA model of global workspace theory. International Journal of Machine Consciousness, vol. 1:23-32, 2009. [Greeno 78] Greeno, J.G. Natures of problem-solving abilities. Lawrence Erlbaum, 1978. [Baars 05] Baars, B.J. Global workspace theory of consciousness: toward a cognitive neuroscience of human experience. Progress in brain research, vol. 150:45-53, 2005. [Guillot&Daucé 03] Guillot, A. & Daucé, E. Approche dynamique de la cognition artificielle. Hèrmes Scienes Publications, 2003. [Batra&Holbrook 90] Batra, R. and Holbrook, M.B. Developing a typology of affective responses to advertising. Psychology and Marketing, vol.7.1:11-25, 1990. [Hart&al 68] Hart, P.E., Nilsson, N.J. et Raphael, B. A formal basis for the heuristic determination of minimum cost paths. Systems Science and Cybernetics, IEEE Transactions on, 4: , [Blum&Furst 97] A. Blum et M. Furst. Fast Planning Through Planning Graph Analysis. Artificial Intelligence, 90: , 1997. [Bonnet&Geffner 98] Bonnet, B. and Geffner, H. HSP: Heuristic search planner. Citeseer, 1998. [Hoffmann&Nebel 01] Hoffmann, J. et Nebel, B. FF: The fast- forward planning system. Journal of Artificial Intelligence Research, 14.1: , 2001. [Caplat 02] Caplat, G. Modélisation cognitive résolutions de problèmes, Presses polytechniques et universitaires romandes, [James&al. 81] James, W. and Burkhardt, F. and Bowers, F. and Skrupskelis, I.K. The principles of psychology, Harvard University Press, vol. 12, 1981. [Conklin 06] Conklin, J. Wicked problems & social complexity. Citeseer, 2006. [Lazarus&Folkman 96] Lazarus, R. & Folkman, S. Stress, appraisal and coping. Springer, 1996. [Darwin&al. 02] Darwin, C. and Ekman, P. and Prodger, P. The expression of the emotions in man and animals, Oxford University Press, 2002.

29 Bibliographie (2/2) [Russell 80] Russell, J.A. A circumplex model of affect.Journal of personality and social psychology, vol. 39.6:1161, 1980. [Levenshtein 66] Levenshtein, V.I. Binary codes capable of correcting deletions, insertions, and reversals. Soviet Physics Doklady, vol. 10,8: , 1966. [Schmeichel&al. 08] Schmeichel, B.J. and Volokhov, R.N. and Demaree, H.A. Working memory capacity and the self- regulation of emotional expression and experience. Journal of Personality and Social Psychology, vol. 95.6:1526, 2008 [Mehrabian&Russell 74] Mehrabian, A. and Russell, J.A. An approach to environmental psychology. the MIT Press, 1974. [Miller 56] Miller, G.A. The magical number seven, plus or minus two: some limits on our capacity for processing information. Psychological review. Vol 63.2, 81, 1956. [Tyrrell 93] Tyrrell, T. The use of hierarchies for action selection, Adaptive Behavior, vol. 1.4:387, 1993. [Park&Koelling 89] Park, Y.B. and Koelling, C.P. An interactive computerized algorithm for multicriteria vehicle routing problems. Computers & Industrial Engineering, vol. 16.4: , [Plutchik 80] Plutchik, R. Emotion: A psychoevolutionary synthesis. Harper & Row New York, 1980. [Rittel&Webber 73] Rittel, H.W.J. and Webber, M.M. Dilemmas in a general theory of planning. Policy sciences, 4.2: , 1973. [Robert&Grillot 03] Robert, G. and Guillot, A. MHiCS, a modular and hierarchical classifier systems architecture for bots. 4th International Conference on Intelligent Games and Simulation (GAME-ON’03), , 2003. [Rosenblatt&Payton 89] Rosenblatt, J.K. & Payton, D.W. A fine-grained alternative to the subsumption architecture for mobile robot control. IEEE/INNS International Joint Conference on Neural Networks, , 1989. [Rosenbloom&al. 93] Rosenbloom, P.S. & Laird, J. & Newell, A. The SOAR papers: Research on integrated intelligence. Mit Press Cambridge, vol. 1, 1993.

30 Questions