Mention Management des connaissances et innovation Spécialité IFL Modélisation de l’utilisateur et de l’apprenant Jean-Marc LABAT.

Présentation au sujet: "Mention Management des connaissances et innovation Spécialité IFL Modélisation de l’utilisateur et de l’apprenant Jean-Marc LABAT."— Transcription de la présentation:

1 Mention Management des connaissances et innovation Spécialité IFL Modélisation de l’utilisateur et de l’apprenant Jean-Marc LABAT

2 Plan du cours Nicolas Labroche Mesure d’audience sur Internet Catherine Pélachaud Agents Conversationnels Animés Modélisation des émotions : Analyse et synthèse Jean-Marc Labat Cours 1 : Introduction, Architectures cognitives Cours 2 : Modélisation de l’utilisateur : modèles symboliques Cours 3 : Modélisation de l’utilisateur : Modèles numériques Cours 4 et 5 : Modèles de l’apprenant Un examen écrit constitué de : Des questions de compréhension sur les cours Des questions portant sur des textes donnés à lire »Des questions de compréhension »Des questions d’analyse critique »Des questions demandant un peu d’innovation Evaluation

3 La modélisation de l'utilisateur Généralités Les problématiques Les 2 catégories d'approches Le rôle de l'Interaction H-M pour la résolution de problèmes Les architectures cognitives ACT SOAR Cas d'école : Les tours de Hanoi Présentation de différents modèles Modélisations basées sur des protocoles verbaux Bilan Outil pour le travail pluridisciplinaire

4 Généralités Problématique très importante de l'IA sur un plan fondamental –travail théorique –travail pluridisciplinaire : neuro-sciences, psychologie cognitive, linguistique sur un plan plus appliqué –pour personnaliser l'enseignement –pour fournir une aide appropriée à l'utilisation de logiciels –pour connaître les besoins des internautes Participation de l'IA au projet de compréhension globale de la cognition humaine Participation de l'IA à l'amélioration de l'Interaction Homme-Machine

5 L'approche symbolique l'approche numérique Modèles dynamiques »objectif : simuler ou rejouer le comportement de l'humain »utilisation des systèmes à base de connaissances Modèles statiques »objectif : stocker de l'information pour prendre des décisions »utilisation d'attributs-valeurs Modèles basés sur des calculs et des méthodes d'apprentissage »objectif : avoir un modèle complet qui ne répond jamais de manière aberrante »utilisation –des réseaux neuronaux –des réseaux bayésiens –du filtrage collaboratif 2 catégories d'approches

6 Problématique : Interaction entre l'homme et la machine dans le cadre de la résolution de problèmes Interaction entre l'homme et la machine dans le cadre de la résolution de problèmes Reproduire les méthodes humaines Permettre à l'humain de guider la recherche L'humain (expert) est très fort malgré sa lenteur de calcul Le rôle de l'Interaction H-M pour la résolution de problèmes

7 Quelle interaction ? Exemple 1 : l'EIAO  Le niveau stratégique de la résolution est assuré par le système  L'ordinateur joue le rôle du "maître" : il est supposé posséder une connaissance parfaite de ce qu'il enseigne  L'apprenant interagit pour choisir le thème d'étude pour répondre aux questions posées pour demander des explications et des aides Modèle d'Interaction faible Vision "Utilisateur" Exemple 2 : l'AD  L'ordinateur impose la définition du problème, sa modélisation et donc la résolution  Le "décideur" interagit pour piloter la recherche pour fournir les données initiales pour faire de l'analyse de sensibilité pour demander des explications

8 Modèle d'Interaction forte   L'Humain est le "maître du jeu"  Il contrôle le processus de la résolution  Il peut intervenir au niveau des choix stratégiques  Il assure le contrôle de la gestion des rôles  La communication homme-machine permet une véritable coopération  Le partage des tâches est en partie dynamique  La machine peut fournir une aide pertinente  La machine peut expliquer son propre raisonnement, justifier ses résultats Vision "Producteur" Quelle interaction ?

9 Quelles sont les conditions d'une interaction forte ?  La Machine dispose d'une représentation de ses compétences (savoir métacognitif) Elle peut les présenter à l’humain  La Machine adopte une résolution proche de celle de l'Humain Vocabulaire, représentation et méthodes  La Machine a une certaine perception du processus de communication Elle comprend un énoncé, elle a des capacités de « négociation »  La Machine a une représentation dynamique de l'Humain Elle connaît les buts de l'humain Elle a un modèle du fonctionnement de l'humain et de ses possibilités d'intervention L'Humain dispose d'un modèle des compétences de la Machine L'Humain dispose d'un modèle des compétences de la Machine La machine dispose d'un modèle cognitif de l'Humain La machine dispose d'un modèle cognitif de l'Humain

10 Architecture cognitive   Proposition complète sur la structure de la cognition humaine  plus complet qu'une théorie cognitive qui ne traite qu'un seul aspect  l'objectif est d'obtenir un comportement "intelligent", c'est-à-dire flexible  Propriétés d'une architecture cognitive  Fortes et nombreuses !  Hypothèse fondamentale : Les capacités cognitives humaines conscientes sont bien représentées, sur le plan psychologique, par le formalisme des règles de production Les capacités cognitives humaines conscientes sont bien représentées, sur le plan psychologique, par le formalisme des règles de production

11  Avoir un comportement rationnel, orienté par les buts et adapté à l'environnement  Agir en temps réel dans un environnement complexe  Utiliser différents niveaux d'abstraction de type symbolique  Utiliser un langage à la fois naturel et artificiel  Apprendre à partir de l'environnement et de l'expérience  Acquérir des capacités progressivement  Faire preuve de conscience de soi (de réflexivité) Propriétés que doit posséder une architecture cognitive

12 Présentation de ACT-R Nouvelle version de ACT* (R= rational) Principes : 2 types de mémoire à long terme :  Une mémoire déclarative : Les "chunks" ( "cognitive unit" dans ACT*)  Une mémoire procédurale : les règles de production Activer les règles de production a un certain coût en temps calculé par le système  Le temps d'activation d'une règle dépend de la fréquence d'utilisation de la règle et des coefficients d'activation des chunks qui s'apparient aux prémisses L'apprentissage des chunks et des règles est différencié  Pour les chunks, seul le coefficient d'activation est objet d'apprentissage  Les règles peuvent être créées uniquement à partir d'exemple ( par analogie)

13 Les chunks  Ils représentent ce qui peut être verbalisé  Ils sont acquis directement par encodage de l'environnement  Chaque chunk est formé d'un nom et de slots (généralement pas plus de 3 slots)  Ils sont organisés hiérarchiquement  Chaque chunk i possède un coefficient d'activation Ai = Bi +  W j *S ji S ji : force de l'association entre le chunk i et le chunk j appartenant au contexte (traduit la probabilité que i soit utilisé quand j est présent) Bi : fonction du temps depuis lequel i a été utilisé  Le coefficient d'activation d'un chunk est modifié par l'usage de celui-ci mais aussi par l'usage des autres chunks du contexte j

14 Les règles de production  Elles traduisent ce qui peut être inféré à partir de l'observation du comportement  Propriété caractéristique : dissymétrie condition/action  Elles contiennent toujours un but en partie condition Si et Alors et  Chaque production a une force Sp qui dépend du temps depuis lequel elle a été utilisée  cette force dépend des coefficients d'activation des chunks qui s'apparient aux prémisses  Les nouvelles productions sont construites par le système par un mécanisme basé sur le raisonnement par analogie (peu développé)  Pas d'apprentissage compositionnel de règles (contrairement à ACT* ou SOAR)

15 Principe de fonctionnement Tant que non-vide(pile-de-buts) 1) Activer le but du sommet de pile (ou un sous-but nécessaire pour l'atteindre) 2) Déterminer les règles candidates (celles dont le but en partie condition s'apparie avec le but actif) 3) Déterminer les règles déclenchables en respectant pour chaque règle p une durée d'activation T p (équation principale d'ACT-R) T p =  B e i : chunk qui s'apparie avec une des prémisses de la règle p 4) Choisir un moment d'exécution grâce à une fonction qui estime le bénéfice de l'apport de nouvelles règles déclenchables par rapport au coût supplémentaire en temps 5) Déclencher celle qui a le meilleur rapport qualité/prix Rp Rp = P*G - C P : probabilité d'atteindre le but G : gain C : coûts des actions en cours + coût des actions futures -b(A i + S p ) i

16 Limites  L'acquisition des règles se fait-il uniquement à partir d'exemples ?  l'apprentissage par analogie est très peu développé  Pas de modélisation du raisonnement inductif  Pas de théorie sur comment les règles peuvent être mal appliquées (il faudrait un appariement partiel)  Les nombreux coefficients numériques qui décident du déclenchement des règles sont-ils psychologiquement plausibles ?

17 Présentation de SOAR 9 versions, dernière version 9.0.1 (9.1.1 et 9.2.0 béta) http://sitemaker.umich.edu/soar/home Principes  Combiner connaissances et recherche flexible grâce aux notions d'espace-problème et de règles de productions  L'espace problème est organisé classiquement en états et opérateurs  SOAR contient plusieurs méthodes pour résoudre le même problème  Les règles de productions servent pour choisir la méthode la plus appropriée  Différents espace-problèmes et différentes méthodes de contrôle de la recherche doivent être accessibles  A priori, le comportement est contrôlé grâce à la mémoire à long terme par l'architecture  Les impasses (incapacité de choisir) sont résolues en changeant d'espace-problème en faisant appel à un raisonnement explicite  L'apprentissage se fait par composition (chunking) de règles de décision déclenchées

18 La génération de sous-buts  A partir de SOAR-2,  Objectif : améliorer le processus de vote et raisonner à un méta-niveau  Les sous-buts sont créés automatiquement chaque fois qu'une impasse se produit  Impasse =  Beaucoup de types de buts possibles : * réaliser les pré-conditions d'un opérateur * choisir un opérateur * remplir les slots du contexte courant  Le but et ses sous-buts sont simultanément actifs (présents en mémoire de travail) { Pas d'alternatives sélectionnables ou Pas de connaissances pour choisir entre plusieurs alternatives

19 La notion d'espace-problème  La mémoire de travail contient un stock de buts, d'espaces-problèmes, d'états et d'opérateurs  Le contexte courant contient les 4 éléments choisis dans le stock qui définissent un espace de recherche. Contexte = (but, espace-problème, états, opérateurs)  2 fonctions sont fondamentales : 1) La génération de nouveaux objets qui vont dans le stock 2) La sélection d'un objet qui se substitue à l'ancien dans le contexte courant. Les autres attributs du contexte sont alors remis à nil  Les opérateurs sont représentés par des règles de production, ce qui permet éventuellement de les représenter de manière déclarative

20 Différents niveaux de l'architecture de SOAR-5 Mémoire de travail Mémoire des règles de production Résolution dans l'espace-problème Impasse et sous-buts Niveau réflexif Niveau délibératif Niveau réactif { Cycle de résolution au niveau délibératif : alternance Elaboration/Décision Proposition d'états Sélection d'états Proposition d'états Proposition et comparaison d'opérateurs Sélection d'opérateurs Application, proposition et comparaison d'opérateurs Sélection d'opérateurs EntréesSorties

21 La notion d’impasse 3 types d’impasses : Tie impasse »Soar n’arrive pas à choisir entre plusieurs objets. No-change impasse »aucun objet n’est proposé à l’issue de l’élaboration. Constraint-failure impasse »Soar détecte un conflit entre des contraintes pesant sur un objet candidat (quand les préférences indiquent par exemple que l’objet est de priorité absolue, et qu’il est en même temps interdit) Résolution Création d’un sous-but permettant de résoudre cette impasse La résolution de problème est alors appliquée à ce sous-but

22 Apprentissage  Apport majeur de SOAR-3, le processus s'appelle le "chunking"  Consiste à résumer dans une règle de production la résolution d'un sous-but  Accélère la résolution en évitant de faire appel au niveau réflexif  N'interfère pas avec la résolution  Concerne les propositions et sélections d'espaces-problème, d'états initiaux et d'opérateurs  S'apparente à l'apprentissage basé sur les explications  Pas de problème de performance en temps même avec beaucoup de productions apprises (en partie grâce à un ré-ordonnancement automatique de l'ordre des prémisses)

23 Limites Projet commencé en 80, encore beaucoup de difficultés  L'apprentissage reste bien limité (pas d'apprentissage de connaissances déclaratives)  L'apprentissage est fragile (sur-généralisation, sous-généralisation, "utility problem")  L'interaction entre buts est traité de manière ad hoc  Le raisonnement temporel et spatial est incomplet et ad hoc  SOAR reste radicalement incomplet en tant que théorie complète de la cognition (par exemple, la mémoire de travail a des ressources illimitées) Sur le plan pratique  SOAR est difficile à apprendre et à comprendre pour des novices mais une petite communauté mondiale y travaille (jusqu’en 2009 29 workshops)

24 Exemple d’utilisation SETHI : Simulateur d’Environnement Tactique Hétérogène Interactif système temps-réel de simulation de Forces a pour fonction d'animer le champ de bataille dans lequel sont immergés des agents virtuels et des avatars de simulateurs physiques. conçu pour l’entraînement technique et tactique de personnels de différents échelons grâce à la mise en réseau de simulateurs participant à un exercice commun SETHI est constitué de quatre composants principaux : Les IHM qui permettent à l'utilisateur de définir les scénarios de simulation et de contrôler leur déroulement en temps-réel ; les bases de données contenant toutes les informations de terrains, d’armes, de véhicules, de réactions comportementales, … le noyau de calcul qui maintient les données cohérentes en temps réel une couche réseau permettant le partage d’objets et de messages en temps réel entre applications s’exécutant sur des machines distantes

25 Exemple d’utilisation Modèle de sélection d’action Emotionnelle basé sur SOAR (MEbS) Olga Kozlova, stage chez Thales 2005-2006 MEbS a pour but de fournir à SETHI un système comportemental alternatif qui permet à certains types d’agents virtuels qui ne suivent pas la doctrine militaire typique (civils, terroristes, milices) d’exhiber un comportement réaliste et de prendre en compte des événements particuliers.

26 Exemple d’utilisation MEbS est composé de 2 sous-systèmes : Système d’évaluation des émotions »alimenté par les informations sur l’état de l’environnement et de l’agent issues de SETHI. »chaque agent évalue la situation par rapport à un ensemble de critères qui lui sont propres. Système de prise de décision »alimenté par les informations sur les possibilités d’actions issues de SETHI et les informations sur l’état émotionnel de l’agent issues du système d’évaluation des émotions »fournit à SETHI les actions à exécuter par l’agent. le comportement de l’agent émerge d’une suite de plusieurs cycles de décision »Un cycle de décision de MEbS inclut l’évaluation des émotions suivi de plusieurs cycles de décision de Soar

27 Cycle de décision de l'agent

28 peg B Cas d'école : Les tours de Hanoi peg Apeg C peg Bpeg Apeg C peg Bpeg Apeg C Situation initiale peg Bpeg Apeg C Situation finale Situations intermédiaires Règles : On ne déplace qu'un seul disque à la fois On ne peut prendre que celui en haut de la pile On ne peut pas poser un disque sur un autre de taille inférieure

29 Graphe de résolution du problème des tours de Hanoi à 4 disques 1 2 3 4 - - 1 4 3 2 1 4 3 2 1 2 4 3 - 1 2 4 3 - 1 3 2 - 4 1 2 4 - 3 1 3 2 - 4 1 4 2 3 1 3 2 4 - 1 2 4 3 - 1 2 3 - 4 1 2 3 - - 4 la tour de Hanoi Si (But = Mettre ?X de ?P sur ?Q) Existe disque ?Y sur ?Q, ?Y plus petit que ?X Alors EMPILER (But = Mettre ?Y sur (Autre ?P ?Q)) Modèles basés sur la génération de buts

30 Objectifs Construire une architecture cognitive Traiter automatiquement des énoncés linguistiques Étudier les différences intra et inter-individuelles  Obtenir un comportement "intelligent", c'est-à-dire flexible  Hypothèse fondamentale : Architecture cognitive Les capacités cognitives humaines conscientes sont bien représentées par le formalisme des règles de production Les capacités cognitives humaines conscientes sont bien représentées par le formalisme des règles de production

31 Modélisation cognitive d'un sujet en situation de résolution de problèmes à partir de protocoles verbaux Méthode Simulation de protocoles d'enfants résolvant le problème des tours de Hanoï à 4 disques et 3 tiges à partir d'une analyse psycholinguistique Protocole verbal d'un sujet Modèle général de résolution Modèle de résolution de chaque sujet particulier (reproduisant les parcours des différents essais) Objectif Hypothèse de travail Les marques linguistiques et leurs agencements permettent de modéliser les processus cognitifs d'un sujet dans une tâche de résolution de problèmes

32 Analyse de protocoles d'enfants Recueil des protocoles verbaux  Des enfants d'une dizaine d'années => verbalisations parfois pauvres  La verbalisation des sujets est simultanée à la résolution  Une consigne de verbalisation laissant une grande latitude  Pas de demande de commentaires au niveau méta Repérage des marques de modalité (les verbes) avec leurs choix lexicaux Connecteurs choix lexicaux pour les référents, les prépositions et les verbes d'action ordre d'apparition, structure grammaticale Termes de départ Buts modalisés Sous-buts Episodes Repérage Analyse "à la main"

33 La planification des buts issue de l'analyse d'un protocole 4 en C 2 en C enlever 1 enlever 3 2 en C enlever 4 2 sur 4 1 sur C 2 sur A enlever 2 enlever 3 4 en C 1 sur A 3 sur 4     Les buts modaux sont : * enlever ?X : enlever le disque ?X * ?X sur ?P : mettre le disque ?X sur le piquet ?P * ?X sur ?Y : mettre le disque ?X sur le disque ?Y

34 L'analyse psycholinguistique 3 règles de mouvement pour un débutant R1 Si le but est Transporter ?Di du piquet ?X sur le piquet ?Z ?Di est libre et ?Z est libre Alors Mettre ?Di sur ?Z R1-Bd Si le but est Transporter ?Di du piquet ?X sur le piquet ?Z ?Dj est sur ?Di et ?Z est libre Alors Mettre ?Dj sur ?Y et ?Di sur ?Z R1-Bp Si le but est Transporter ?Di du piquet ?X sur le piquet ?Z ?Di est libre et ?Dj est sur ?Z Alors Mettre ?Dj sur ?Y et ?Di sur ?Z

35 Résolution aléatoire Règle deplacer-3 "deplacement d'un disque pose sur un autre, sur un piquet occupe" Si le disque ?d1 posé sur ?p1 n'a rien au dessus le disque ?d2 posé sur ?p2 n'a rien au dessus taille (?d2) > taille (?d1) Alors Mettre ?d1 sur ?p2  Modélisation des mouvements élémentaires Ni mémorisation des états déjà visités Ni raisonnement en terme de buts MAIS  Exemple de règle :  SEULE STRATEGIE QUI RESOUT LE PROBLEME :  Résultats HASARD * avec 3 disques, de 20 à 200 mouvements pour résoudre le problème * avec 4 disques, l'état final n'est pas atteint après plus de 30 000 mouvements * AJOUT d'une connaissance supplémentaire : le système reconnaît les configurations partiellement conformes à l'état final la solution est toujours trouvée en moins de 700 mouvements (parfois en moins de 100)

36 Première modélisation  Base de Faits : 4 classes pour décrire l'état de la résolution : Disque, Situation, But, Pile-de-but  Règles issues du modèle psycholinguistique : R1, R1-Bd, R1-Bp  Règles complémentaires : pour les situations où aucune des 3 règles ci-dessus ne s'applique  R-enlever : pour choisir le piquet sur lequel on met le disque gênant  R-Sous-but : quand le disque à déplacer est sous une pile  Les buts modalisés par le sujet ne sont pas "calculés" mais introduits interactivement au fur et à mesure de la résolution Cette dernière règle est beaucoup trop puissante car elle introduit la récursivité

37 La modélisation Utilise CLIPS et le LOO intégré => tout est exprimé en terme de classes et d'instances Classe DISQUE attributs Taille Piquet Classe SITUATION attributs Piquet-A Piquet-B Piquet-C 1) Description de la situation 2) Description des buts de l'humain Classe PILE attribut But Classe BUT attributs Disque Piquet La base de faits

38 Règles complémentaires R1-Bd-Echec1 Si le but est "Mettre ?Di sur ?Z" ?Dj est sur ?Di sur ?X ?Y est libre ?Z n'est pas libre Alors Déplacer ?Dj sur ?Y ajouter le but "Libérer ?Z" R1-Bd Si le but est Mettre ?Di sur ?Z ?Dj est sur ?Di sur ?X ?Z est libre ?Y est libre Alors Déplacer ?Dj sur ?Y et ?Di sur ?Z R1-Bd-Echec2 Si le but est "Mettre ?Di sur ?Z" ?Dj est sur ?Di sur ?X ?Y n'est pas libre ?Z est libre Alors ajouter le but "Mettre ?Dj sur ?Y" R1-Bd-Echec3 Si le but est Mettre ?Di sur ?Z ?Dj est sur ?Di sur ?X ?Y n'est pas libre ?Z n'est pas libre Alors Déplacer ?Dj sur ?Y ajouter "Mettre ?Dj sur ?Y ajouter "Libérer ?Z"

39 Les résultats Différents tests effectués Dans tous les cas : une grande différence dans les parcours obtenus 1) Avec le but 4-en-C en arrière plan dès le début 2) Sans le but 4-en- C en arrière plan 3) Comparaison épisode par épisode BILAN

40 Parcours effectué par Olivier (essai 2) 1 2 3 4 - - 1 2 3 - 4 - 1 4 3 2 1 4 3 2 1 2 4 3 - 1 2 4 3 - 1 3 2 - 4 3 2 1 4 1 2 4 - 3 1 3 2 - 4 1 4 2 3 1 3 2 4 - 1 2 4 3 - 1 2 3 - 4 Parcours effectué par le SE avec 4 C en arrière plan 1 2 3 - 4 - 1 2 3 - - 4 1 4 3 2 1 2 4 3 - 1 2 4 3 - 1 3 2 - 4 3 2 1 4 1 2 4 - 3 1 3 2 - 4 1 4 2 3 1 3 2 4 - 1 4 3 2 1 4 3 2 1 2 4 - 3 1 2 3 4 - - 1 2 3 - - 4

41 Analyse des différences Pas d'historique des états Pas d'historique des mouvements PROGRAMME HUMAIN Mémorisation des 2 derniers mouvements "Cela ne sert à rien de bouger 2 fois de suite le même disque" Notion de mouvement obligatoire Empilement des buts sans limitation Pas de ré-organisation des buts VERSUS Abandon des buts trop difficiles à atteindre Création de buts pas toujours pertinents Calcul de sous-buts en chaînage arrière Pas de prévision "en avant" Utilisation de phénomènes perceptifs pour choisir où mettre un disque gênant en raisonnant "en avant" Une représentation univoque de l'état de la résolution Changements de représentation introduits par : - les termes de départ - les représentations mentales "1-3  1" L'expérimentation permet de modifier et d'affiner le modèle informatique mais aussi le modèle psycholinguistique

42 Objectifs de la seconde modélisation  Modéliser * la gestion partielle de l'historique des états * la limitation de l'empilement des sous buts  Introduire des règles de "calcul" des buts modalisés  Séparer les règles de buts et les règles de mouvements

43 Deuxième modélisation  Dans la planification : suppression du but "4 en C" (but d'arrière plan) au profit des buts "Tous en B" ou "Tous en C"  Structure d'épisodes remaniée avec l' introduction de la notion de focalisation  Mémorisation du dernier disque bougé  Séparation des règles d'actions et des règles de buts  Modélisation partielle d'un regard avant  Introduction de différents types de buts  Une base de connaissance unique avec une fonction redéfinissant les priorités des règles pour chaque essai de chaque sujet  Une résolution opportuniste : dès que le but du sommet de pile est réalisable, l'action est effectuée Modifications de l'analyse psycholinguistique Modifications du modèle informatique Buts généraux Buts modaux Buts calculés

44 Les catégories de règles Les actions accomplir le but du sommet de la pile de but seul mouvement possible  Les buts généraux Tous-en-B, Tous-en-C, A-ou-B-vers-C, A-vers-B-ou-C  Les sous-buts R1-d-unique, R1-d-court-terme, R1-d-long-terme 1-e-2, 1-e-3, 2-e- 4, L'évaluation de la situation Reconnaissance de buts complexes : fin!, fin-1-2-3, mouvements-possibles La génération de buts { {    {  Les buts modaux { { pile-partielle-en-C, 4-en-C, 4-en-B, 3-en-B

45 Court-terme vs long-terme A C Etat initial B  R1-d-court-terme le sujet met le disque du haut de pile sur le piquet intermédiaire  R1-d-long-terme : le sujet met le disque du haut de pile sur le piquet arrivée (pour le ramener ensuite sur le piquet intermédiaire) A C B Le but est de mettre le plus grand disque du piquet A sur le piquet C

46 Résultats 1 2 3 4 - - 1 2 3 - 4 - 1 4 3 2 1 4 3 2 1 2 4 3 - 1 2 4 3 - 1 3 2 - 4 3 2 1 4 1 2 4 - 3 1 3 2 - 4 1 4 2 3 1 3 2 4 - 1 2 4 3 - 1 2 3 - 4 1 2 3 - 4 - 1 2 3 - - 4 1 4 3 2 1 2 4 3 - 1 2 4 3 - 1 3 2 - 4 3 2 1 4 1 2 4 - 3 1 3 2 - 4 1 4 2 3 1 3 2 4 - 1 4 3 2 1 4 3 2 1 2 4 - 3 1 2 3 4 - - 1 2 3 - - 4 7 protocoles reproduits à plus de 90%. Seuls ceux avec de nombreux retour-arrières résistent Sujet SE

47 Analyse critique de la modélisation informatique Règles de génération de buts Certaines règles sont "ad hoc", pour combler des trous Il manque des règles modélisant des buts traduisant des classes d'états Exemple : "libérer un piquet" Evaluation de la situation incomplète l'écart au but n'est pas modélisé pas d'évaluation de la difficulté à atteindre un but Certaines notions sont absentes de la modélisation "Reprendre un disque" pour reconstituer une pile Focalisation sur un disque Affordance Représentation trop rigide La base de faits décrit uniquement la situation réelle Les priorités devraient être contextuelles

48 Problèmes (1) : La notion d'impasse On peut toujours avancer ! Dans SOAR, »impasse = Pour J-F. Richard, C. Tijus et Poitrenaud »Un sujet est représenté par un ensemble ordonné de contraintes »impasse = situation dans laquelle le sujet est obligé de violer une de ses contraintes Pas d'alternatives sélectionnables ou Pas de connaissance pour choisir entre plusieurs alternatives Pas de notion d'impasse dans ce modèle 

49 Problèmes (2) : Les retours arrière et les boucles 2 types de retours-arrière Retour volontaire : »Défaire ce qu'on vient de faire (combien de pas en arrière ? ) »Faire une boucle pour revenir à une position antérieure choisie comme but Retour involontaire : »Faire une boucle sans s’en rendre compte Les verbalisations des sujets sont insuffisantes »Pas d'expression de retour-arrière volontaire »Pas d'expression de la reconnaissance d'états déjà visités Aucun protocole avec des boucles ou des retours-arrière n'est reproduit 

50 Problèmes (3) : L'apprentissage Le rôle de la mémorisation des essais antérieurs Pas de verbalisation sur l'utilisation des essais antérieurs Le temps écoulé entre 2 coups est-il une bonne indication ? L'apprentissage dans un essai 4 stratégies explicitées par H. Simon »"recherche sélective", "dirigée par les piquets", "calcul récursif de sous-buts", "dirigé par les pyramides" Les sujets n'expriment pas les moments où ils apprennent Il est très difficile de les repérer à travers les changements de discours  Pas de modification des coefficients de priorité pendant un essai

51 BILAN Des progrès considérables entre les 2 modélisations... Des règles de génération de buts psychologiquement plausibles Plusieurs parcours reproduits Un modèle psycholinguiste enrichi par l’analyse des modélisations informatiques Grâce à un dialogue fructueux entre psychologues, linguistes et informaticiens Base de règles fournie au niveau connaissance Possibilité de suivre tous les déclenchements en détail Un modèle à compléter Une architecture encore trop simplifiée Ajouter la notion de contrainte et d'affordance Des informations comportementales absentes et sûrement nécessaires Les pauses ne sont pas prises en compte » Certaines activités d'évaluation ne sont pas verbalisées mais repérables par les durées Il manque aussi les esquisses de gestes, les gestes avortés

52 BILAN  Modèles descriptifs permettent une analyse rétroactive des traces d'une activité VERSUS  Modèles effectifs qui permettent une comparaison avec le fonctionnement du phénomène modélisé  Approche constructiviste avec une conception par amorce  Les expérimentations sont enrichissantes à condition que les chercheurs des autres disciplines puissent suivre l'exécution très finement Base de règles fournie au niveau connaissance Possibilité de suivre tous les déclenchements avec l'ensemble des conflits ordonné et l'état courant de la situation (état des piquets et liste des buts dans la pile de buts)  Question très difficile : Comment évaluer la validité d'un modèle ? Sur un plan méthodologique

53 Perspectives Étude du lien entre connaissances générales de résolution de problèmes et connaissances liées au problème étudié Implicite Explicite Compréhension des phénomènes d'apprentissage humain Quoi ? Quand ? Introduction de "schéma de sens" pour les connecteurs, les verbes modaux Rôle du contexte Instanciation Poursuite du travail engagé dans les modélisations précédentes Plus généralement Mise en commun des différentes modélisations Générations de buts Utilisation de contraintes Modélisation des affordances Modélisation d'autres domaines (utilisation du logiciel Apple-djinn)

54 Complémentarité entre l'IA "sciences des conditions générales et effectives de l'intelligence" et "sciences des artefacts interactifs"

55 Compléments sur la méthode de travail Présentation de la modélisation au "knowledge level" Modélisation de la situation (defclass Disque (is-a USER)(defclass But (is-a USER) slot nomslot type slot tailleslot action slot posslot disque slot piquet (defclass Historique (is-a USER)slot priorite (default 10) slot numero slot disque(deftemplate piquet slot dpt slot nom slot arr Règles écrites en Français »Ex : règle But-general-A-vers-B-ou-C Règle tendant à amener les gros disques du piquet A vers les piquet de droite. Si- le système n'a aucun but modal ou calculé - un disque de taille 3 ou 4 est libre au sommet de A - un piquet de droite (B ou C) est vide Alorson ajoute le but "mettre le disque sur le piquet vide"

56 Compléments sur la méthode de travail ****************************************** Declenchement numero 59 4 But-general-pile-partielle-C: [but1],,,[d4],,[d3] 3 R-2-repere-a-4: f-2,,[d4],,[coup0], -10 but-modal: [initial-object],,,[but1] -10 but-modal: [initial-object],,,[but2] -30 afficher-regles-utilisees: f-0 For a total of 5 activations. piquet A: piquet B: d1 d2 d3 piquet C: d4 On veut mettre le disque d3 sur le piquet C avec la priorite 11 ************************************************* AGENDA SITUATION Affichage

57 Compléments sur la méthode de travail Présentation d'une exécution Procédures (deffunction deroule (?nb) (bind ?x 1) (affichage) (while (<= ?x ?nb) do (printout t ****************************") (printout t crlf "Declenchement numero " ?x crlf) (agenda) (run 1) (affichage) (bind ?x (+ ?x 1)) )) (deffunction affichage () (printout t crlf "piquet A: ") (do-for-all-instances ((?disq Disque)) (eq ?disq:pos A) (printout t ?disq:nom " ")) (printout t crlf "piquet B: ") (do-for-all-instances ((?disq Disque)) (eq ?disq:pos B) (printout t ?disq:nom " ")) (printout t crlf "piquet C: ") (do-for-all-instances ((?disq Disque)) (eq ?disq:pos C) (printout t ?disq:nom " ")) (printout t crlf) (do-for-all-instances ((?but But)) (or (eq ?but:type general) (eq ?but:type calcule)) (send ?but afficher) ))

58 Bibliographie Architectures cognitives »A. Newell, P. S. Rosenbloom et J.E. Laird : "Symbolic Architectures for cognition" dans Foundations of Cognitive Science, MIT Press, pp 93-131, 1989 »H. A. Simon : "Invariants of Human Behavior", Annu. Rev Psycho., 41, pp 1-19, 90 »H. A. Simon : "Artificial intelligence: an empirical science", AI 77, pp 95-127, 95 ACT-R »J. R. Anderson : Rules of the Mind, Lawrence Erlbaum Ass. Publ. SOAR »"A preliminary analysis of the Soar architecture as a basis for general intelligence", P.S. Rosenbloom, J. E. Laird, A. Newell, R. McCarl, AI 47, pp 289-325, 91 »"The Evolution of the Soar Cognitive Architecture", J. E. Laird, P. S. Rosenbloom, pp 1- 49, in Mind matters, A tribute to A. Newell, Lawrence Erlbaum Ass. Steier Mitchell Modélisation cognitive de l'humain

59 Modélisations de la tour de Hanoï Y. Anzaï and H. A. Simon : "The theory of Learning by Doing", Psychological review, vol 86, n°2, pp 124-140, 1979 J. Caron: ""Schémas de sens et "effets de sens" : La sémantique des termes fonctionnels" Actes du colloque de l'A.R.C. "Cognition et Connaissance : Où va la Science cognitive ?", Paris, pp 283-297, 1988 J. Caron-Pargue et J. Caron : "Processus psycholinguistiques et analyse des verbalisations dans une tâche cognitive", Archives de psychologie, 57, pp 3-32, 1989 J. Caron-Pargue et M.D. Fièvre : "Psycholinguistic analysis of a ten years old child's thinking aloud verbal report", LACO, Poitiers, 1992 Labat J.-M., Pomerol J.-Ch., Nigro J.-M., Caron J., Fievre M.-D., Caron-Pargue J. : "Computer and Human problem solving strategies : The case of the Tower of Hanoï", Antwerp papers in Linguistics, 85, pp 75-90, 1996. J.-F. Richard, S. Poitrenaud et C. Tiju : "Problem-Solving Restructuration : Elimination of Implicit Constraints", Cognitive Science vol 17, pp 497-529, 1993 [Vanlehn, 91]K. Vanlehn : "Rule Acquisition events in the Discovery of Problem-Solving Strategies", Cognitive Science vol 15, pp 1-47, 1991 Bibliographie