L’ontologie Apport en éducation Par Valéry Psyché Vendredi 10 juin 2005 Dans le cadre du cours DIC9340 Systèmes à Base de Connaissances

Plan de la présentation De l’ontologie à l’ingénierie ontologique (IO) Origine, définition et types de l’ontologie Les principes et méthodes d’IO Les langages Les Outils d’IO Démonstration d’1 ou 2 outils Apport de l’ontologie pour l’éducation Application : Ontologie de l’éducation 17 septembre 2018 Valéry Psyché

De l’ontologie à l’ingénierie ontologique Partie I De l’ontologie à l’ingénierie ontologique

Origine de l’ontologie en philosophie L’Ontologie : être - du grec ancien ôn, onton et discours, étude, science de logos Science ou théorie de l’être Ontologie – > « protè philosopha », (Aristote, Interpretation). Les travaux d’Aristote sur la métaphysique (Ontologie) le menèrent à : S’intéresser aux relations existant entre les pensées, les mots et les choses. Faire la distinction suivante entre les trois L’Ontologie est une branche philosophique qui s’occupe de la nature et de l’organisation de l’être. Comment les pensées, les mots et les choses se rapportent l’une à l’autre a été un sujet récurrent en philosophie depuis Platon jusqu’à notre ère moderne (Campbell et al., 1998 dans (Maedche A., 2002)). Platon s’intéressait à la question de la dénomination propre des choses. Il pensait que dans un « monde idéal », l’attribution de noms appropriés assurerait qu’une expression donnée puisse faire penser à une seule et même chose. Cependant, il doutait que des noms parfaits puissent jamais être donnés, puisque les choses change continuellement. Les travaux d’Aristote allèrent au-delà de la question des noms et portèrent sur les définitions. Sa notion de définition (« ce que quelque chose est ») ne s’arrêtait pas simplement à la signification d’un mot. Ainsi, il pensait que pour dire, « ce que quelque chose est », il était toujours nécessaire de dire, « pourquoi quelque chose est ». Il introduisit une distinction de trois types de signification : « Spoken words are symbols of experiences in the psyche; written words are symbols of the spoken. As writing, so is speech not the same for all peoples. But the experiences themselves, of which these words are primarily signs, are the same for everyone, and so are the objects of which those experiences are likeness » (Aristote, Interpretation). À Gottlob Fredge (1848-1925) et Charles Sander Peirce (Peirce C. S., 1960) : Adoptèrent la distinction d’Aristote et l’utilisèrent comme la fondation sémantique de leur système logique. 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Travaux en représentation des connaissances « sont motivés par des préoccupations d’ingénierie des connaissances (systèmes experts, bases de connaissances) et privilégie les techniques (l’analyse des représentation mentales, logique philosophique, ...) prônées par le cognitivisme ». (Wilson R. et Keil F., 1999) Actuellement, la plupart des travaux en représentation des connaissances sont motivées par des préoccupations d’ingénierie des connaissances et privilégient généralement les solutions issues de l’analyse des représentations mentales, du raisonnement déductif et du « langage de la pensée », de la philosophie du langage et la logique philosophique (Wilson R. A. & Keil F. C., 1999) prônées par le cognitivisme. La conviction que la puissance d’un système de traitement de l’information repose sur la représentation explicite des connaissances (et non sur un mécanisme d’inférence sophistiqué par exemple), s’est largement accrue (Jackson P., 1999). 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Très tôt, la conviction que la puissance de traitement de l’information repose davantage REPOSE DAVANTAGE Sur une représentation explicite des connaissances QUE Sur un mécanisme d’inférence sophistiqué, Commence à faire son chemin (Jackson P., 1999) Actuellement, la plupart des travaux en représentation des connaissances sont motivées par des préoccupations d’ingénierie des connaissances et privilégient généralement les solutions issues de l’analyse des représentations mentales, du raisonnement déductif et du « langage de la pensée », de la philosophie du langage et la logique philosophique (Wilson R. A. & Keil F. C., 1999) prônées par le cognitivisme. La conviction que la puissance d’un système de traitement de l’information repose sur la représentation explicite des connaissances (et non sur un mécanisme d’inférence sophistiqué par exemple), s’est largement accrue (Jackson P., 1999). 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative En effet, dans les années 70, les travaux sur les systèmes experts, portent entre autre, sur l’uniformité dans l’encodage de la connaissance. (ex. Newell A. et Simon H. A., 1972) 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Les résultats prometteurs poussent les chercheurs à: s’orienter vers une stratégie déclarative de représentation des connaissances AU LIEU d’encoder les connaissances dans un algorithme (approche procédurale) 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Les années 80, ont vu le développement de systèmes experts (SEs), puis de systèmes à base de connaissances (SBCs) : Réalisant des tâches variées (planification, diagnostic, conception, maintenance, …), Dans des domaines variés (médecine, robotique, ingénierie mécanique, finance, ...) Les recherches en IA sur l’ontologie ont indirectement commencé dans les années 1970, lorsque les chercheurs s’intéressant aux systèmes experts portèrent leur attention sur les possibilités d’uniformiser la représentation des connaissances. (ex. (Newell A. & Simon H. A., 1972)). À cette époque, l’idée que la puissance de traitement de l’information reposait autant sur une représentation explicite des connaissances que sur un mécanisme sophistiqué d’inférences, commençait à faire son chemin (Jackson P., 1999). Des résultats prometteurs poussèrent les chercheurs à s’orienter vers une stratégie déclarative de représentation des connaissances au lieu d’encoder les connaissances dans des algorithmes (approche procédurale). Les années 1980 virent le développement de systèmes experts (SE), puis de systèmes à base de connaissances (SBC) réalisant des tâches variées (ex. planification, diagnostic, conception, maintenance), dans des domaines aussi variés (ex. médecine, robotique, ingénierie mécanique, finance). Rapidement, l’expérience montre que la construction d’une base de connaissances (BC) est un processus complexe nécessitant un temps considérable. Le souhait des chercheurs est dès lors de pouvoir réutiliser et partager des bases de connaissances ou, tout au moins, des parties de ses bases de connaissances. 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Rapidement, l’expérience a montré la construction d’une base de connaissances (BC) était un processus : Complexe (raisonnement humain) Nécessitant un temps considérable (computations longues, …) Le souhait des développeurs est dès lors de pouvoir réutiliser et partager des BCs ou, tout au moins, des parties de ces BCs. Les recherches en IA sur l’ontologie ont indirectement commencé dans les années 1970, lorsque les chercheurs s’intéressant aux systèmes experts portèrent leur attention sur les possibilités d’uniformiser la représentation des connaissances. (ex. (Newell A. & Simon H. A., 1972)). À cette époque, l’idée que la puissance de traitement de l’information reposait autant sur une représentation explicite des connaissances que sur un mécanisme sophistiqué d’inférences, commençait à faire son chemin (Jackson P., 1999). Des résultats prometteurs poussèrent les chercheurs à s’orienter vers une stratégie déclarative de représentation des connaissances au lieu d’encoder les connaissances dans des algorithmes (approche procédurale). Les années 1980 virent le développement de systèmes experts (SE), puis de systèmes à base de connaissances (SBC) réalisant des tâches variées (ex. planification, diagnostic, conception, maintenance), dans des domaines aussi variés (ex. médecine, robotique, ingénierie mécanique, finance). Rapidement, l’expérience montre que la construction d’une base de connaissances (BC) est un processus complexe nécessitant un temps considérable. Le souhait des chercheurs est dès lors de pouvoir réutiliser et partager des bases de connaissances ou, tout au moins, des parties de ses bases de connaissances. 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Plusieurs scénarios sont envisagés : Réutiliser les bases de connaissances Pour étendre une classe de problèmes Pour réaliser une tâche différente dans le même domaine Faire appel aux compétences d’autres systèmes, en cours de raisonnement Plusieurs scénarios sont envisagés : Réutiliser une BC pour étendre la classe de problèmes pouvant être résolus par le SE. Réutiliser une BC pour concevoir un nouveau SE réalisant une tâche différente dans le même domaine. Cette réutilisation peut s’accompagner d’un changement d’environnement de développement (shell). Faire appel, en cours de raisonnement, à des compétences d’autres SEs, pour accéder à une expertise pointue (ex : obtenir un conseil sur une pathologie rare) ou au contraire pour résoudre un problème reposant sur des connaissances de sens commun (ex : raisonnement temporel). Ces scénarios se heurtent cependant à plusieurs barrières : Les SEs sont représentés dans des langages très différents, à la fois par leurs structures de données (ex : langages de règles, langages à objets) et leurs mécanismes d’inférences (ex : chaînage de règles, héritage de propriétés). Indépendamment du langage de représentation utilisé, les représentations mobilisent souvent des termes différents, même dans le cas de SEs réalisant des tâches similaires. Quand bien même les mêmes termes sont mobilisés, il n’est pas certain que ce soit dans le même sens. D’ailleurs, ce sens n’est habituellement pas représenté explicitement. 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Ces scénarios se heurtent à plusieurs barrières : Les SEs sont représentés dans des langages très différents (structures de données, mécanismes d’inférences) Indépendamment du langage de représentation utilisé : Les représentations mobilisent souvent des termes différents (même dans le cas de tâches similaires) Plusieurs scénarios sont envisagés : Réutiliser une BC pour étendre la classe de problèmes pouvant être résolus par le SE. Réutiliser une BC pour concevoir un nouveau SE réalisant une tâche différente dans le même domaine. Cette réutilisation peut s’accompagner d’un changement d’environnement de développement (shell). Faire appel, en cours de raisonnement, à des compétences d’autres SEs, pour accéder à une expertise pointue (ex : obtenir un conseil sur une pathologie rare) ou au contraire pour résoudre un problème reposant sur des connaissances de sens commun (ex : raisonnement temporel). Ces scénarios se heurtent cependant à plusieurs barrières : Les SEs sont représentés dans des langages très différents, à la fois par leurs structures de données (ex : langages de règles, langages à objets) et leurs mécanismes d’inférences (ex : chaînage de règles, héritage de propriétés). Indépendamment du langage de représentation utilisé, les représentations mobilisent souvent des termes différents, même dans le cas de SEs réalisant des tâches similaires. Quand bien même les mêmes termes sont mobilisés, il n’est pas certain que ce soit dans le même sens. D’ailleurs, ce sens n’est habituellement pas représenté explicitement. 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Quand les mêmes termes sont mobilisés : Il n’est pas certain que ce soit dans le même sens Ce sens n’est habituellement pas représenté explicitement L’objectif devient de fournir aux SBCs, une représentation des connaissances: Partagée et Explicite . L’objectif devient donc, de fournir aux systèmes à base de connaissances : 1) une représentation partagée, et 2) une représentation explicite des connaissances. Au début des années 1990, une initiative apparaît. Les chercheurs du projet américain « Knowledge Sharing Effort » soutenu par la DARPA (Defense Advanced Research Projects Agency) décident de s’attaquer au problème de front, en privilégiant une représentation répondant à ces deux critères (partagée, explicite) qu’ils nomment « ontologie ». 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA Besoin d’une représentation partagée, déclarative Au début des années 90, une initiative apparaît : Les chercheurs du projet américain « Knowledge Sharing Effort » soutenu par la DARPA décident de s’attaquer au problème en privilégiant une représentation partagée et explicite qu’ils nomment : ONTOLOGIE . L’objectif devient donc, de fournir aux systèmes à base de connaissances : 1) une représentation partagée, et 2) une représentation explicite des connaissances. Au début des années 1990, une initiative apparaît. Les chercheurs du projet américain « Knowledge Sharing Effort » soutenu par la DARPA (Defense Advanced Research Projects Agency) décident de s’attaquer au problème de front, en privilégiant une représentation répondant à ces deux critères (partagée, explicite) qu’ils nomment « ontologie ». 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA DARPA knowledge Sharing Effort (Neches, 91) « Building KB systems today usually entails constructing a new KB from scratch. Even if several groups of researchers are working in the same general area, each team must develop its own knowledge base from scratch. The cost of this duplication of effort has been high and will become prohibitive as we build larger and larger systems. » « Furthermore, lack of methodology for sharing & communicating knowledge poses a significant road-block in developing large multi-center research projects » Defense Advanced Research Projects Agency (DARPA), 17 septembre 2018 Valéry Psyché

Origine de l’ontologie en IA DARPA knowledge Sharing Effort (Neches, 91) « To overcome these barrier and advance the state of the art, we must find ways of preserving existing knowledge bases, and sharing, reusing, and building on them. » Defense Advanced Research Projects Agency (DARPA), 17 septembre 2018 Valéry Psyché

Qu’est ce qu’une ontologie ? Définitions En 1993, Gruber propose sa définition qui est encore la définition la plus citée dans les écrits en IA : « An ontology is an explicit specification of a conceptualization ». (Gruber T., 1993b) En 1997, Borst modifia légèrement la définition de Gruber afin de mettre en évidence des aspects majeurs de ce paradigme : « An ontology is a formal specification of a shared conceptualization ». (Borst W. N., 1997) 17 septembre 2018 Valéry Psyché

Qu’est ce qu’une ontologie ? Définitions En 1998, ces 2 définitions ont été rassemblées dans la définition de Studer. « An ontology is a formal, explicit specification of a shared conceptualization ». (Studer R. et al., 1998) « Conceptualisation » réfère à une abstraction d’un phénomène du monde obtenue en identifiant les concepts appropriés à ce phénomène « Partagé » signifie que l’ontologie capture la connaissance consensuelle « An ontology is a formal, explicit specification of a shared conceptualization ». (Studer R. et al., 1998). Cette définition, unifiant celle de Gruber (1993) et celle de Borst (1997), traduit bien notre vision de ce qu’est une ontologie et peut être expliquée de la façon suivante : « Conceptualisation » réfère à une abstraction d’un phénomène du monde obtenue en identifiant les concepts appropriés à ce phénomène. « Partagé » signifie que l’ontologie capture la connaissance consensuelle. « Formel » signifie que l’ontologie est interprétable par une machine (machine-readable) « Spécification explicite » signifie que les concepts de l’ontologie et les contraintes liées à leur usage sont définis de façon déclarative Donc, l’ontologie possède les caractéristiques suivantes : 1) partagée, 2) explicite, et 3) formelle. 17 septembre 2018 Valéry Psyché

Qu’est ce qu’une ontologie ? Définitions « Formel » signifie que l’ontologie est interprétable par une machine (machine-readable) « Spécification explicite » signifie que les concepts de l’ontologie et les contraintes liées à leur usage sont définis de façon déclarative L’ontologie possède les caractéristiques suivantes : 1) partagée, 2) explicite, et 3) formelle « An ontology is a formal, explicit specification of a shared conceptualization ». (Studer R. et al., 1998). Cette définition, unifiant celle de Gruber (1993) et celle de Borst (1997), traduit bien notre vision de ce qu’est une ontologie et peut être expliquée de la façon suivante : « Conceptualisation » réfère à une abstraction d’un phénomène du monde obtenue en identifiant les concepts appropriés à ce phénomène. « Partagé » signifie que l’ontologie capture la connaissance consensuelle. « Formel » signifie que l’ontologie est interprétable par une machine (machine-readable) « Spécification explicite » signifie que les concepts de l’ontologie et les contraintes liées à leur usage sont définis de façon déclarative Donc, l’ontologie possède les caractéristiques suivantes : 1) partagée, 2) explicite, et 3) formelle. 17 septembre 2018 Valéry Psyché

Qu’est ce qu’une ontologie ? Types de composantes Structurellement, une ontologie est constituée de 4 types de composantes : Les classes correspondent aux abstractions pertinentes d’un segment de la réalité (le domaine) retenues en fonction des objectifs qu’on se donne et de l’application envisagée Les propriétés traduisent les associations (pertinentes) existant entre les classes présentes dans le segment analysé de la réalité Structurellement, une ontologie est constituée de cinq types de composantes : Les concepts : Ensemble de termes appropriés décrivant les entités d’un domaine. Les relations : Type d’interactions entre les concepts d’un domaine. Les fonctions : Les fonctions sont des cas particulier de relations dans lesquelles le dernier élément est unique pour les éléments précédents. Les axiomes : Les axiomes sont des règles utilisées pour combiner des concepts et des relations afin de former des phrases qui sont toujours vraies. Les instances : Les instances sont des modèles de conformes à l’ontologie. Un ensemble de modèles forment une base de connaissances. 17 septembre 2018 Valéry Psyché

Qu’est ce qu’une ontologie ? Types de composantes Les axiomes constituent des assertions, acceptées comme vraies, à propos des abstractions du domaine traduites par l’ontologie. Les instances constituent la définition extensionnelle de l’ontologie ; ces objets véhiculent les connaissances (statiques, factuelles) à propos du domaine. Structurellement, une ontologie est constituée de cinq types de composantes : Les concepts : Ensemble de termes appropriés décrivant les entités d’un domaine. Les relations : Type d’interactions entre les concepts d’un domaine. Les fonctions : Les fonctions sont des cas particulier de relations dans lesquelles le dernier élément est unique pour les éléments précédents. Les axiomes : Les axiomes sont des règles utilisées pour combiner des concepts et des relations afin de former des phrases qui sont toujours vraies. Les instances : Les instances sont des modèles de conformes à l’ontologie. Un ensemble de modèles forment une base de connaissances. 17 septembre 2018 Valéry Psyché

Qu’est ce qu’une ontologie ? Types d’ontologies Catégorisation des Ontologies Sujet de la conceptualisation Niveau de richesse de sa structure interne Mizoguchi et al. (1992, 95) Van Heijst (1997) Lassila & McGuinness (2001) Quantité et type de structure de la conceptualisation Niveau de dépendance sur une tâche particulière Guarino (1998) Van Heijst (1997) 17 septembre 2018 Valéry Psyché

Types d’ontologies Introduite par Mizoguchi et al. (1992, 1995) O. de l’objet : scalpel, scanner, salle d’opération O. du domaine O. de l’activité : anesthésier, mettre au monde O. du champs : test O. des noms génériques : but, horaire Ontologies de contenu O. des verbes génériques: assigner, classifier O. de la tâche O. des adjectifs génériques: assignés Autres O. Choses, évènements, temps, espace O. générale/commune Causalité, attitude, fonction, … Indexing Ontologies Tell & Ask Ontologies Meta-Ontologies 17 septembre 2018 Valéry Psyché

Types d’ontologies Introduite par van Heijst et al. (1997) Quantité et type de structure Sujet de la conceptualisation Ontologies générique Réutilisable à travers les domaines Ontologies de modélisation des connaissances Lexiques Ontologies du domaine Réutilisable Ontologies d’application Non réutilisable Utilisable Ontologies de représentation Conceptualisation du formalisme de KR Ontologies d’information 17 septembre 2018 Valéry Psyché

Types d’ontologies Introduite par Guarino N. (1998) Ontologie de haut niveau Ontologie du domaine Ontologie de tâche Elles permettent de spécifier le type d’ontologie en fonction du type d’application. Il existe diverses typologies (Guarino N., 1998; Jasper R. & Uschold M., 1999; Van Heijst G., 1995) L’ontologie supérieure (Top level) est indépendante du domaine et se compose des primitives communes à toutes les ontologies L’ontologie du domaine exprime la conceptualisation spécifiques à un domaine. L’ontologie de tâche fournie un vocabulaire décrire des tâches spécifiques L’ontologie d’application contient des concepts faisant référence aux entités du domaine lorsqu’elles accomplissent une certaine tâche. Ontologie d’application 17 septembre 2018 Valéry Psyché

Types d’ontologies Introduite par Lassila et McGuinness (2001) Thesauri “narrower term” relation General Logical Constraints Controlled Vocabularies Formal is-a Frames (properties) Terms/ glossary Informal is-a Formal instance Values Restrs. Disjointness, Inverse, Part-Of … Le but principal de cette section est de fournir une compréhension générale du vocabulaire utilisé pour classifier les ontologies. Ici nous proposons les types les plus communs d’ontologies et un vocabulaire unifié pour les classifier. 17 septembre 2018 Valéry Psyché

Qu’est-ce que l’IO ? Définitions de l’ontologie orientées métho. « an ontology is a hierarchically structured set of terms for describing a domain that can be used as a skeletal foundation for a KB ». (Swartout B., Patil R., Knight K., & Russ T., 1997). « an ontology provides the means for describing explicitly the conceptualization behind the KB » (Bernaras A. et al., 1996). « a system of primitive vocabulary/concepts used for building artificial systems  » (Mizoguchi R., 1993). D’après Gomez-Perez (Gomez-Perez A., 1999), des auteurs ont également fourni une définition de l’ontologie fondée sur la méthodologie qu’ils ont utilisée pour construire leur ontologie. Ainsi, des indications sur leur méthodologie apparaissent dans leur définition de l’ontologie. Pour Swartout et ses collègues (Swartout B., Patil R., Knight K., & Russ T., 1997), par exemple, « an ontology is a hierarchically structured set of terms for describing a domain that can be used as a skeletal foundation for a knowledge base ». Dans le même ordre d’idées, Bernaras et ses collègues proposent la définition suivante ; « an ontology provides the means for describing explicitly the conceptualization behind the knowledge base » (Bernaras A. et al., 1996). Selon Mizoguchi, la communauté d’ingénierie des connaissances définit l’ontologie comme étant « a system of primitive vocabulary/concepts used for building artificial systems  » (Mizoguchi R., 1993). Ainsi, une ontologie ne doit pas couvrir l’ensemble des concepts existant dans un domaine, mais doit rendre compte des concepts primitifs (essentiels) d’un domaine. 17 septembre 2018 Valéry Psyché

Qu’est-ce que l’IO ? Définitions de l’ontologie orientées métho. Construire une ontologie revient à s’intéresser aux propriétés essentielles des objets et non aux propriétés que ces objets peuvent avoir dans telle ou telle situation. (Bachimont, 1995) Construire une ontologie revient à construire une théorie d’un domaine de connaissances. L’ontologie étant une forme particulière de modèle de connaissances, on peut appliquer les processus de base de la modélisation cognitive. (Paquette G. et al., 2002) Selon Bachimont dans (Boaud J. et al., 1995), construire une ontologie revient à s’intéresser aux propriétés essentielles des objets et non aux propriétés que ces objets peuvent avoir dans telle ou telle situation. Pour Paquette (Paquette G. et al., 2002), la construction d’une ontologie revient à construire une théorie d’un domaine de connaissances. L’ontologie étant une forme particulière de modèle de connaissances, on peut appliquer les processus de base de la modélisation cognitive. Cette multitude de définitions semblent converger quant à ce que l’on entend par ontologie, mais semblent diverger quant à la façon de la concevoir et surtout de l’appliquer. 17 septembre 2018 Valéry Psyché

Qu’est-ce que l’IO ? Lignes directives Une ontologie est le résultat d’une ingénierie suivant trois niveaux de connaissances correspondant au niveau de profondeur de l’ingénierie ontologique : 1) concepts et hiérarchies ; 2) définitions formelles ; 3) implantation en code exécutable. 17 septembre 2018 Valéry Psyché

Qu’est-ce que l’IO ? Aperçu du standard IEEE 1074-1995 Modèle de cycle de vie du logiciel Identification et Sélection d’un cycle de vie Gestion de projet Initiation du projet, monitorat et contrôle du projet, gestion de la qualité du logiciel, etc. Processus orienté développement du logiciel Processus intégral Vérification, validation, gestion de la configuration du logiciel, développement de la documentation, formation 17 septembre 2018 Valéry Psyché

Qu’est-ce que l’IO ? Aperçu du standard IEEE 1074-1995 Processus orienté développement du logiciel Processus de pré développement Processus de développement : processus réalisés pour construire un produit logiciel Processus de conditions Processus de conception : développement d’une représentation qui correspond aux conditions Processus de mise en place : transformation en langage de programmation Processus de post-développement : Installation, aide technique, maintenance et retrait du produit logiciel 17 septembre 2018 Valéry Psyché

Exemple de Méthode d’IO Un processus itératif d’Ingénierie Ontologique Démarche en 5 phases de Staab. (Traduction d’un schéma de Staab et al., 2001, p. 29). 17 septembre 2018 Valéry Psyché

Ingénierie ontologique (IO) Méthodes de construction d’ontologies Méthodes analysées Techniques pour réaliser les activités Différence / IEEE 1074-1995 Ontologies développées Outils dévelop. Construction collaborative - distributive Domaine modélisé On-To-Knowledge Staab (2001) Inconnu Text-To-Onto, OntoEditor Pas documenté Linguist. AFM Mizoguchi (1998) Oil Plant HOZO Industrie METHON- TOLOGY (Gomez, 1996) Quelques activités manques Processus et activités manquants (KA)2, (Onto)2Agent ODE Plusieurs domaines TOVE Grüninger & Fox (1995) Enterprise Design Workbench Enterprise Méthodes analysées Héritage de l'ingénierie des connais. Niveau de détail de la méthode Formalisme de représent. Stratégie d‘IO Stratégie d'identif. des concepts Cycle de vie On-To-Knowledge Staab (2001) Grand systèmes à base de conn. Moyen XML Semi dépendante de l'appli. Inconnu Itératif AFM Mizoguchi (1998) Grand, systèmes à base de conn. Très Peu LISP, XML, RDF(s) Indépendante de l'appli. Pas spécifié Aucun METHON- TOLOGY (Gomez, 1996) Acceptable Liberté du choix Middle-out Évolutif TOVE Grüninger & Fox (1995) Petit, systèmes à base de conn. Peu Logique Doit être détaillé Critères pour la classification des méthodes Ces critères sont au nombre de dix. Les cinq premiers montrent les points généraux des méthodes, tandis que les cinq suivants montrent la maturité de chaque méthodologie. – Héritage de l’ingénierie des connaissances (C1) : Considère l’influence de l’ingénierie des connaissances traditionnelle sur la méthodologie en question. – Détail de la méthodologie (C2) : Considère si les activités et techniques proposées par la méthodologie sont bien spécifiées. – Recommandations pour la formalisation de la connaissance (C3) : Considère le formalisme ou les formalismes proposés pour représenter la connaissance (logique, frames, etc.). – Stratégies pour construire des ontologies (C4) : Discussion sur le choix de stratégies pour développer des ontologies : Dépendante de l’application : l’ontologie est construite sur les bases d’une base de connaissances, au moyen d’un processus d’abstraction. Semi-dépendante de l’application : divers scénarios possibles de l’utilisation de l’ontologie sont identifiés à l’étape des spécifications. Indépendante de l’application : Le processus est complètement indépendant des utilisations pour lesquelles l’ontologie sera mise dans les systèmes à base de connaissance, les agents, etc. – Stratégies pour identifier les concepts (C5) : Les stratégies possibles sont : du plus concret au plus abstrait (Bottom-Up), du plus abstrait au plus concret (Top-Down) ou du plus approprié au plus abstrait et plus concret (Middle-Out). – Cycle de vie recommandé (C6) : Analyse si la méthodologie propose implicitement ou explicitement un cycle de vie. – Différences entre la méthodologie et IEEE 1074-1995[1] (C7) : Discute des processus et activités proposés par le standard IEEE 1074-1995 qui ne sont pas mentionnés dans la méthodologie. – Techniques recommandées (C8) : Spécifie si des techniques particulières sont proposées pour réaliser les différentes activités dont la méthodologie est composée. – Quelles ontologies ont été développées en utilisant la méthodologie, et quels systèmes ont été construits en utilisant ces ontologies (C9) : Les ontologies et les systèmes développés seront listés et légèrement détaillés. – Construction collaborative et distributive (C10) : Dans quelle mesure les méthodologies permettent à différents groupes, à différents endroits de travailler ensemble pour construire des ontologies. (Jusqu’ici, aucune publication n’a mentionné en quoi elle contribue à cet égard). [1] Voir section III.2.1. 17 septembre 2018 Valéry Psyché

Ingénierie ontologique (IO) Principes de construction d’ontologies Diversification des hiérarchies pour augmenter la puissance fournie par les mécanismes d’héritage multiple (Arpirez J., Gomez-Perez A. & al., 1998) Minimiser la distance sémantique entre les classes enfants de mêmes parents (Arpirez J., Gomez-Perez A. & al., 1998). Normaliser les termes chaque fois que c’est possible (Arpirez J., Gomez-Perez A. & al., 1998). [1] Ce critère permet d’isoler le noyau de propriétés considérées comme invariables pour une classe [2] Certains chercheurs comme Mizoguchi et al., sont opposés à l’idée d’héritage multiple en ingénierie ontologique. 17 septembre 2018 Valéry Psyché

Ingénierie ontologique (IO) Principes de construction d’ontologies Clarté et Objectivité (Gruber T., 1993b) : L’ontologie doit fournir la signification des termes définis en fournissant des définitions « objectives » ainsi qu’une documentation en langage naturel. Perfection (Gruber T., 1993b) : Une définition exprimée par des conditions nécessaires et suffisantes est préférable à une définition partielle Cohérence (Gruber T., 1993b) : Pour permettre des inférences conformes aux définitions. 17 septembre 2018 Valéry Psyché

Ingénierie ontologique (IO) Principes de construction d’ontologies Maximiser l’extensibilité monotone (Gruber T., 1993b) : L’ajout de nouvelles classes à l’ontologie ne devrait pas entraîner la révision des définitions existantes. Engagements ontologiques minimaux (Gruber T., 1993b) : Faire le moins possible d’affirmations, au sujet du monde en train d’être modélisé. Principe de distinction ontologique (Borgo S., Guarino N. & al., 1996) : Chaque fois que l’on peut leur appliquer le critère d’identité, il faut disjoindre les classes. 17 septembre 2018 Valéry Psyché

Engagements ontologiques minimaux Domaine (capture des besoins) ID Principes d’IO Entités visées P1 Engagements ontologiques minimaux Domaine (capture des besoins) P2 Distinction ontologique Classes (construction ontologie) P3 Subdivision des taxonomies Classes (construction ontologie) P4 Normaliser les termes P5 Distance sémantique minimale Classes, propriétés P6 Clarté et Objectivité Toutes entités de l’ontologie P7 Complétude P8 Cohérence Propriétés déduites des axiomes P9 Extensibilité monotone maximale (raffinement) ID Principes d’IO Description des principes P1 Engagements ontologiques minimaux Faire le moins possible d’affirmations sur le domaine à modéliser P2 Distinction ontologique Spécialiser les concepts tant que l’on peut leur appliquer le critère d’identité P3 Subdivision des taxonomies Subdiviser les taxonomies dès que cela est possible P4 Normaliser les termes Normaliser les termes dès que cela est possible P5 Distance sémantique minimale Minimiser la distance entre les concepts enfants de mêmes parents. P6 Clarté et Objectivité Il faut accompagner les entités de l’ontologie de définitions objectives et documentée en langage naturel P7 Complétude Une définition exprimée par des conditions nécessaires et suffisantes est préférable à une définition partielle P8 Cohérence Une ontologie cohérente doit permettre des inférences conformes à ces définitions P9 Extensibilité monotone maximale L’ajout de nouveaux concepts à l’ontologie ne devrait pas entraîner la révision des définitions existantes L’analyse des principes d’IO nous a permis d’identifier ceux qui seraient vraiment utiles pour notre méthodologie d’ingénierie ontologique. Nous avons pu définir leur impact sur certaines étapes de notre méthode. Le tableau 7 montre comment les principes régissent l’ingénierie ontologique, de notre point de vue (voir la 4e colonne). 17 septembre 2018 Valéry Psyché

Ingénierie ontologique (IO) Langages de construction d’ontologies Une décision clé à prendre lors l’IO est la sélection de langage d’implémentation de l’ontologie Le choix du langage devrait être fonction de la KR et des mécanismes d’inférence nécessaires à l’application qui utilise l’ontologie Quelle exprésivité a tel langage ontologique ? Quels sont les mécanismes d’inférence attachés tel langage ? Est- qu’un outil d’IO support ce langage ? … 17 septembre 2018 Valéry Psyché

Évolution des langages Les langages traditionnels Dans les années 1990, les ontologies étaient construites en utilisant des techniques de modélisation d’IA fondées selon sur : La logique de 1er ordre et LISP : KIF (Genesereth M. & Fikes R. E., 1992) Les « Frames » combinés avec de la logique de 1er ordre : Cycl (Lenat&Guha, 1990), Ontolingua (Gruber T., 1993), OCML (Motta E., 1999) et Flogic (Kifer M., 1985) Les logiques de description : Loom (MacGregor R., 1991) OKBC au aussi été créé comme un protocole d’accès aux ontologies implémentée dans un langage de Frames Dans les années 1990, les ontologies étaient construites en utilisant des techniques de modélisation d’IA fondées selon sur : La logique de 1er ordre : KIF (Genesereth M. & Fikes R. E., 1992) Les « frames » combinés avec de la logique de 1er ordre: Cycl (Lenat&Guha, 1990), Ontolingua (Gruber T., 1993), OCML (Motta E., 1999) et Flogic (Kifer M., 1985) Les logiques de description : Loom (MacGregor R., 1991) OKBC au aussi été créé comme un protocole d’accès aux ontologies implémentée dans un langage de frame. Des applications commerciales utilisent la représentation des connaissances comme une extension de la technologie des bases de données, où la « connaissance » est vue comme un réservoir d’informations utiles plutôt que comme le soutien à un modèle de l’activité cognitive. Ici, la planification des actions n’est souvent pas nécessaire, et l’ontologie fixée pour une application particulière – par exemple, la conception de cours ou le diagnostic médical – devient prédominante. Le contenu de l’ontologie peut souvent être pensé en tant que connaissances en langage naturel ou en tant que lignes de code de programmation, dépendamment du but que l’on désire atteindre ; une école de pensée en représentation des connaissances voit cette distinction comme essentiellement non significative. L’usage commercial des bases de connaissances a créé un besoin pour des standards ou un formalisme d’échange pour permettre l’interopérabilité. Ceci inclut le Knowledge Interchange Format ou KIF - un mélange de théorie du premier ordre et de LISP (Genesereth M. and Fikes R. E., 1992) - et les graphes conceptuels, une notation graphique inspirée de C. S. Peirce (Sowa J., 1997). Il y a surtout un intérêt considérable et grandissant, à compiler des ontologies standard pour des concepts communément utilisés tel que : l’interaction entre enseignants et apprenants ou un scénario pédagogique. 17 septembre 2018 Valéry Psyché

Évolution des langages Les langages du Web (markup) Le boom de l’Internet a mené à la création de langage d’implémentation de l’ontologie exploitant les caractéristiques du Web Ces langages sont des langages de balisage (ou markup languages) Quelques-uns de ces langages tels que SHOE (Luke S. & Heflin J., 2000), XOL (Karp P. D., Chaudhri V. K., & Thomere J., July 1999), OIL (Fensel D. et al., 2000) et OIL+DAML (van Harmelen F., Patel-Schneider PF., & Horrocks I., March 2001) sont fondés sur la syntaxe XML Le boom de l’Internet a mené à la création de langage d’implémentation de l’ontologie exploitant les caractéristiques du Web. Ces langages sont des langages de balisage (ou markup languages). Quelques-uns de ces langages tels que SHOE (Luke S. & Heflin J., 2000), XOL (Karp P. D., Chaudhri V. K., & Thomere J., July 1999), OIL (Fensel D. et al., 2000) et OIL+DAML (van Harmelen F., Patel-Schneider PF., & Horrocks I., March 2001) sont fondés sur la syntaxe XML. Le W3C[1] travaille aussi à créer des standards et des recommandations de langages Web à utiliser pour implémenter des ontologies (Gomez-Perez A., 2003). Le W3C a d’abord proposé RDF (Lassila O. & Swick R., 1999), un langage de type réseau sémantique pour décrire les ressources Web, et RDF Schema (Brickley D. & RV., 2002), une extension de RDF possédant des primitives de type frames. La combinaison de RDF et RDF Schema est connue sous le nom de RDF(S). Actuellement, le consortium développe OWL qui est le successeur de DAML+OIL et s’inspire des logiques de description. OWL est fractionné en trois langages distincts : OWL LITE, OWL DL et OWL FULL. [1] World Wide Web Consortium 17 septembre 2018 Valéry Psyché

Évolution des langages Les langages du Web (markup) Le W3C travaille aussi à créer des standards et des recommandations de langages Web à utiliser pour implémenter des ontologies Le W3C a d’abord proposé RDF (Lassila O. & Swick R., 1999), un langage de type réseau sémantique pour décrire les ressources Web, et RDF Schema (Brickley D. & RV., 2002), une extension de RDF possédant des primitives de type frames. La combinaison de RDF et RDF Schema est connue sous le nom de RDF(S) Actuellement, le consortium développe OWL qui est le successeur de DAML+OIL et s’inspire des logiques de description. OWL est fractionné en trois langages distincts : OWL LITE, OWL DL et OWL FULL Le boom de l’Internet a mené à la création de langage d’implémentation de l’ontologie exploitant les caractéristiques du Web. Ces langages sont des langages de balisage (ou markup languages). Quelques-uns de ces langages tels que SHOE (Luke S. & Heflin J., 2000), XOL (Karp P. D., Chaudhri V. K., & Thomere J., July 1999), OIL (Fensel D. et al., 2000) et OIL+DAML (van Harmelen F., Patel-Schneider PF., & Horrocks I., March 2001) sont fondés sur la syntaxe XML. Le W3C[1] travaille aussi à créer des standards et des recommandations de langages Web à utiliser pour implémenter des ontologies (Gomez-Perez A., 2003). Le W3C a d’abord proposé RDF (Lassila O. & Swick R., 1999), un langage de type réseau sémantique pour décrire les ressources Web, et RDF Schema (Brickley D. & RV., 2002), une extension de RDF possédant des primitives de type frames. La combinaison de RDF et RDF Schema est connue sous le nom de RDF(S). Actuellement, le consortium développe OWL qui est le successeur de DAML+OIL et s’inspire des logiques de description. OWL est fractionné en trois langages distincts : OWL LITE, OWL DL et OWL FULL. [1] World Wide Web Consortium 17 septembre 2018 Valéry Psyché

Les langages de balisage Ontology Web Language (OWL) Standardiser les moyens de définir des ontologies qui peuvent être utilisées sur le Web Découle de nombreux travaux en KR : frames et surtout les logiques de description À partir de RDF Schema classes, propriétés, relations de sous-classes et de sous-propriétés Un de plus grands projets actuels est celui d’associer au Web une couche des ontologies et de permettre ainsi la recherche d’information ou la communication inter-agents au niveau sémantique, et non seulement syntaxique. Pour munir les langages du Web d’une sémantique formelle, le RDF à été enrichi par l’apport du langage ontologique OWL (Ontology Web Language) qui se base sur le langage DAML+OIL. Daml+Oil fournit un nombre des constructeurs permettant de définir des classes des concepts et relations entre les concepts, donc des ontologies. De ce fait, il peut être considéré comme une ontologie de représentation qui fournit un langage standardisé pour définir les ontologies du Web Sémantique. Chaque source d’information du Web pourrai ainsi utilisé sa propre ontologie définie avec les primitives fournis par DAML+OIL , ces ontologies communes pouvant ensuite interopérer grâce à leur formalisme commun. L’architecture en couche du Web sémantique met ainsi évidence le rôle des ontologies pour assurer interopérabilité, mais qu’est que précisément l’inteopérabilité et comment les ontologies peuvent effectivement la supporter. URI (Uniform Ressources Identifier) permet l’attribution d’un identifiant unique à des ressources. RDF (Ressource Description Framework) formalisme standard de représentation, qui, en utilisant la syntaxe standard XML (Extended Markup Language), décrit les éléments du Web par des triplets ressource-attribut-valeur. DAML+OIL produit par la fusion entre DAML (DARPA Agent Markup) offre de primitives pour la représentation à base de frames. OIL (Ontology Inference Layer) rend possible des inférences compatibles avec les logiques de description (Description Logic). D’abord standard de description de métadonnées (97-99) Utilisation de graphes étiquetés orientés (RDF Model) triplets sujet - propriété - objet ou ressource - propriété - valeur (ressource ou chaîne) Utilise les URIs (Universal Resources Identifiers) utilisables pour les pages (et parties de pages) mais aussi pour tout objet qui dispose d’un schéma URI (documents, …) Dispose d'une syntaxe XML et des espaces de nom XML RDF Schema (98-2000) modèle de classes … sur RDF Langages du Web sémantique d’après Berners-Lee, XML 2000 Conference 17 septembre 2018 Valéry Psyché

Ontology Web Language Représentation graphique 17 septembre 2018 Valéry Psyché

Éditeurs d’ontologie Differents types d’outils Outils pour la construction d’ontologies (> 13) Construction automatique d’ontologies (> 1) Outils pour la fusion et l’intégration d’ontologies (>4) Outils pour l’évaluation d’ontologies (> 4) Outils pour l’annotation (> 6) Outils pour le stockage et les requêtes aux ontologies (> 14) Outils pour la maintenance et l’évolution d’ontologies (> 3) Ontology development tools.- This group includes tools, environments and suites that can be used for building a new ontology from scratch or reusing existing ontologies. Apart from the common edition and browsing functionality, these tools usually include ontology documentation, ontology exportation and importation from different formats, graphical views of the ontologies built, ontology libraries, attached inference engines, etc. Ontology merge and integration tools.- These tools have appeared to solve the problem of merging or integrating different ontologies on the same domain. This need appears when two companies or organizations are merged together, or when it is necessary to obtain a better quality ontology from other existing ontologies in the same domain. Ontology evaluation tools.- They appear as support tools that ensure that both ontologies and their related technologies have a given level of quality. Quality assurance is extremely important to avoid problems in the integration of ontologies and ontology-based technology in industrial applications. For the future, this effort might also lead to standardized benchmarks and certifications. Ontology-based annotation tools.- These tools have been designed to allow users inserting and maintaining (semi)automatically ontology-based markups in Web pages. Most of these tools have appeared recently, along with the emergence of the Semantic Web. Most of them are already integrated in an ontology development environment. Ontology storage and querying tools.- These tools have been created to allow using and querying ontologies easily. Due to the wide acceptance and use of the Web as a platform for communicating knowledge, new languages for querying ontologies have appeared in this context. Ontology learning tools.- They are used to (semi)automatically derive ontologies from natural language texts. However, these tools will not be revised in this deliverable, since there will be a specific deliverable from OntoWeb WP1 (D1.5) concerning them. 17 septembre 2018 Valéry Psyché

Editeurs d’ontologie Qu’est-ce que c’est ? Outils, environnements et suites qui peuvent être utilisés pour: Construire une nouvelle ontologie, Réutiliser des ontologies existantes Fonctions importantes des d’éditeur ontologique (à part l’édition et la navigation ) sont : Vues graphiques des ontologies construites Moteurs d’inférence (Attaché) Représentation des connaissances Une interface graphique Un langage de représentation le plus abstrait possible, i.e. de type MOT, graphe conceptuel, UML, … Une assistance au développement collaboratif pour une ingénierie distribuée entre plusieurs personnes L’exportation de d’ontologies dans des langages de représentation appropriés, i.e. RDFS, OWL, … L’importation d’ontologies 17 septembre 2018 Valéry Psyché

Editeurs d’ontologie Qu’est-ce que c’est ? Fonctions importantes des d’éditeur ontologique (suite ) : Documentation des ontologies Exportation des ontologies dans plusieurs formats Importation des ontologies dans plusieurs formats Une bibliothèque d’ontologies Aide à la construction collaborative Une interface graphique Un langage de représentation le plus abstrait possible, i.e. de type MOT, graphe conceptuel, UML, … Une assistance au développement collaboratif pour une ingénierie distribuée entre plusieurs personnes L’exportation de d’ontologies dans des langages de représentation appropriés, i.e. RDFS, OWL, … L’importation d’ontologies 17 septembre 2018 Valéry Psyché

Éditeurs d’ontologie Outils les plus connus Outils traditionnels Ontolingua de Stanford University OntoSaurus de Information Science Institute / Southern California University WebOnto de Knowledge Media Institute / Open University 17 septembre 2018 Valéry Psyché

Éditeurs d’ontologie Outils les plus connus Outils pour le Web sémantique WebODE de Intelligence Artificial Laboratory / Madrid University OILEd de Manchester University Protégé-2000 from Medical Informatics Department / Stanford University HOZO de MizLab / ISIR /Osaka University 17 septembre 2018 Valéry Psyché

Ontolingua Server Knowledge Systems Lab - Stanford University Le serveur Ontolingua est un ensemble d’outils qui aide à la construction collaborative et distribuée d’ontologies. Permet : L’accès à une bibliothèque d’ontologies, à des traducteurs de langages (Prolog, CLIPS, Loom ...); L’édition et l’exploration des ontologies En utilisant le protocole OKBC (Open Know. Based Connectivity) Vue d’ensemble : URL: http://www-ksl-svc.stanford.edu:5915/ Exports language: Loom, Ontolingua, Prolog, CLIPS Imports language: Ontolingua. Collaborative construction: Yes Graphical Ontology Editing Environment: Yes Knowledge Representation Paradigm: Frame-based The Ontolingua Server is a set of tools and services that support the building of shared ontologies between distributed groups, and have been developed by the Knowledge Systems Laboratory (KSL) at Stanford University. The ontology server architecture provides access to a library of ontologies, translators to languages (Prolog, CORBA IDL, CLIPS, Loom, etc.) and an editor to create and browse ontologies (figure 2.5). Remote editors can browse and edit ontologies, and remote or local applications can access any of the ontologies in the ontology library using the OKBC (Open Knowledge Based Connectivity) protocol. URL: http://ontolingua.stanford.edu/ Contact information about the developers: Ontology-librarian@KSL.Stanford.edu Relevant bibliographic references: · Farquhar, R. Fikes, J. Rice. The Ontolingua Server: A Tool for Collaborative Ontology Construction, Proceedings of the 10th Knowledge Acquisition for Knowledge-Based Systems Workshop, (Banff, Alberta, Canada 1996) 44.1-44.19. 17 septembre 2018 Valéry Psyché

Ontolingua Server Knowledge Systems Lab - Stanford University 17 septembre 2018 Valéry Psyché

Ontosaurus Inform. Sc. Inst. University of South California Consiste en 2 modules : Serveur ontologique, utilisant LOOM comme langage de représentation des connaissances ; Serveur de navigation et d’édition dynamiquement des pages HTML affichant la hiérarchie de l’ontologie. Il utilise des formulaires HTML pour permettre à l’usager d’éditer l’ontologie. Des traducteurs du LOOM en Ontolingua, KIF, KRSS et C++, ont aussi été développés Fiche : URL: http://www.isi.edu/isd/ontosaurus.html Username : tourist Password : visit Exports language: LOOM, Ontolingua, KIF, KRSS, C++ Imports language: LOOM Collab. construction: No GUI Ontology Editing: Yes Knowledge Represent. Paradigm: D-L-based Ontosaurus has been developed by the Information Sciences Institute (ISI) at the University of South California. It consists of two modules: an ontology server, which uses Loom as its knowledge representation system, and an ontology browser server that dynamically crates html pages (including image and textual documentation) that displays the ontology hierarchy (figure 2.6). The ontology can be edited by HTML forms, and translators exist from LOOM to Ontolingua, KIF, KRSS and C++. 19/19 URL: http://www.isi.edu/isd/ontosaurus.html Contact information about the developers: Tom Russ, tar@isi.edu Relevant bibliographic references: OntoWeb. D1.3. A survey on ontology tools IST-2001-29243 · B. Swartout, P. Ramesh, K. Knight, T. Russ, Toward Distributed Use of Large-Scale Ontologies. Symposium on Ontological Engineering of AAAI. (Stanford, California, March, 1997). 17 septembre 2018 Valéry Psyché

Ontosaurus Inform. Sc. Inst. University of South California 17 septembre 2018 Valéry Psyché

WebOnto Knowledge Media Institute - Open University Permet l’édition d’ontologies de façon collaborative ; Formalisme de représentation en OCML ; Gestion d’ontologies en utilisant une GUI ; Aide à la modélisation, l’inspection d’éléments, la prise en compte de l’héritage des propriétés et la vérification de la consistance ; Interface « dire et demander » pour les requêtes, Bibliothèque avec + de 100 ontologies est accessible; Naviguer sans restriction d’accès. Fiche : URL: http://webonto.open.ac.uk user name: v_psyche password: innsnow group: university_of_quebec Exports language: OCML, Ontolingua. Imports language: OCML. Collabo. construction: Yes GUI Ontology Editing: Yes Knowledge Represent. Paradigm: Frame-based WebOnto is a tool developed by the Knowledge Media Institute (KMi) of the Open University (England). It supports the collaborative browsing, creation and editing of ontologies, which are represented in the knowledge modelling language OCML. Its main features are: management of ontologies using a graphical interface (figure 2.12); the automatic generation of instance editing forms from class definitions, support for PSMs and tasks modelling; inspection of elements, taking into account the inheritance of properties and consistency checking; a full tell&ask interface, and support for collaborative work, by means of broadcast/receive and making annotations (using Tadzebao). The WebOnto server is a freely available service provided to the ontology engineering community. A library with over 100 ontologies is accessible through WebOnto and can be browsed with no restrictions on access. URL: http://kmi.open.ac.uk/projects/webonto (description); http://webonto.open.ac.uk (tool) Contact information about the developers: Users who wish to use WebOnto for ontology development can get an account and password by emailing Dr. John Domingue (j.b.domingue@open.ac.uk). Relevant bibliographic references: · J. Domingue, Tadzebao and Webonto: Discussing, Browsing and Editing Ontologies on the Web. In Proceedings of the Eleventh Knowledge Acquisition Workshop (KAW98, Banff, 1998). 1998 : WebOnto was designed to support the collaborative browsing, creation and editing of ontologies without suffering from the interface problems described in the previous section. In particular, WebOnto was designed to provide a direct manipulation interface displaying ontological expressions using a rich medium. WebOnto was aimed to be easy-to-use, yet have facilities for scaling up to large ontologies. Finally, WebOnto was designed to complement the ontology discussion tool Tadzebao. WebOnto's architecture is composed of a central server and clients written in Java. The detailed description of the architecture is given in section 5. In the remainder of this section I will describe a scenario showing how Sarah uses WebOnto to browse an ontology. Sarah clones the top page (using the "Clone" button) within the "Essential Ontologies" notepad in figure 1 and then clicks on the image. This action creates the window shown in figure 7 below. The graphical display area in figure 7 shows the hierarchy of currently loaded ontologies. There are several features of the display that should be emphasised: * data (ontologies) are displayed using graphics, * the icons can be moved (with rubber banding) or selected and operated on (i.e. figure 7 shows a direct manipulation interface with immediate feedback), * local rendering enables the transfer of large images (the graph in figure 7 can be viewed as a large image). 17 septembre 2018 Valéry Psyché

Exemple d’éditeur d’onto. OILEd - University of Manchester OILEd is a graphical ontology editor that allows the user to build ontologies using OWL Overview URL: http://img.cs.man.ac.uk/oil/ Exports language: RDF(S), OIL, DAML+OIL, OWL. Imports language: RDF(S), OIL. Collaborative construction: No. Graphical Ontology Editing Enviro.: Yes Knowledge Representation Paradigm: D-L-based OILEd is a graphical ontology editor developed by the University of Manchester that allows the user to build ontologies using DAML+OIL. The knowledge model of OILEd is based on that of DAML+OIL, although this is extended by the use of a frame-like presentation for modelling. Thus OILEd offers a familiar frame-like paradigm for modelling while still supporting the rich expressiveness of DAML+OIL where required. Classes are defined in terms of their superclasses and property restrictions, with additional axioms capturing further relationships such as disjointness. The expressive knowledge model allows the use of complex composite descriptions as role fillers. This is in contrast to many existing frame-based editors, where such anonymous frames must be named before they can be used as models. The main task that OILEd is targeted at is that of editing ontologies or schemas, as opposed to knowledge acquisition or the construction of large knowledge bases of instances. Although functionality is provided that allows the definition of individuals, this is primarily intended for the definition of nomimals, which are used in the DAML+OIL one-of construction. A key aspect of OILEd’s behaviour is the use of the FaCT reasoner [Horrocks et al, 99] to classify ontologies and check consistency via a translation from DAML+OIL to the SHIQ description logic. This allows the user to describe their ontology classes and have the reasoner determine the appropriate place in the hierarchy for the definition. Figure 2.3 shows the situation where a concept definition has been determined to be unsatisfiable. The DAML+OIL RDF Schema (March 2001)1 is used for loading and storing ontologies. In addition, the tool will read and write concept hierarchies in pure RDF and will render ontology definitions as HTML for browsing and as SHIQ for later classification by the FaCT reasoner. Concept hierarchies can also be rendered in formats readable by AT&T's dotty tool2. OILEd version 3.4 is implemented in Java and is freely available from the OILEd web site, although registration of an email address is required for download. Further information and relevant publications are also available at the web site. URL: http://oiled.man.ac.uk Contact information for developers: Sean Bechhofer, seanb@cs.man.ac.uk. Questions relating to OILEd can also be sent to: oil-help@cs.man.ac.uk Relevant bibliographic references: · Sean Bechhofer, Ian Horrocks, Carole Goble, Robert Stevens. OILEd: a Reason-able Ontology Editor for the Semantic Web. Proceedings of KI2001, Joint German/Austrian conference on Artificial Intelligence, September 19-21, Vienna. Springer-Verlag LNAI Vol. 2174, pp 396--408. 2001. · Horrocks, U. Sattler, S. Tobies. Practical reasoning for expressive description logics. 6th International Conference on Logic for Programming and Automated Reasoning (LPAR'99) (LNAI, Springer-Verlag, 1999). 161-180. 17 septembre 2018 Valéry Psyché

Exemple d’éditeur d’onto. OILEd - University of Manchester 17 septembre 2018 Valéry Psyché

Exemple d’éditeur d’onto. Protégé-2000 - Stanford University Plate forme Open Source GUI pour l’édition ontologique Modèle de connaissances compatible OKBC Stockage d’ontologies dans les BD relationelles compatibles JDBC Architecture modulaire permet l’ajout de plug-ins Fournit aussi des traducteurs en FLogic, OWL, Ontolingua et RDF(S), Vue d’ensemble: URL: http://protege.stanford.edu Exports language: FLogic, Ontolingua, RDF(S), OWL Imports language: FLogic, Ontolingua, RDF(S), XML. Collaborative construction: No. Graphical Onto. Edit. Envir.: Yes Knowledge Represent. Paradigm: Frame-based Protégé-2000 is the latest tool in an established line of tools developed at Stanford University for knowledge acquisition. Protégé-2000 has thousands of users all over the world who use the system for projects ranging from modeling cancer-protocol guidelines to modeling nuclear-power stations. Protégé- 2000 is freely available for download under the Mozilla open-source license. Protégé-2000 provides a graphical and interactive ontology-design and knowledge-base–development environment. It helps knowledge engineers and domain experts to perform knowledge-management tasks. Ontology developers can access relevant information quickly whenever they need it, and can use direct manipulation to navigate and manage an ontology. Tree controls allow quick and simple navigation through a class hierarchy. Protégé uses forms as the interface for filling in slot values (Figure 2.8). The knowledge model of Protégé-2000 is OKBC-compatible. It includes support for classes and the class hierarchy with multiple inheritance; template and own slots; specification of pre-defined and arbitrary facets for slots, which include allowed values, cardinality restrictions, default values, and inverse slots; metaclasses and metaclass hierarchy. In addition to highly usable interface, two other important features distinguish Protégé-2000 from most ontology-editing environments: its scalability and extensibility. Developers have successfully employed Protégé-2000 to build and use ontologies consisting of 150,000 frames. Supporting knowledge bases with hundreds of thousands of frames involves two components: (1) a database backend to store and query the data and (2) a caching mechanism to enable loading of new frames once the number of frames in memory has exceeded the memory limit. One of the major advantages of the Protégé-2000 architecture is that the system is constructed in an open, modular fashion. Its component-based architecture enables system builders to add new functionality by creating appropriate plugins. The Protégé Plugin Library3 contains contributions from developers all over the world. Most plugins fall into one of the three categories: (1) backends that enable users to store and import knowledge bases in various formats; (2) slot widgets, which are used to display and edit slot values or their combination in a domain-specific and task-specific ways, and (3) tab plugins, which are knowledge-based applications usually tightly linked with Protégé knowledge bases. Current backend plugins (and standard backends) include support for storing and importing ontologies in RDF Schema, XML files with a DTD, and XML Schema files. We have experimental support for OIL. The development of DAML+OIL support is in its final stages. Available slot widgets include user-interface components to display GIF images, as well as video and audio. A diagram widget (figure 2.9) allows developers to build elements of a knowledge base by drawing a diagram in which nodes and edges are themselves frames of particular types (distinguished by shape and color). The most popular type of plugins are tab plugins. Currently available tabs provide capabilities for advanced visualization, ontology merging and version management, inferencing, and so on. The OntoViz and Jambalaya tabs, for example, present different graphical views of a knowledge base, with the Jambalaya tab allowing interactive navigation, zooming in on particular elements in the structure, and different layouts of nodes in a graph to highlight connections between clusters of data. Figure 2.8: A Protégé-2000 screen for editing classes and slots and for entering instance information. The class hierarchy with multiple inheritance is shown in the left pane. Users can drag and drop classes to rearrange the hierarchy. The right pane shows detailed information for the selected class. It includes the slots describing instances of the class. The second window shows part of the form for an Editor instance The PAL tab provides support for the Protégé Axiom Language. PAL is a subset of KIF that enables users to express constraints on their data for which the frame formalism itself is not sufficiently expressive. The PAL inference engine then analyzes the data to tell the users which constraints the instances in the knowledge base violate and how. The Flora tab (for F-logic) and the Jess tab provide access to reasoning engines developed elsewhere. The PROMPT tab provides an environment for managing multiple ontologies. Its components include tools for ontology merging that help the user to find similarities between source ontologies and to merge the ontologies; for ontology versioning, which automatically finds a structural “diff” between versions of an ontology; and for extracting semantically complete subparts of an ontology and rearranging frames in different linked ontologies. The UMLS and WordNet tabs enable users to import and integrate elements of the large on-line knowledge sources into their ontologies. Figure 2.9: A diagram widget in Protégé. Users can drag items from the palette on the right to create a diagram showing the relations between instances in an ontology. URL: http://protege.stanford.edu Contact information about the developers: protege-help@smi.stanford.edu Relevant bibliographic references: · N. F. Noy, M. Sintek, S. Decker, M. Crubezy, R. W. Fergerson, & M. A. Musen. Creating Semantic Web Contents with Protege-2000. IEEE Intelligent Systems 16(2):60-71, 2001. · N. F. Noy, R. W. Fergerson, & M. A. Musen. The knowledge model of Protege-2000: Combining interoperability and flexibility. 12th International Conference on Knowledge Engineering and Knowledge Management (EKAW'2000), Juan-les-Pins, France, 2000. · M. A. Musen, R. W. Fergerson, W. E. Grosso, N. F. Noy, M. Crubezy, & J. H. Gennari. Component- Based Support for Building Knowledge-Acquisition Systems. Conference on Intelligent Information Processing (IIP 2000) of the International Federation for Information Processing World Computer Congress WCC 2000), Beijing, 2000. · Grosso, W., Gennari, J.H., Fergerson, R. and Musen, M.A. (1998). When Knowledge Models Collide (How it Happens and What to Do). In: Proceedings of the Eleventh Banff Knowledge Acquisition for Knowledge-Bases Systems Workshop, Banff, Canada. 17 septembre 2018 Valéry Psyché

Exemple d’éditeur d’onto. Protégé-2000 - Stanford University 17 septembre 2018 Valéry Psyché

Exemple d’éditeur d’onto. WebODE (University of Madrid) Fournit de l’aide à la plupart des activités impliquées dans l’IO : API pour accéder à l'ontologie; Traducteurs permettant d’importer et d’exporter des ontologies, respectivement à partir de et vers des langages de balisage et traditionnels d'ontologie; GUI pour éditer; Moteur d’inférence qui utilise Prolog; Modèle de connaissances compatible avec OKBC. Fiche: URL:http://webode.dia.fi.upm.es/webode/login.html Exports language: CARIN, DAML+OIL, FLogic, OWL, Prolog, RDF(S), XML. Imports language: CARIN, RDF(S), XML. Collaborative construction: Yes. Graphical Onto. Editing Envir.: Yes Knowledge Represent. Paradigm: Frame-based WebODE [Arpírez et al., 2001] is an ontological engineering workbench that provides varied ontology related services and covers and gives support to most of the activities involved in the ontology development process and in the ontology usage. It is built on an application server basis, which provides high extensibility and usability by allowing the easy addition of new services and the use of existing services. WebODE ontologies are represented using a very expressive knowledge model, based on the reference set of intermediate representations of the METHONTOLOGY methodology [Fernández-López et al., 1999], which includes ontology components such as concepts (with instance and class attributes), partitions, adhoc binary relations, predefined relations (taxonomic and part-of ones), instances, axioms, rules, constants and bibliographic references. It also allows the importation of terms from other ontologies, through the use of imported terms. Ontologies in WebODE are stored in a relational database. Moreover, WebODE provides a well-defined service-oriented API for ontology access that makes easy the integration with other systems. Ontologies built with WebODE can be easily integrated with other systems by using its automatic exportation and importation services from and into XML, its translation services into and from varied ontology specification languages (currently, RDF(S), OIL, DAML+OIL, CARIN and FLogic), and its translation services to other languages and systems, such as Java and Jess. Ontology edition in the WebODE ontology editor is aided both by form based (figure 2.11) and graphical user interfaces, a user-defined-views manager, a consistency checker, an inference engine, an axiom builder and the documentation service. Two interesting and novel features of WebODE with respect to other ontology engineering tools are: instance sets, which allow to instantiate the same conceptual model for different scenarios, and conceptual views from the same conceptual model, which allow creating and storing different parts of the ontology, highlighting and/or customizing the visualization of the ontology for each user. The graphical user interface allows browsing all the relationships defined on the ontology as well as graphical-pruning these views with respect to selected types of relationships. Mathematical properties such as reflexive, symmetric, etc. and other user-defined properties can be also attached to the "ad hoc" relationships. The collaborative edition of ontologies is ensured by a mechanism that allows users to establish the type of access of the ontologies developed, through the notion of groups of users. Synchronization mechanisms also exist that allow several users to edit the same ontology without errors. Constraint checking capabilities are also provided for type constraints, numerical values constraints, cardinality constraints and taxonomic consistency verification (i.e., common instances of disjoint classes, loops, etc.) Finally, WebODE’s inference service has been developed in Ciao Prolog. A subset of the OKBC primitives has been defined in prolog for their use in this inference engine. Additionally, the WebODE Axiom Builder transforms first-order logic axioms and rules into Prolog, if possible, so that they can be used in it as well. 17 septembre 2018 Valéry Psyché

Exemple d’éditeur d’onto. WebODE (University of Madrid) 17 septembre 2018 Valéry Psyché

HOZO MIZLAB – ISIR- Osaka University Composé d’un éditeur appelé « Onto-Studio » et d’un serveur ontologique Onto-Studio est basé sur une méthode de d’IO, Activity- First Method (AFM) GUI pour naviguer et les éditer les onto; Outil de recherche La vérification de la consistance des modèles / l’ontologie se fait en utilisant les axiomes définis dans l’ontologie Exportation des ontologies et modèles en format XML, RDF(S), DAML+OIL, OWL. Fiche: URL: http://www.ei.sanken.osaka-u.ac.jp/english/ Exports language: FBRL_tree; FBRL; XML/DTD; DAML+OIL, LISP; Text Imports language: ? Collab. construction: A/S GUI Ontology Editing: Yes Knowledge Representation System: Ontology-oriented 17 septembre 2018 Valéry Psyché

HOZO Osaka University Valéry Psyché 17 septembre 2018 Following the conceptualization, a formalization was implemented in OWL (Web Ontology Language) using the HOZO ontology editor. OWL is designed for use by applications that need to process the content of information in addition to displaying information to humans. It facilitates better machine interpretability of Web content than XML, RDF, and RDF Schema (RDF-S) since it provides additional vocabulary along with a formal semantics. OWL has three increasingly-expressive sublanguages: OWL Lite, OWL DL, and OWL Full [26]. Our formalization was conducted using OWL DL. The HOZO ontology editor allows to create classes and properties, to visualize the graphical view of the ontology, as well as the hierarchy of classes and properties. It also generates the OWL code as shown in the right window of Fig. 6. 17 septembre 2018 Valéry Psyché

Démonstrations de 2 ou 3 des éditeurs ontologique vus précédemment Partie II Démonstrations de 2 ou 3 des éditeurs ontologique vus précédemment

Partie III Apport de l’ontologie et l’IO dans la conception de systèmes de Télé Apprentissage (TA)

Définition du Télé Apprentissage (www.cirta.org) Met en jeu Un processus d'acquisition d'informations, de construction des connaissances et des savoir-faire Se réalise Dans un environnement informatisé supporté par des réseaux Par l'intermédiaire D'interactions avec les ressources pédagogiques ou d'échanges interpersonnels répartis dans le temps et l'espace Mais qu’est que le téléapprentissage? Le CIRTA –Centre Interuniversitaire de Recherche sur le Teleapprentissage en Québec, considère le Téléapprentissage comme un processus d’acquisition des informations et de construction des connaissances et savoirs-faire qui se réalise dans un environnement informatisé ….. Par rapport à ces moyens de réalisation du TA, les ontologies représentent une solution possible. 17 septembre 2018 Valéry Psyché

Évolution du TA De l’enseignement programmé des années 60-70 Ex. PLATO en 1959; 1re activité pédagogique avec ordinateur en 1968 (Kemeny J. C. & Kurtz T.) ; Et de l’Enseignement Assisté par Ordinateur (EAO) ou Computer Assisted Instruction (CAI) des années 1970-80 Ex. Self-paced (Suppes P., 1980), Micromondes (Papert S., 1980)) ; On passe à l’Enseignement Intelligemment Assisté par Ordinateur (EIAO) avec les 1ers Systèmes Tutoriels Intelligents (STI) dans les années 80-90 Ex. SOPHIE (Brown J. Seely, 1977), ACT (Anderson J. R., 1993)) De l’enseignement programmé des années 1960-70 Ex. PLATO en 1959; 1re activité pédagogique avec ordinateur en 1968 (Kemeny J. C. & Kurtz T.) ; Et de l’Enseignement Assisté par Ordinateur (EAO) ou Computer Assisted Instruction (CAI) des années 1970-80 Ex. Self-paced (Suppes P., 1980), Micromondes (Papert S., 1980)) ; On passe à l’Enseignement Intelligemment Assisté par Ordinateur (EIAO) avec les 1ers Systèmes Tutoriels Intelligents (STI) dans les années 1980-90 Ex. SOPHIE (Brown J. Seely, 1977), ACT (Anderson J. R., 1993)) Accent mis sur l’introduction de techniques d’Intelligence Artificielle (IA) ; Puis, aux Environnements Interactifs d’Apprentissage avec Ordinateur Accent mis sur l’importance fondamentale de l’interactivité des systèmes Aujourd’hui, dans les milieux francophone on s’intéresse aux Environnement Informatique pour l’Apprentissage Humain (EIAH) Tandis que dans les milieux nord-américains ou anglophones, on s’intéresse toujours aux Systèmes Tutoriels Intelligents  Accent mis sur l’importance des systèmes intelligents, les modèles et les architectures à des fins d’applications éducatives [1]CAI ou « Computer Aided Instruction », puis « Computer Assisted Instruction » [2] Première acceptation du terme [3] SOPHisticated Instructional Environment [4] Deuxième acceptation du terme 17 septembre 2018 Valéry Psyché

Évolution du TA Puis, aux Environnements Interactifs d’Apprentissage avec Ordinateur (EIAO2) Aujourd’hui, dans les milieux francophone on s’intéresse aux Environnement Informatique pour l’Apprentissage Humain (EIAH) Tandis que dans les milieux nord-américains ou anglophones, on s’intéresse toujours aux Systèmes Tutoriels Intelligents De l’enseignement programmé des années 1960-70 Ex. PLATO en 1959; 1re activité pédagogique avec ordinateur en 1968 (Kemeny J. C. & Kurtz T.) ; Et de l’Enseignement Assisté par Ordinateur (EAO) ou Computer Assisted Instruction (CAI) des années 1970-80 Ex. Self-paced (Suppes P., 1980), Micromondes (Papert S., 1980)) ; On passe à l’Enseignement Intelligemment Assisté par Ordinateur (EIAO) avec les 1ers Systèmes Tutoriels Intelligents (STI) dans les années 1980-90 Ex. SOPHIE (Brown J. Seely, 1977), ACT (Anderson J. R., 1993)) Accent mis sur l’introduction de techniques d’Intelligence Artificielle (IA) ; Puis, aux Environnements Interactifs d’Apprentissage avec Ordinateur Accent mis sur l’importance fondamentale de l’interactivité des systèmes Aujourd’hui, dans les milieux francophone on s’intéresse aux Environnement Informatique pour l’Apprentissage Humain (EIAH) Tandis que dans les milieux nord-américains ou anglophones, on s’intéresse toujours aux Systèmes Tutoriels Intelligents  Accent mis sur l’importance des systèmes intelligents, les modèles et les architectures à des fins d’applications éducatives [1]CAI ou « Computer Aided Instruction », puis « Computer Assisted Instruction » [2] Première acceptation du terme [3] SOPHisticated Instructional Environment [4] Deuxième acceptation du terme 17 septembre 2018 Valéry Psyché

La recherche en AIED L’idée centrale en AIED : Développer des modèles computationnels appropriés du processus d’apprentiss. ayant une relation étroite avec le dév. de modèles cognitifs. (Hoppe H., et al., 2003) Techniques de rep. adaptées Rigueur méthodologique Dans la conception des EIAH / STI supportés par des modèles cognitifs Artificial intelligence & Education (AIED) : Société / domaine interdisciplinaire regroupant toutes les tendances d’EIAH et de STI Le domaine de recherche internationale de l’AIED englobe la communauté française de l’EIAH et la communauté internationale principalement nord-américaine des STI. Comme le montre la figure, ces domaines font appel à des connaissances interdisciplinaire appartenant aux sciences humaines, aux sciences cognitives et à l’informatique pour n’en citer que quelques-uns. L’idée centrale en l’« Artificial intelligence and Education » ou AIED (société regroupant toutes les tendances d’EIAH et de STI) est de développer des modèles computationnels appropriés du processus d’enseignement et d’apprentissage. En ce sens, une partie importante du domaine de l’AIED est « la science cognitive appliquée » (Hoppe H., Verdejo F., Kay J., 2003). 17 septembre 2018 Valéry Psyché

Apport de l’ontologie Des chercheurs se sont intéressés à la notion d’ontologie (Mizoguchi R. & Murray T., 1999) afin de résoudre certains problèmes de représentation / modélisation en l’AIED. “Les concepteurs doivent représenter leurs connaissances pédagogiques de façon explicite et modulaire, c’est une situation difficile” (Murray T., 1999). Ces chercheurs préconisent que l’IO devrait offrir la rigueur méthodologique nécessaire à la conception de systèmes d’AIED (EIAH / STI). Des chercheurs se sont intéressées à la notion d’ontologie (Mizoguchi R. & Murray T., 1999) afin de résoudre certains problèmes de l’AIED. Deux exemples : “Les concepteurs doivent représenter leurs connaissances pédagogiques de façon explicite et modulaire, c’est une situation difficile” (Murray T., 1999). Expliquer difficile : M “Authoring tools are neither intelligent nor particularly user-friendly” (Mizoguchi R. & Bourdeau J., 2000) Ces chercheurs préconisent que l’IO devrait offrir la rigueur méthodologique voulue par l’AIED, mais que son potentiel reste à être démontré. Notre recherche consiste à apporter la preuve d’un aspect de cette démonstration 17 septembre 2018 Valéry Psyché

But de l’IO L’ontologie est toujours construite en fonction de son usage anticipé sous forme de but, le contexte d’exploitation étant dans ce cas, le TA et FAD Il faut donc spécifier son usage avant d’entamer tout processus d’ingénierie ontologie L’ontologie est toujours construite en fonction de son usage anticipé sous forme de but, le contexte d’exploitation étant dans ce cas, le TA et FAD Il faut donc spécifier son usage anticipé avant d’entamer tout processus d’ingénierie. Plusieurs chercheurs tels que (Gruninger M. & Lee J. , 2002), (Russ T., Valente A., MacGregor R. et Swartout W., 1999), (Uschold M. & Gruninger M., 1996a) et (Bourdeau J. & Mizoguchi R., 2002; Mizoguchi R. & Bourdeau J., 2000; Psyché V. et al., 2003), se sont intéressés aux buts d’exploitation de l’ontologie. Nous les avons répertoriés[6] de façon non exhaustive et regroupés sous trois pôles d’usage : 1) Communication et interopérabilité ; 2) Inférence computationnelle et 3) Systèmes d’information [6] Dans la recension des usages du pôle « système d’information » nous avons sélectionné ceux qui nous semblaient pertinents au système de formation à distance. 17 septembre 2018 Valéry Psyché

But de l’IO Plusieurs chercheurs tels que (Gruninger M. & Lee J. , 2002), (Russ T., Valente A., MacGregor R. et Swartout W., 1999), (Uschold M. & Gruninger M., 1996a) et (Bourdeau J. & Mizoguchi R., 2002; Mizoguchi R. & Bourdeau J., 2000; Psyché V. et al., 2003), se sont intéressés aux buts d’exploitation de l’ontologie. On peut les regroupés sous trois pôles d’usage : Communication et interopérabilité ; Inférence computationnelle et Systèmes d’information 17 septembre 2018 Valéry Psyché

Les 1er pôles d’utilisation de l’ontologie 1er pôle : Communication & interopérabilité (Uschold et Grüninger, 1996; Uschold et Jasper, 1999; Gómez-Pérez, 2002; Grüninger et Lee, 2002 ; Bourdeau et Mizoguchi, 2002 ; Mizoguchi et Bourdeau, 2000) Entre les personnes Entre les personnes et les systèmes Entre les systèmes (interopérabilité) 2ème pôle : Inférence computationnelle (Grüninger et Lee, 2002) 17 septembre 2018 Valéry Psyché

Les 1er pôles d’utilisation de l’ontologie 3ème pôle : Sys. d’information cas de la FAD (Uschold et Grüninger, 1996; Uschold et Jasper, 1999; Gómez-Pérez, 2002; Grüninger et Lee, 2002) Réutilisation et partage d’objets pédagogiques Repérage d’objets pédagogiques Acquisition de connaissances Fiabilité Spécification d’une conceptualisation Maintenance d’objets pédagogiques 17 septembre 2018 Valéry Psyché

Le 1er pôle Communication et interopérabilité Entre les personnes : une ontologie informelle mais cohérente serait suffisante. La communication se fait en partageant entre les humains la connaissance qui a été accumulée dans les réseaux de formation à distance Entre les personnes et les systèmes : une ontologie cohérente dotée d’un degré de formalité semi-formel ou rigoureusement formel. La communication se fait en partageant cette connaissance avec les systèmes Entre les personnes : une ontologie informelle mais cohérente (définie sans ambiguïté) serait suffisante. La communication se fait en partageant entre les humains la connaissance qui a été accumulée dans les réseaux de formation à distance Entre les personnes et les systèmes : une ontologie cohérente (définie sans ambiguïté) dotée d’un degré de formalité semi-formel ou rigoureusement formel. La communication se fait en partageant cette connaissance avec les systèmes Entre les systèmes (interopérabilité) : l’ontologie, assurerait la traduction entre les différentes méthodes de modélisation, paradigmes, langages et systèmes. Le degré de formalité requis serait rigoureusement formel. La communication se fait en mettant en oeuvre cette connaissance pour soutenir la conception des systèmes de conception de formation 17 septembre 2018 Valéry Psyché

Le 1er pôle Communication et interopérabilité Entre les systèmes (interopérabilité) : l’ontologie, assurerait la traduction entre les différentes méthodes de modélisation, paradigmes, langages et systèmes. Le degré de formalisme requis serait rigoureusement formel. La communication se fait en mettant en oeuvre cette connaissance pour soutenir la conception des systèmes de conception de formation Entre les personnes : une ontologie informelle mais cohérente (définie sans ambiguïté) serait suffisante. La communication se fait en partageant entre les humains la connaissance qui a été accumulée dans les réseaux de formation à distance Entre les personnes et les systèmes : une ontologie cohérente (définie sans ambiguïté) dotée d’un degré de formalité semi-formel ou rigoureusement formel. La communication se fait en partageant cette connaissance avec les systèmes Entre les systèmes (interopérabilité) : l’ontologie, assurerait la traduction entre les différentes méthodes de modélisation, paradigmes, langages et systèmes. Le degré de formalité requis serait rigoureusement formel. La communication se fait en mettant en oeuvre cette connaissance pour soutenir la conception des systèmes de conception de formation 17 septembre 2018 Valéry Psyché

Le 2ème pôle Inférence computationnelle il s’agit de la représentation et de la manipulation interne de plans et d’information pour la planification, pour l’analyse de structures internes, algorithmes, intrants et extrants des systèmes informatiques de façon théorique et conceptuelle. 17 septembre 2018 Valéry Psyché

3ème pôle Sys. d’information cas de la FAD Réutilisation, partage d’objets pédagogiques (OP) Dans la construction de nouveaux systèmes de conception en assemblant des OP déjà construits et disponibles, l’ontologie assurerait la base pour un encodage formel des entités, attributs, leurs interrelations dans le domaine d’intérêt; Cette représentation formelle serait réutilisable par d’autres systèmes, au moyen d’une traduction automatique (ou partageable). Dans le cas du partage d’objets pédagogiques : lorsque le but est l’utilisation d’objets par plusieurs systèmes différents l’ontologie permet la mise en correspondance des contenus sémantiques des objets; 17 septembre 2018 Valéry Psyché

3ème pôle Sys. d’information cas de la FAD Repérage d’objets pédagogiques : l’ontologie est utilisée comme méta descripteur afin de décrire le contenu sémantique associé aux objets; Acquisition de connaissances : l’utilisation d’ontologies contribue à augmenter la vitesse et la fiabilité du processus d’acquisition de connaissances lors de la construction d’un système de conception de cours. Organisation d’objets pédagogiques : structuration ou gestion de banque d’objets (ressources) sur un domaine; 17 septembre 2018 Valéry Psyché

3ème pôle Sys. d’information cas de la FAD Fiabilité : l’ontologie permet la réalisation de tests de consistance automatiques ou semi-automatiques sur les objets qu’elle décrit; Spécification d’une conceptualisation : l’ontologie peut être utilisée pour définir les spécifications (domaine, tâche, application) pour un système de formation; Maintenance d’objets pédagogiques : l’ontologie peut contribuer à rendre le processus de maintenance des objets qu’elle décrit, plus efficace. 17 septembre 2018 Valéry Psyché

Exemples de positionnement de l’ontologie Nous proposons quelques exemples tirés de la littérature, où l’exploitation d’ontologies a permis d’obtenir de l’intelligence dans des syst. de FAD Attention particulière aux : Ontologie pour l’exploitation de syst. de production de l’enseignement Ontologie pour l’exploitation de syst. la diffusion de l’enseignement Ontologie pour la gestion des OP 17 septembre 2018 Valéry Psyché

Syst. de production SmartTrainer (Hayashi Y. et al., 1999) Le rôle de l’ontologie est de gérer la communication entre les agents à l’intérieur de l’environnement. SmartTrainer possède une architecture multiagents. L’ontologie, fournie le vocabulaire nécessaire à la formulation des messages et requêtes entre agents Ex. des messages appropriés sont produits si des contraintes d’ordre sémantiques ne sont pas respectées Le rôle de l’ontologie est de gérer la communication entre les agents à l’intérieur de l’environnement. SmartTrainer possède une architecture multiagents. L’ontologie, fournie le vocabulaire nécessaire à la formulation des messages et requêtes entre agents Ex. des messages appropriés sont produits si des contraintes d’ordre sémantiques ne sont pas respectées Le syst. a aussi des fonctionnalités de contrôle et de maintenance des changements des instances de l’ontologie Cette gestion est rendue possible grâce aux axiomes de l’ontologie 17 septembre 2018 Valéry Psyché

CREAM et CREAM-Tool (Nkambou R., 1996; et al., 1998, 2002, 2003) Dans le syst. de production de curriculum CREAM et de tutorat CREAM-Tool, 4 ontologies constituent la base du curriculum; Construites à partir d’alphabets (Klausmeier, ...), de vocabulaires d’évaluation (Merrill, ...), de taxonomies (Gagné, Bloom, …) et De concepts: capacités, objectifs, ressources, liens) De relations :relation d’analogie, de généralisation, …; Les ontologies de CREAM-Tool (une ontologie de capacités, une ontologie d’objectifs, une ontologie de ressources et une ontologie de liens) servent à décrire un module de capacités d’apprentissage, un module d’objectifs d’apprentissage, un module de ressources didactiques et des liens de couplage entre les trois modules précédents. Dans le syst. de production de curriculum CREAM et de tutorat CREAM-Tool, 4 ontologies constituent la base du curriculum. Elles sont construites à partir d’alphabets (Klausmeier, etc.), de vocabulaires d’évaluation (Merrill, Winograd, etc.), de taxonomies (Gagné, Bloom, etc.) et d’un ensemble de concepts (capacités, objectifs, ressources, liens) reliés entre eux (relation d’analogie, de généralisation, d’agrégation, de déviation, de pré-requis, de prétexte, de constitution, de similarité, d’abstraction, de cas particulier, d’utilisation et d’auxiliariat). Les ontologies de CREAM-Tool (une ontologie de capacités, une ontologie d’objectifs, une ontologie de ressources et une ontologie de liens) servent à décrire un module de capacités d’apprentissage, un module d’objectifs d’apprentissage, un module de ressources didactiques et des liens de couplage entre les trois modules précédents. 17 septembre 2018 Valéry Psyché

Repérage du model de l’apprenant (Apted T., Kay J., Lum A. et Uther J., 2003) un outil de repérage et de visualisation, VIUM, a été conçu pour permet à l’usager de sélectionner un concept central sur l’écran. Une ontologie est utilisée pour s’assurer que les concepts les plus proches sémantiquement sont visibles. Cette sélection de concepts rendus visibles est une partie essentielle de la visualisation qui assiste les apprenants dans l’exploration de domaines comprenant des centaines de concepts. La tâche particulière ici, est de montrer à un usager ce qu’une ontologie computationnelle nous permet d’inférer à partir d’informations comme l’évaluation de l’apprenant sur sa propre connaissance. 17 septembre 2018 Valéry Psyché

Projet IMAT (Desmoulins C. & Grandbastien M., 2002) Dans IMAT une ontologie est utilisée pour l’indexation des briques de documents à des fins de composition dynamique de documents dépendamment des contextes d’utilisation : 1) technique, 2) médiatique, 3) domaine, 4) ou pédagogique. L’ontologie pédagogique qu’ils utilisent permet d’attribuer des rôles aux briques ainsi que des attributs qualitatifs et des contraintes d’organisation des briques dans le document final. 17 septembre 2018 Valéry Psyché

Évolution des systèmes d’AIED Systèmes d’AIED sans techniques d’IA 1ère génération : Faibles techniques d’acquisition et de représentation de connaissances Systèmes d’AIED à base de règles 2ème génération : Déclenchement de règles, pas de contrôle, meilleures techniques d’IA Systèmes d’AIED à production de règles 3ème génération : Production de règles par contrôle, interface adaptative simple, bonnes techniques d’IA Selon (Nkambou R., 1996), on peut classer les systèmes auteurs par génération (de la 1ère à 4ème) suivant leur degré de prise en compte des techniques de représentation des connaissances  : 17 septembre 2018 Valéry Psyché

Évolution des systèmes d’AIED Systèmes d’AIED de type système expert 4ème génération : Génération automatique de cours, interface adaptative, édition de connaissances Systèmes d’AIED à base ontologique (avancée) 5ème génération : Connaissances à l’extérieur du système, consignées dans un base ontologique Selon (Nkambou R., 1996), on peut classer les systèmes auteurs par génération (de la 1ère à 4ème) suivant leur degré de prise en compte des techniques de représentation des connaissances  : 17 septembre 2018 Valéry Psyché

Partie IV: Application Cas d’une ontologie de l’éducation pour supporter le designer pédagogique lors de la production de l’enseignement

Mise en contexte : Rappel des travaux précédents La recherche actuelle suit l’idée developpée dans [1, 2, 3] quant à la représentation ontologique dans un système auteur / LKMS, des théories du learning design, de l’instruction, de l’apprentissage et de l’épistémologie. Les bases de l’IO pour un système auteur ont été établies dans [4, 5]. The research presented in this paper follows the initial idea developed in [1, 2] [3], regarding the elicitation of instructional design, instruction, learning and knowledge in an authoring system through ontology engineering. The foundations of ontology engineering issue in authoring systems were established in [4, 5], in which we presented (a) a case analysis and (b) the rationale behind it. 17 septembre 2018 Valéry Psyché

Mise en contexte : Rappel des travaux précédents Nos références pour la représentation des différents domaines: Reigeluth C. [6] pour la représentation des théories du LD, de l’instruction et de l’apprentissage MISA [8] pour la représentation du processus de learning design Récemment, afin d’améliorer et de compléter ces représentations nous nous sommes inspirés des travaux de la Open University of the Nertherlands sur les Educational Modeling Language (OUNL-EML) [9] [10] sur le standard en devenir de IMS, le IMS-Learning Design [11] . Our former research was based on Reigeluth C. [6] ("Instructional theories in action: lessons illustrating, selected theories & models", 1993) for the representation of the educational theories, and on MISA for the representation of learning design process. Recently, in order to enhance and complete these representations, our work has further been inspired by the following: the Open University of the Nertherlands Educational Modeling Language (OUNL-EML) [9] [10] and the IMS Learning Design (IMS-LD) specifications [11] . 17 septembre 2018 Valéry Psyché

Mise en contexte : Ce que nous proposons Nous proposons une ontologie décrivant les théories de l’éducation et leur relations avec les scénarios de LD, afin de rendre les systèmes auteurs / LKMS conscients des « theory-aware ». Nous discutons aussi la question d’avoir une ontologie conforme aux standards du e-learning afin de fournir des services partageables et réutilisables EML&IMS-LD (specifications) au niveau conceptuel OWL (standard du web sémantique) au niveau formel In this paper, we present an ontology of educational theories describing these theories and their relation to learning design scenarios. This ontology takes into account learning design (LD) specifications such as OUNL-EML and IMS-LD at the conceptual level (1), semantic web standard such as OWL at the formal level (2), as well as the FIPA standard at the implementation level (3). This ontology is intended to provide a knowledge base for any IMS-LD compliant authoring systems/LKMS, in order to provide services to authors of LD scenarios. The ontological engineering has been done using ontology editor HOZO at levels 1 and 2 respectively. 17 septembre 2018 Valéry Psyché

Définitions : Qu’est ce que EML / IMS-LD “An EML is a semantic rich information model and binding, describing the content and process within “units of learning” from a pedagogical perspective” [18] . “EML is a semantic notation for units of learning to be used in e-learning“. IMS-LD : “A Learning Design is a description of a method enabling learners to attain certain learning objectives by performing certain learning activities in a certain order in the context of a certain learning environment. A learning design is based on the pedagogical principles of the designer and on specific domain and context variables” [11] . EML : “An EML is a semantic rich information model and binding, describing the content and process within “units of learning” from a pedagogical perspective” [18] . To state it differently : “ EML is a semantic notation for units of learning to be used in e-learning “. IMS-LD takes the EML information model as its base. According to “A Learning Design is a description of a method enabling learners to attain certain learning objectives by performing certain learning activities in a certain order in the context of a certain learning environment. A learning design is based on the pedagogical principles of the designer and on specific domain and context variables” [11] . 17 septembre 2018 Valéry Psyché

Le hic On ne peut pas ne pas tenir compte des efforts de standardisation des technologies du e-Learning Cependant, ces efforts souffrent de lacunes : Se concentrent sur la représentation du LD et des learning objects Faible prise en compte de la connaissance théorique au profit de la connaissance empirique Conséquence : Les LKMS n’intègrent pas les théories de l’éducation Manque d’assistance à l’usager pour la conception pédagogique 17 septembre 2018 Valéry Psyché

Pourquoi représenter les théories ? Les besoin du designer pédagogique Demander : Quelles théories sont le plus appropriées pour un LD spécifique, ou Quels principes de design sont reliés aux theories; Extraire, réviser et explorer parmi : Les théories afin de choisir des stratégies de LD, ou Les templates scénarios de LD; Réviser des exemples de scénarios ou de principes afin de concevoir scénario de LD; Réutiliser ou modifier un template scénario de LD; Vérifier la consistance théorique du LD Query about which theories apply best to a specific LD, or about design principles related to theories; Extract, (re)view and browse among theories in order to select LD strategies, or among templates of LD scenarios; Review examples of good LD scenarios or principles in order to design a LD scenario; Reuse or modify a template of LD scenario; Validate (check consistency) among design principles. 17 septembre 2018 Valéry Psyché

Pourquoi représenter les théories Pourquoi représenter les théories ? Les services offerts au designer pédagogique Assister l’usager dans la sélection de la stratégie de LD appropriée pour un scénario pédagogique ; Informer l’usager à propos d’une stratégie particulière de LD quand l’usager le demande ; Vérifier / mettre en évidence les erreurs de design pédagogique d’un scénario quand une validation est nécessaire ; Fournir des exemples appropriés. Assist the author in the selection of appropriate LD strategy for a scenario and encourage the application of a wide range of available LD strategies when requested; Inform this author about a particular LD strategy when queried; Check and highlight errors in the authoring/design of a scenario when validation is needed/required. Provide relevant examples 17 septembre 2018 Valéry Psyché

L’intelligence dans les syst. d’AIED Indicateurs d’intelligence que nous considérons: La flexibilité : Capacité du système à évoluer en intégrant une nouvelle théorie pédagogique. L’adaptabilité : Capacité du système à fournir aux usagers un service de manière différente en supportant plusieurs théories. L’utilisabilité : Capacité du système à permettre aux usagers de faire de facile et fiable ce pourquoi ils l'utilisent, c’est-à-dire, concevoir un enseignement ou réaliser un apprentissage. La flexibilité, l’adaptabilité et l’utilisabilité sont les indicateurs d’intelligence que nous nous proposons de considérer. Par flexibilité, nous entendons la capacité du système à évoluer en intégrant une nouvelle théorie pédagogique. Un système doit pouvoir s'adapter à l'évolution des services en fonction de l'évolution des besoins des utilisateurs. Par adaptabilité, nous entendons la capacité de fournir à des concepteurs un service de manière différente en supportant plusieurs théories. Par utilisabilité, nous entendons la capacité du système à permettre à ses utilisateurs de faire facilement et de façon fiable ce pourquoi ils l'utilisent c’est-à-dire, concevoir un enseignement ou réaliser un apprentissage. 17 septembre 2018 Valéry Psyché

Bénéfices pour le concepteur L’accès direct du concepteur – concepteur : À des réponses concrètes : À propos de plusieurs stratégies pédagogiques et des théories qui les soutiennent Viendrait : Soutenir son processus décisionnel et Enrichir, améliorer les choix qu’il fait dans son design pédagogique L’accès direct du concepteur - concepteur À des réponses concrètes à propos d’une ou plusieurs stratégies globales d’enseignement et aux théories respectives qui les soutiennent viendrait soutenir son processus décisionnel, et potentiellement enrichir ou améliorer les choix qu’il fait dans son design pédagogique. L’accès du concepteur – apprenant par l’usage à ces mêmes stratégies viendrait raffiner, consolider, enrichir sa compréhension et sa connaissance des théories inhérentes au design pédagogique de plusieurs façons Ex. par visualisation ou par navigation dans l’ontologie 17 septembre 2018 Valéry Psyché

Bénéfices pour le concepteur L’accès du concepteur – apprenant par l’usage : À ces mêmes stratégies et théories pédagogiques Viendrait : Raffiner, consolider, enrichir sa compréhens. et sa connaissance des théories inhérentes au design pédagogique de plusieurs façons Renforcer la qualité des ressources produites L’accès direct du concepteur - concepteur À des réponses concrètes à propos d’une ou plusieurs stratégies globales d’enseignement et aux théories respectives qui les soutiennent viendrait soutenir son processus décisionnel, et potentiellement enrichir ou améliorer les choix qu’il fait dans son design pédagogique. L’accès du concepteur – apprenant par l’usage à ces mêmes stratégies viendrait raffiner, consolider, enrichir sa compréhension et sa connaissance des théories inhérentes au design pédagogique de plusieurs façons Ex. par visualisation ou par navigation dans l’ontologie 17 septembre 2018 Valéry Psyché

Résultats attendus Une méthodologie d’IO Une ontologie pour soutenir le processus du design pédagogique dans les systèmes auteurs Un agent d’interface entre l’ontologie et le système auteur Des services ajoutées à un système auteur exploitant l’ontologie Une méthodologie d’ingénierie ontologique pour soutenir la conceptualisation / re-conceptualisation des systèmes auteurs. Une ontologie pour soutenir le processus de design pédagogique dans les systèmes auteurs. Comme preuve de concept, nous proposons de développer un prototype de système auteur offrant des fonctionnalités pour construire une ontologie d’une tâche de conception pédagogique et pour construire la tâche en question en fonction de cette ontologie. La tâche visée par notre système est celle de conception d’un scénario pédagogique. 17 septembre 2018 Valéry Psyché

Représentation en UML Ontologie des théories de l’éducation 17 septembre 2018 Valéry Psyché

L’agent CIAO : Qu’est-ce qu’un agent du Web Sémantique ? C’est un bout de logiciel autonome et proactif Reçoit des tâches et préférences d’un usager Cherche de l’information à partir de ressources Web Communique avec d’autres agents Compare des informations à propos des préférences et requêtes de l’usager Sélectionne certain choix Donne des réponses à l’usager 17 septembre 2018 Valéry Psyché

L’agent CIAO : Qu’est-ce qu’un agent du Web Sémantique ? L’agent ne remplace pas l’usager Ne prend pas nécessairement de décisions Son rôle (en général) est de Collecter et d’organiser l’information Présenter des choix à l’usager Utilise les technologies du web sémantique : Méta données : pour identifier et extraire l’information des sources Web Ontologies : pour assister lors d’une recherche, pour interpréter l’information extraite et communiquer avec d’autres agents Logique : pour traiter l’information et donner des conclusions Langages de communication entre agents 17 septembre 2018 Valéry Psyché

L’agent CIAO : Les services offert par l’agent Les requêtes de services les plus communes sont: la recherche, la navigation et la validation Certains services sont directement fournis à l’usager par l’agent (recherche, navigation ), D’autres (référencement, validation) sont fournis à travers le système auteur / LKMS. 17 septembre 2018 Valéry Psyché

Services : Les cas d’utilisation 17 septembre 2018 Valéry Psyché

L’ontologie Apport en éducation Par Valéry Psyché Vendredi 10 juin 2005 Dans le cadre du cours DIC9340 Systèmes à Base de Connaissances

Références [1] Bourdeau J. and Mizoguchi R., "Collaborative Ontological Engineering of Instructional Design Knowledge for an ITS Authoring Environment," presented at ITS 2002, 2002. [2] Mizoguchi R. and Bourdeau J., "Using Ontological Engineering to Overcome Common AI-ED Problems," Int. Journal of AI in Education, vol. vol.11, pp. 107-121, 2000. [3] Mizoguchi R., Sinitsa K., and Ikeda M., "Knowledge engineering of educational systems for authoring systems design," Euro AI-ED, pp. pp.329-335, 1996. [4] Psyché V., Mizoguchi R., and Bourdeau J., "Ontology Development at the Conceptual Level for Theory-Aware ITS Authoring Systems.," presented at AIED03, Sydney, Australia, 2003. [5] Bourdeau J., Mizoguchi R., Psyché V., and Nkambou R., "Potential of an Ontology-based ITS Authoring Environment: One Example," presented at ITS 2004, Maceió - Alagoas, Brazil, 2004. [6] Reigeluth C., "Instructional theories in action: lessons illustrating, selected theories & models," LEA, 1993. [7] Recker M. M. and Wiley D. A., "A non-authoritative educational metadata ontology for filtering and recommending learning objects," JILE, vol. 9, pp. 255-271, 2001. [8] Paquette G., Instructional Engineering for Network-based Learning: Wiley-Pfeiffer, 2003. 17 septembre 2018 Valéry Psyché

Références [9] Koper R., "Modeling Units of Study from a Pedagogical Perspective: the pedagogical meta-model behind EML," 2001. [10] Koper R. and Van Es R., "Modeling units of learning from a pedagogical perspective," OTEC, pp. 1-12, 2003. [11] IMS Global Learning Consortium, "IMS Learning Design Specifications," http://www.imsglobal.org/specificationdownload.cfm. Last consulted, January 2003, 2002. [12] Psyché V., Mendes O., and Bourdeau J., "Apport de l'ingénierie ontologique aux environnements de formation à distance," in Technologies et Formation à distance, vol. 10, Hotte R. and Leroux P., Eds.: STICEF, 2003, pp. 89-126. [13] Meisel H., Compatangelo E., and Hörfurter A., "An ontology-based approach to intelligent Instructional Design support," KES 2003, 2003. [14] Amorim R., Lama M., Sánchez E., and Vila X. A., "An Educational Ontology based on Metadata Standards," ECEL, 2003. [15] Aroyo L., Inaba A., Soldatova L., and Mizoguchi R., "EASE: Evolutional Authoring Support Environment," ITS 2004, 2004. [16] Allert H., Dhraief H., Kunze T., Nejdl W., and Richter C., "Instructional models and scenarios for an open learning repository - instructional design and metadata," E-Learn, 2002. [17] Leidig T., "L3 - towards an open learning environment," ACM. Journal of Educational Resources in Computing, vol. 1, 2001. 17 septembre 2018 Valéry Psyché

Références [18] Rawlings A., Rosmalen van P., Koper R., Artacho M.R., and Lefrere P., "Survey of Educational Modelling Languages (EMLs)," CEN/ISSS WS/LT. 2002. [19] Koper R. and Olivier B., "Representing the Learning Design of Units of Learning," Educational Technology & Society, vol. 7, pp. 97-111, 2004. [20] Nkambou R., Frasson C., and Gauthier G., "An Authoring Tool for Knowledge Engineering in ITS," in Authoring Tools for Advanced Technology Learning Environments, Murray T., Blessing S., and Ainsworth S., Eds.: Kluwer Academic Publishers, 2003, pp. 93-138. [21] Mizoguchi R., "A Step Towards Ontological Engineering," 12th Conf. on AI of JSAI, pp. 24-31, 1998. [22] Greeno J. G., Collins A. M., and Resnick L. B., "Cognition and Learning," in Handbook of Educational Psychology, Berliner D. C. and Calfee R. C., Eds. New York: Macmillan, 1996, pp. 15-46. [23] Ertmer P. and Newby T., "Behaviorism, cognitivism, constructivism: Comparing critical features from an instructional design perspective. Performance Improvement Quarterly," vol. 6, pp. 50-70., 1993. [24] Mayer R. E., "Learners as information processors: Legacies and Limitations of Educational Psychology's Second Metaphor," Educational Psychologist, vol. 31, pp. 151-161, 1996. [25] Kearsley G., "Explorations in Learning & Instruction: The Theory Into Practice Database," 1994-2004. [26] W3C Consortium, "OWL Specification Development," http://www.w3.org/2004/OWL/#specs W3C Recommendation 10 February 2004. 17 septembre 2018 Valéry Psyché

Annexe 1 Définition des EIAH

EIAH (système) Définition L’EIAH englobe les systèmes auteurs, mais aussi les STI et bien d’autres types Environnements Informatiques pour l’Apprentissage Humain. L’EIAH est aussi un environnement qui intègre des agents humains (ex. élève ou enseignant) et artificiels et leur offre des conditions d’interactions et d’accès à des ressources formatives (humaines ou médiatisées) locales ou distribuées (Balacheff N., Baron M., Desmoulins C., Grandbastien M., & Vivet M., 1997). L’EIAH est aussi un système informatique. Il englobe les systèmes auteurs, mais aussi les STI et bien d’autres types environnements informatiques pour l’apprentissage humain. En effet, au sens plus large, l’EIAH est aussi un environnement qui intègre des agents humains (p. ex. élève ou enseignant) et artificiels (c. - à - d. informatiques) et leur offre des conditions d’interactions, localement ou à travers les réseaux informatiques, ainsi que des conditions d’accès à des ressources formatives (humaines ou médiatisées), locales ou distribuées (Balacheff N., Baron M., Desmoulins C., Grandbastien M., & Vivet M., 1997). Dans un EIAH la machine peut donc avoir différents rôles non mutuellement exclusifs : environnement de présentation de l’information (p. ex. un hypermédia ou une plateforme Web spécialisée), environnement de traitement de connaissances (p. ex. un système à base de connaissances résolvant les exercices avec l’élève ou un module pilotant l’interaction) ou environnement de communication entre l’homme et la machine ou entre les hommes à travers les machines (Tchounikine P., 2002). D’après la définition précédente de l’EIAH en tant qu’environnement Le système auteur est un type d’EIAH puisqu’il peut : Diffuser de l’information (p. ex. des théories du design pédagogique, des exemples de cours) au concepteur, Produire des ressources numériques (p. ex. des modèles ou des ressources pédagogiques) ou d’autres EIAH (ex. des STI) par le concepteur, ou bien permettre la gestion des droits du concepteur sur la conception d’une ressource. 17 septembre 2018 Valéry Psyché

EIAH (système) Définition Dans un EIAH la machine peut avoir différents rôles (Tchounikine P., 2002) : Environnement de présentation de l’information Ex. un hypermédia ou une plateforme Web spécialisée Environnement de traitement de connaissances Ex. un système à base de connaissances résolvant les exercices avec l’élève ou un module pilotant l’interaction Environnement de communication entre l’homme et la machine ou entre les hommes à travers les machines L’EIAH est aussi un système informatique. Il englobe les systèmes auteurs, mais aussi les STI et bien d’autres types environnements informatiques pour l’apprentissage humain. En effet, au sens plus large, l’EIAH est aussi un environnement qui intègre des agents humains (p. ex. élève ou enseignant) et artificiels (c. - à - d. informatiques) et leur offre des conditions d’interactions, localement ou à travers les réseaux informatiques, ainsi que des conditions d’accès à des ressources formatives (humaines ou médiatisées), locales ou distribuées (Balacheff N., Baron M., Desmoulins C., Grandbastien M., & Vivet M., 1997). Dans un EIAH la machine peut donc avoir différents rôles non mutuellement exclusifs : environnement de présentation de l’information (p. ex. un hypermédia ou une plateforme Web spécialisée), environnement de traitement de connaissances (p. ex. un système à base de connaissances résolvant les exercices avec l’élève ou un module pilotant l’interaction) ou environnement de communication entre l’homme et la machine ou entre les hommes à travers les machines (Tchounikine P., 2002). D’après la définition précédente de l’EIAH en tant qu’environnement Le système auteur est un type d’EIAH puisqu’il peut : Diffuser de l’information (p. ex. des théories du design pédagogique, des exemples de cours) au concepteur, Produire des ressources numériques (p. ex. des modèles ou des ressources pédagogiques) ou d’autres EIAH (ex. des STI) par le concepteur, ou bien permettre la gestion des droits du concepteur sur la conception d’une ressource. 17 septembre 2018 Valéry Psyché

Système auteur d’EIAHs Définition Un système auteur est un système d'aide à la production Dans le domaine des EIAHs, il s'agit des : Système d'aide à la production de tout artefact utile dans le processus d'apprentissage : Ex. Système de formation, Ressources pédagogiques, Stratégies pédagogiques, … Le processus de production peut être : Orienté performance Orienté pédagogie 17 septembre 2018 Valéry Psyché

Le modèle pédagogique de EML Annexe 2 Le modèle pédagogique de EML

Le méta modèle de EML : Les 4 principaux packages 17 septembre 2018 Valéry Psyché

Le méta modèle de EML : « Learning Model » (partie 1) 17 septembre 2018 Valéry Psyché

Le méta modèle de EML : « Unit of Study Model» (partie 2) 17 septembre 2018 Valéry Psyché

Le méta modèle ped. de EML : ”Theories of learning & instruction” (partie 4) Classes for theories in EML are paradigm-based: It appears that these classes correspond, in our ontology, to the theory of knowledge on which each theory of learning relies, and to the main paradigms identified, sometimes under different names [23] [24] [25]. These classes should allow for classifying all theories of learning, instruction and instructional design. Nevertheless, EML adds another class, called “eclectic”, for learning design models that have emerged from practice instead of being based on theory. This “other” class has been added to our ontology. Les classes pour les théories dans EML basées sur les paradigmes : “behaviourism”, “rationalism”, and “pragmatism-sociohistoricism”. Une autre classe appelée “eclectic”, est discutable 17 septembre 2018 Valéry Psyché

Le méta modèle ped. de EML : Vue d’ensemble 17 septembre 2018 Valéry Psyché

Ontologie des théorie et du LD En MOT+ Annexe 3 Ontologie des théorie et du LD En MOT+

Une ontologie modulaire : Vue des ontologies en MOT+ 17 septembre 2018 Valéry Psyché

Ontologie théories Modèle des propriétés de la classe “Theory” 17 septembre 2018 Valéry Psyché

Ontologie théories Taxonomie de la classe “Theory” 17 septembre 2018 Valéry Psyché

Ontologie théories Taxonomie de la classe “Paradigm” 17 septembre 2018 Valéry Psyché

Ontologie du modèle éducatif Classes et propriétés 17 septembre 2018 Valéry Psyché

17 septembre 2018 Valéry Psyché

Ontologie du LD : Modèle des propriétés de la classe “LD” 17 septembre 2018 Valéry Psyché

Ontologie du LD : 17 septembre 2018 Valéry Psyché

Ontologie du LD : 17 septembre 2018 Valéry Psyché

Ontologie du LD : Taxonomie de la classe “Activity” 17 septembre 2018 Valéry Psyché

Ontologie du LD : Modèle des propriétés de la classe “Method” 17 septembre 2018 Valéry Psyché

Ontologie du LD : Taxonomie de la classe “Learning objective” 17 septembre 2018 Valéry Psyché