Modéliser l’humain ? Pourquoi ? Comment ?

Présentation au sujet: "Modéliser l’humain ? Pourquoi ? Comment ?"— Transcription de la présentation:

1 Modéliser l’humain ? Pourquoi ? Comment ?
Master MC3 parcours M2 Cours n °2 Modéliser l’humain ? Pourquoi ? Comment ? Jean-marc LABAT

2 Plan Généralités Exemples Introduction
Dimensions du modèle de l’utilisateur Vers une architecture générique de modélisation de l’utilisateur ? Exemples Hypermédia adaptatifs Aide à l’utilisation d’un logiciel Gestion de la relation client Joueur virtuel

3 Introduction Pourquoi modéliser l’humain ?
Adapter le comportement des systèmes à leurs utilisateurs Hypermédia adaptatifs Environnements d’apprentissage Aider l’humain À prendre des décisions grâce au partage d'expériences entre personnes qui partagent les mêmes goûts ou les mêmes affinités Notion de décision collaborative À utiliser un logiciel À connaître le comportement d’autres humains des apprenants des clients Faire jouer à l’ordinateur le rôle d’un humain Modéliser un enseignant Modéliser un joueur Améliorer l’interaction H-M Faciliter l’activité d’un humain Se substituer au moins en partie à un humain

4 introduction NE PAS MODELISER PLUS QUE NECESSAIRE
X X X X X X X X X États de la modélisation de l’humain Réactions possibles du système La précision de la modélisation de l’humain est inutile si plusieurs états conduisent toujours à la même situation

5 Modéliser l’utilisateur Transparents parfois de Serge Garlatti
Définition Un modèle utilisateur est une représentation explicite des caractéristiques des utilisateurs interagissant avec un système A priori, jamais une modélisation générale Mais une modélisation adaptée au contexte et aux objectifs visés par l’introduction d’un modèle utilisateur dans l’architecture logicielle Remarque : De manière générale, quand on conçoit un modèle, un logiciel, toujours préciser le domaine de validité Même un modèle dit « générique » a nécessairement des limites

6 Dimensions d’un modèle utilisateur : QUI ?
Qui est modélisé Personnes impliquées dans le système l’utilisateur et les autres, y compris les agents artificiels Y a-t-il un modèle Par utilisateur ? Par groupe d’utilisateurs ? Les informations propres à un utilisateur consistent en une classification dans un ensemble de modèles un modèle générique construit à partir d’un utilisateur moyen Notion de stéréotypes ou de profils Un modèle complètement individuel

7 Dimensions d’un modèle utilisateur : QUOI ?
Que modélise-t-on ? La connaissance le niveau d’expertise Le background L’expérience de la navigation les croyances les objectifs les plans les intentions les intérêts les préférences La motivation L’historique des interactions Par session Sur un ensemble de sessions Domaine cognitif But de l’utilisateur Domaine affectif L’historique

8 Dimensions d’un modèle utilisateur : QUOI ?
Connaissances L’une des caractéristiques la plus utilisée, pratiquement tous y font référence. Nécessite de diagnostiquer les modifications de celles-ci et de mettre à jour le modèle utilisateur. souvent fondé sur un «overlay model» : Fondé sur une représentation conceptuelle des concepts du domaine (Hypadapter, Anatom-Tutor, Elm-art, Hypertutor). Issu des systèmes tuteur intelligents

9 Dimensions d’un modèle utilisateur : QUOI ?
Connaissances « Overlay model » : Représente la connaissance d’un utilisateur sur un sujet donné, comme un «recouvrement» du domaine. Pour chaque concept du domaine, un tel modèle mémorise une valeur qui est une estimation de la connaissance de l’individu sur ce concept : quantitative, une valeur numérique, une probabilité Qualitative Difficile d’initialiser le modèle, même par un interview de l’apprenant

10 Dimensions d’un modèle utilisateur : QUOI ?
Connaissances Modèle fondé sur un stéréotype : Le système distingue plusieurs modèles typiques ou stéréotypiques d’utilisateurs Exemple, MetaDoc : deux ensembles de stéréotypes un pour les connaissances en informatique (novice, débutant, intermédiaire, expert) un pour les connaissances sur UNIX. Un modèle de stéréotype = une paire (Stéréotype, valeur) ou la valeur peut être booléenne (appartient ou non au stéréotype) ou probabiliste. Plus simple que le modèle précédent et moins puissant, mais plus facile à initialiser et maintenir.

11 Dimensions d’un modèle utilisateur : QUOI ?
Connaissances Modèle de Stéréotype : L’adaptation n’est pas individuelle Pour une adaptation de granularité fine, un modèle plus fin de l’utilisateur, type «overlay model », est nécessaire Extension : associer un ensemble de couples (concept, valeur) à chaque stéréotype basé sur la «difficulté » d’apprendre un concept donné Combinaison des deux modèles Le modèle de stéréotype est utilisé au départ pour classer un utilisateur et pour fixer des valeurs initiales au « Overlay model » ensuite un modèle d’« overlay » classique est utilisé (Anatom-tutor, Hypadapter).

12 Dimensions d’un modèle utilisateur : QUOI ?
Objectifs de l’utilisateur Pourquoi l’utilisateur utilise le logiciel et que cherche-t-il à faire ? Buts et/ou Tâches de l’objectif : une résolution de problème ou une décision Caractéristique la plus changeante dans une même session et entre différentes sessions Pour les hypermédia adaptatifs, c’est une caractéristique très importante Principalement utilisés pour des aides à la navigation dans les hypermédias cf hypermédia adaptatifs ou documents virtuels personnalisables

13 Dimensions d’un modèle utilisateur : QUOI ?
Objectifs de l’utilisateur Les systèmes ont un ensemble de buts ou tâches qui sont reconnus (Hyplan, Orimuhs, Hypercase, Hynecosum, Hyperflex). Le modèle utilisateur inclus l’un de ses buts ou tâches. Les modèles les plus avancés possèdent une représentation hiérarchique des tâches, et/ou des paires (buts, valeurs) munis d’une probabilité d’appartenance du but de l’utilisateur à celui considéré.

14 Dimensions d’un modèle utilisateur : QUOI ?
« Background » (connaissances antérieures) De manière générale Connaissances acquises dans les sessions précédentes Connaissances antérieures au début de la formation Souvent de type « profil » Dans les hypermédia, toutes les informations liées par exemple aux expériences précédentes de l’utilisateur dans la navigation L’utilisateur est-il familier avec l’hyperespace et navigue-t-il facilement à l’intérieur ? différent de la connaissance du sujet abordé par le système Epiam, C-Book et Anatom-tutor l’utilisent pour adapter la présentation et Hyperman pour l’aide à la navigation

15 Dimensions d’un modèle utilisateur : QUOI ?
Préférences L’utilisateur peut préférer certaines pages ou certains types de liens ou encore certaines parties de pages, ou certaines techniques d’adaptation Plus utilisé dans les systèmes de recherche d’information Intéressant pour paramétrer la présentation Aspect différent des autres caractéristiques du modèle utilisateur Le système ne peut pas le déduire L’utilisateur doit le fournir directement ou indirectement (feedback)

16 Dimensions d’un modèle utilisateur : COMMENT ?
Comment les utilisateurs sont-ils modélisés ? Méthodologie abstraction classification modèle fournit par le concepteur ou l’utilisateur Sources sélection de stéréotype par l’utilisateur calcul de corrélation, règles heuristiques, … Édition de modèles Apprentissage par similitude, ou autre

17 Dimensions d’un modèle utilisateur : COMMENT ?
Acquisition du modèle utilisateur Acquisition a priori par le concepteur, par défaut Observation directe la plus précise, mais la plus coûteuse Permet d’identifier les classes d’utilisateurs, leurs tâches, les facteurs critiques, comme la pression sociale, Interviews Plus court et moins coûteux que la méthode précédente Permet d’obtenir l’expérience, les opinions, les motivations comportementales, les avis sur les outils existants

18 Dimensions d’un modèle utilisateur : COMMENT ?
Acquisition du modèle utilisateur Acquisition a priori par le concepteur Questionnaires Obtention à moindre coût d’un maximum de données Permet des études statistiques et des généralisations plus fortes que les interviews Par observation du comportement en cours d’utilisation Du même utilisateur ou des utilisateurs précédents Acquisition en temps réel Mémorisation et Inférences sur les interactions Sélection de stéréotype(s) Reconnaissance de plans ou de tâches

19 Dimensions d’un modèle utilisateur : Propriétés
Caractéristiques Statique ou dynamique ? Court terme ou long terme ? Modèle pour une ou plusieurs applications ? Stabilité dans le temps des caractéristiques du modèle ? Utilisateur passif, actif, coopératif ? Le modèle est-il prédictif ou descriptif ? par exemple s’agit-il des préférences ou des prédictions sur les préférences ? Quelle est la nature des informations ? De nature qualitative et/ou quantitative ? certaines ? le modèle est-il consistant ou les inconsistances sont-elles autorisées ?

20 Dimensions d’un modèle utilisateur : EVOLUTION ?
Quelles sources d’information ? Traces utilisateurs (log files) Difficiles à exploiter car bruitées et très volumineuses Panel d’utilisateurs fournissant des réponses explicites Plus riches, plus pertinentes Moins nombreuses Biais possibles Quels mécanismes d’inférence ou méthodes d’interprétation sont utilisés pour mettre à jour le modèle de l’utilisateur ? Approches numériques apprentissage statistique (P. Gallinari) Approche symbolique Repérage de motifs récurrents (J-G. Ganascia)

21 Vers une architecture générique de modélisation de l’utilisateur ?
Problèmes Sujet extrêmement difficile, pourtant nécessaire au moins à minima Le peu qui est fait relève de solutions ad hoc, non facilement généralisables Nécessité de proposer des architectures génériques (« shell » en anglais) Possédant un ensemble de fonctionnalités permettant de définir un modèle utilisateur

22 Services attendus Kobsa
The representation of assumptions about one or more types of user characteristics in models of individual users (e.g. assumptions about their knowledge, misconceptions, goals, plans, preferences, tasks, and abilities); The representation of relevant common characteristics of users pertaining to specific user subgroups of the application system (the so-called stereotypes) The classification of users as belonging to one or more of these subgroups, and the integration of the typical characteristics of these subgroups into the current individual user model; The recording of users' behavior, particularly their past interaction with the system The formation of assumptions about the user based on the interaction history The generalization of the interaction histories of many users into stereotypes Consistency maintenance in the user model The evaluation of the entries in the current user model, and the comparison with given standards

23 Exemples de « shell » BGP-MS (Kobsa and Pohl, 1995; Pohl, 1998)
allows assumptions about the user stereotypical assumptions about user groups to be represented in a first-order predicate logic Inferences across different assumption types (i.e., types of modals) could be declined in a first-order modal logic. The system can be used as a network server with multi-user and multi-application capabilities TAGUS (Paiva and Self, 1995) represents assumptions about the user in first-order formulas, with meta-operators expressing the assumption types. allows the definition of a stereotype hierarchy and contains an inference mechanism, a truth maintenance system, a diagnostic subsystem that includes a library of misconceptions It also supports the simulation of the user‘ through forward-directed inferences on the basis of the user model, and the diagnosis of unexpected user behavior

24 Etudes de cas Hypermédia adaptatifs Aide à l’utilisation d’un logiciel
Gestion de la relation client Joueur virtuel

25 Les hypermédia adaptatifs
Objectif Proposer une organisation, un contenu, des moyens d’interaction et une présentation unique à chaque utilisateur Justification Les utilisateurs n’ont pas les mêmes besoins, les mêmes connaissances, compétences, centres d’intérêts, etc. Ils ne sont donc pas nécessairement capable d’interagir avec le même document hypermédia nécessité d’adapter le document à l’utilisateur

26 Les hypermédia adaptatifs
Objectifs Permettre l’accès à l’information pertinente Résoudre les problèmes de navigation Améliorer la compréhension d’un document complexe Moyens Le système a un Modèle des Buts, Préférences et Connaissances de l’utilisateur et l’utilise dans l’interaction pour s’adapter aux besoins de ceux-ci. A partir du modèle, le système va adapter l’information, les liens et/ou la présentation de l’hypermédia.

27 Les hypermédia adaptatifs
Définition [Brusilovsky ]: By adaptive hypermedia systems, we mean all hypertext and hypermedia systems which reflect some features of the user in the user model and apply this model to adapt various visible aspects of the system to the user. Un système hypermédia adaptatif possède des règles d’adaptation possède un modèle utilisateur adapte l’hypermédia à partir de ce modèle et de ces règles Modèle utilisateur Contenu Information Règles d’adaptation Technique d’adaptation

28 Types d’adaptation Hypermédia adaptables versus adaptatifs
Adaptables : Les utilisateurs saisissent leur modèle qui n’est pas ensuite modifié par le système Adaptatifs : Modifie dynamiquement l’hypermédia en fonction des mises-à-jour du modèle utilisateur Qu’est-ce qui peut être adapté ? Adaptation du contenu (*) Sélection du contenu d’un document et/ou du média Adaptation de la présentation (*) Sélection d’une présentation Adaptation de la navigation Changement de la structure apparente ou effective des liens entre les pages qui constitue un hypermédia * : Il y a souvent eu par le passé un mélange entre (1) et (2)

29

30 Présentation adaptative
Fragments conditionnels Comparaison entre le contenu – texte – et le modèle utilisateur. Pages et fragments variant Le système dispose de plusieurs versions d’une même page ou d’un même fragment, chacune associée à un stéréotype d’utilisateur Stretchtext Remplacer certains mots clés par une description plus longue via un hyperlien Tri des fragments Le système peut réorganiser les fragments présentés à l'utilisateur en fonction de ses préférences ou de ses objectifs Par exemple, certains utilisateurs préfèreront la définition avant l'exemple, et d'autres l'inverse Le système peut aussi trier les fragments en fonction de leur pertinence pour l'utilisateur, du plus pertinent au moins pertinent

31 Présentation adaptative
Technique à base de frames pas de stabilité : chaque mise à jour du Modèle Utilisateur enclenche une adaptation immédiate toujours stable : dès son adaptation au Modèle Utilisateur la présentation reste stable même si des mises à jours sont effectuées stabilité de session : la présentation reste la même pendant la durée de la session stabilité conditionnelle : la présentation est stable tant qu’une certaine condition est remplie

32 Navigation adaptative
Guidage direct Le système détermine à partir du modèle utilisateur le lien le plus approprié pour la visite de l’utilisateur Masquage des liens Les liens non pertinents (suivant le modèle de l’utilisateur) sont masqués afin de réduire la surcharge cognitive Désactivation des liens Le lien est toujours visible, mais l'utilisateur ne peut pas l’activer. Suppression des liens Intéressant dans le cas de listes de liens, mais inutilisable lorsque le lien se situe au sein d'un texte Annotation des liens Coloration des liens suivant qu’ils sont nécessaires (bleue), inintéressants (violet) ou non souhaitables (noire) Adaptation de destination Consiste à présenter les liens différemment en fonction de la pertinence du nœud destination pour l'utilisateur

33 Exemple emblématique : AHA!
Généralités Créé en 1996 et actuellement dans sa 3ème version par Paul De Bra Plateforme Open Source en Java avec Servlets (Windows ou Linux) Modèle utilisateur de type overlay Représentation explicite des caractéristiques de l’utilisateur interagissant avec le système Modélise la connaissance, le niveau d’expertise, les objectifs, les intérêts, les préférences et l’historique de la navigation. Modèle du domaine Description conceptuelle du contenu de l’application Concepts et relations entre concepts Une page correspond à un concept Pages avec fragments conditionnels Modèle d’adaptation Contient les règles d’adaptation (condition/action) Modalités et mises à jours du modèle utilisateur Génération de la présentation adaptée

34 modèle du domaine et d’adaptation
architecture AHA! serveur web moteur AHA servlets http lecture sur connexion lecture sur demande lecture mise à jour modèle du domaine et d’adaptation modèle utilisateur fichiers/pages d’application utilisateur

35

36

37 Exemple : HYNECOSUM Système d’information pour l’hôpital développé par Siemens AG et University Clinic in Heidelberg HYNECOS + UM Données multimédia sur les patients, le personnel, les lits et les salles avec leur occupation Recherche d’information par navigation, navigation adaptative fondée sur un modèle de tâche, utilisateurs ayant : Différents niveaux d’expérience Différentes préférences Appartenant à différentes catégories

38 Exemple : HYNECOSUM HYNECOS
Aide les novices en fournissant un plus petit espace de recherche, tandis que les plus expérimentés ont un espace de recherche plus important. Modèle utilisateur et protection des données sont associés Adaptation dynamique par le système : décide du moment pour l’utilisateur l’utilisateur : il dispose d’éditeurs pour adapter son modèle Accès à l’information par un modèle de tâche par un menu contenant une classification sémantique des termes du domaine.

39 Exemple : HYNECOSUM Modèle utilisateur centré sur les tâches pour le filtrage d’informations : Modèle hiérarchique de tâches Relation de composition entre tâches Contrôle d’enchaînement des tâches : sélection et séquence Une tâche = une vue particulière de l’hyperbase Une tâche = des droits d’accès, lecture, écriture Une tâche = accès restreint : informations pertinentes, navigation libre : tout ce qui n’est pas interdit. Catégories d’utilisateurs Professions : docteur, infirmière, gestionnaire, étudiant ou patient Rang hiérarchique par profession : de 1 à 5. Localisation : ambulance, hôpital 1 catégorie + 1 localisation + 1 Rang = Un sous-ensemble de tâches pertinentes + des droits d’accès

40 Exemple : HYNECOSUM Modèle utilisateur en trois couches
1) Représentations des tâches exécutées par les utilisateurs 2) Catégories d’utilisateurs Chaque classe peut être reliée à différents ensembles de tâches Héritage de tâches pour une même profession. 3) Individus : le niveau d’expérience, le style de présentation, l’organisation de l’écran Le niveau d’expérience correspond en fait à un niveau de la hiérarchie des tâches, donc à des vues de l’hyperbase qui sont d’autant plus restreintes que le niveau est bas

41 Exemple : HYNECOSUM Adaptation dynamique Adaptation par le système
observation de l’utilisateur pour détecter Son niveau d’expérience afin de modifier son modèle, observation des catégories d’utilisateurs et des types de représentations les plus utilisées. Adaptation par l’utilisateur il peut créer et modifier sa propre hiérarchie de tâches à l’aide d’agrégats de base il peut modifier ces préférences pour la présentation, il peut modifier l’organisation de la fenêtre il peut modifier son niveau d’expérience

42 Exemple : HYNECOSUM Couplage UM avec Hynecos
Chaque lien de Hynecos possède un poids de -2 à +2 -2 : interdit pour l’entité «utilisateur» connecté, non affiché pour toute tâche -1 : interdit pour l’entité «tâche» en cours, non affiché pour la tâche courante 0 : non relié à la tâche, affiché en mode navigation libre +1: relié à la tâche, accès en lecture seule +2 : relié à la tâche, accès en lecture et écriture Navigation libre les informations non pertinentes pour la tâche, valuées à 0, sont prises en compte.

43 Exemple : HYNECOSUM Adaptation au niveau d’expérience
Trois niveaux d’expérience novice, avancé et expert pour un tâche donnée Les niveaux d’expérience correspondent à des intervalles de valeurs et sont représentés par des scores Les niveaux d’expérience d’une tâche sont propagés aux tâches mères de la hiérarchie A chaque tâche est associée un score qui est incrémenté ou décrémenté en fonction du comportement de l’utilisateur Est pris en compte : sa capacité à naviguer dans la hiérarchie de tâches, le temps passé dans une unité d’information Pour toute séquence d’actions jugée comme «bonne» au sens du comportement de l’utilisateur, le score d’une tâche est incrémentée Si l’utilisateur fait appel aux boutons «help», «info» ou «emergency», le score est décrémenté

44 Prédire des commandes : IPAM (Davison et Hirsh 97, 98)
Prédiction de commandes Unix Étant donné une commande, prédit la suivante Méthode Enregistre les commandes saisies Pour chaque paire (C,C’) de commandes, maintient P(C’|C) (Markov ordre 1) Distribution par défaut pour les nouvelles commandes Prédiction sur la ligne de commande Evaluation 168 utilisateurs, commandes 40% sur une suggestion 63% sur 3 suggestions 38% pour C4.5 (logiciel d’apprentissage automatique)

45 SwiftFile (Segal et Kephart 99,00)
Aide au classement de mails dans LotusNotes Calcule P(dossier | message) Utilise une Variante incrémentale de TFIDF TFIDF permet d'attribuer un score d'importance à un concept dans un document. Le calcul a l'avantage de tenir compte de sa fréquence d'apparition dans les autres documents. Ainsi l'importance dépend du nombre d'apparition de ce concept dans le document, mais celle-ci est pondérée par le nombre de documents du corpus dans lesquels le concept apparaît Système passif, se contente de suggérer 3 dossiers Augmente productivité Réduit risque d’erreur

46 TF IDF Elimination des mots vides * articles, pronoms,...
* des mots du domaine traité n'apportant pas d'information Pour chaque mot M non vide : score(M) = F_local*Log(100*N/F_global) F_local est la fréquence du mot M dans le texte T F_global est la fréquence du mot M dans le corpus de référence N le nombre de textes du corpus score(unité textuelle) =  score(M)

47 Gestion de la relation client. ref : GRC R. Lefébure, G
Gestion de la relation client ref : GRC R. Lefébure, G. Venturi, Eyrolles Objectifs Analyse client Acquérir, équiper, satisfaire, fidéliser Analyse produit Identifier les attentes, positionner, améliorer le produit Connaissances du client Segmentation comportementale Techniques de scoring Outils de data mining Valeur client Expression numérique du rapport qualité/prix du client Ce qu’il a rapporté – ce qu’il a coûté sur une période

48 Gestion de la relation client
Définition de la segmentation comportementale Division des clients en groupe homogènes en regard des critères Critères de segmentation Le CA la récence, la fréquence, le montant total des achats Appelée RFM Le cycle de vie du client (son âge !), le comportement Utilisation de techniques statistiques multivariées (analyse factorielle) Construction A partir d’un échantillon représentatif Chaque segment terminal doit comporter au moins 300 clients

49 Gestion de la relation client
Les modèles prédictifs (ou scoring) Construction d’une fonction qui « probabilise » la réponse du client ou du prospect Divise la population par rapport à un comportement particulier Le résultat s’exprime sous forme d’un score pour chaque individu Construction Identifier une population soumise à un même événement Identifier la variable à expliquer Utilisation de techniques de régression Régression linéaire Régression logistique : utilisable avec des données qualitatives

50 Modélisation de joueurs virtuels dans les jeux exemple Simplus
Jeux d’entreprise pour entraîner des étudiants à gérer une entreprise Equipes Arbitre Aide à l’équipe Site Web du jeu Site Web Envoi des décisions Envoi des résultats Moteur de simulation Base de données Echanges

51 Modélisation de joueurs virtuels dans les jeux exemple Simplus
Jeu en ligne 10 périodes, chacune représentant une année Un ensemble de décisions à prendre : de production, commerciales, financières Des paramètres fixés par le tuteur (ou l’arbitre) : évolution du marché Besoins au moins 6 joueurs pour rendre les jeux intéressants fournir des commentaires, des explications aux joueurs Pour diminuer le travail du tuteur

52 Modélisation de joueurs virtuels dans les jeux exemple Simplus
Objectifs Concevoir une méthode et des outils informatiques génériques permettant de développer un environnement pédagogique au-dessus d’un simulateur existant Élaborer une méthode s’appuyant sur une  rétro- conception Propriété remarquable : l’expertise du domaine est embarquée dans le simulateur Extraire ces connaissances et les exprimer de manière déclarative pour construire des explications, évaluer l’apprenant et concevoir des joueurs virtuels.

53 Méthodologie générale de conception d'un joueur virtuel
Etape 1 : Construction du schéma général de la prise de décision Etape 2 : Extraction des tables et attributs pertinents de la BD transformation en structure objet dans le SE (template Clips) Etape 3 : Analyse des différentes fonctions utilisées dans le simulateur calculs de mis à jour et fonctions modélisant l'expertise Etape 4 : Réalisation de joueurs virtuels, 3 types : agressif, neutre, timoré

54 Processus de développement
Etape 1: Analyser et modéliser la prise de décision Quelles sont les différentes étapes ? Quelles sont les variables utilisées dans la prise de décision ? Quelles sont les variables calculées par des fonctions (algorithmiques) Etape 2: Sélectionner dans la BD les tables et les attributs utilisés par le moteur de simulation Chaque table nécessaire devient un template CLIPS Chaque attribut devient un slot dans le template correspondant

55 Processus de développement
Etape 3 : Analyser les fonctions utilisées par le moteur de simulation Fonctions traduisant des connaissances algorithmiques Ces fonctions sont dupliquées telles quelles dans le SE Fonctions traduisant l’expertise Les paramètres intervenant sont identifiés Les seuils sont déterminés par une analyse fine du moteur de simulation Etape 4: Concevoir et réaliser les joueurs virtuels Chaque type de joueur est représenté par une BC L’expertise est basée sur les seuils déterminés à l’étape précédente 3 types : ambitieux, neutre, timoré

56 Aide à la Décision et Accès à l’Information sur le WEB
Problèmes de décision ou de recherche « universels » le problème doit être partagé par de multiples utilisateurs les utilisateurs s’intéressent à des objets de même type (films, CD, textes) les utilisateurs doivent être capables de donner des exemples de ce qu’ils aiment et/ou de ce qu’ils n’aiment pas Problèmes de décision ou de recherche répétitifs historique du passé + retour sur expérience Moyens techniques réseau accessible par tous les utilisateurs (et BD partagée) Exemples d’applications Systèmes de conseil de CD, video, Hi-Fi, Systèmes de conseil en cinema, theatre, opera Sélection de programmes TV Choix de lieu de vacances Filtrage automatique de la littérature sur le Web

57 Le filtrage collaboratif
Différentes approches de filtrage Techniques "cognitives" Filtrage basé sur le contenu Calcul d'un profil des "produits" par une méthode de vecteurs pondérés par l'importance des critères Calcul de la similitude entre produits à partir des vecteurs Techniques "sociales" Filtrage basé sur la proximité des personnes par rapport aux avis qu'elles portent sur les produits concernés Techniques hybrides Filtrage basé à la fois sur la proximité entre les produits et entre les personnes

58 Filtrage orienté "contenu"
Alternatives a b c Individus 1 2 4 e d 3 g = f (b, s) s b

59 Filtrage orienté "individu"
Alternatives a b c Individus 1 2 4 e d 3 g = f (a, b) a b

60 Techniques hybrides Alternatives a b c Individus 1 2 4 e d 3
Évaluation multicritère de l'indifférence entre objets Calcul de similarités entre individus

61 Avantages des systèmes de décision collaboratif
Caractéristiques Les décideurs n'ont pas à expliquer leurs décisions l'approche est applicable même si les décideurs utilisent différents critères pour évaluer les alternatives l'approche permet un apprentissage progressif des préférences de l'utilisateur il est possible de caractériser et de comparer les profils de préférence des décideurs il est possible de prendre en compte l'évolution des préférences au cours du temps

62

63 BILAN La modélisation de l’utilisateur est un sujet incontournable
Pour l’amélioration de l’Interaction Homme-Machine Presque toutes les applications sont concernées Dans le cadre de la navigation sur le web Pour l’aider à accomplir une tâche Pour l’aider à choisir Pour l’amélioration de la communication Homme-Homme pour la gestion de la relation Pour le tuteur humain Modéliser l’humain est une activité très difficile Modèles le plus souvent statiques Nécessité des techniques d’IA pour la mise à jour Apprentissage symbolique et/ou numérique

64 Quelques pointeurs Communauté internationale User modeling (UM)
Voir liste des personal pages Pas de français Accès aux conférences UM 94, 96, 97, 99, 01, 03, 05 (en préparation) En France Travaux sur les hyper-média adaptatifs Cf Serge Garlatti Travaux sur les documents virtuels personnalisables Travaux sur la résolution de problèmes Joueurs virtuels En situation professionnelle En situation scolaire