Représentation des connaissances du domaine

Présentation au sujet: "Représentation des connaissances du domaine"— Transcription de la présentation:

1 Représentation des connaissances du domaine
Roger Nkambou

2 Ontologie Etude de ce qui est terme emprunté à la philosophie
Pour nous : formalisation d’une conceptualisation

3 Ontologie Se mettre d'accord sur le sens des termes employés dans une organisation, une communauté, un métier Faire en sorte que les personnes et les logiciels se comprennent Utile pour des applications distribuées telles que le Web

4 Ambiguïté ‘chambre’ : Chambre d'hôtel ? Chambre d'écho ?
Chambre des députés ? Chambre d'enregistrement ? Chambre noire ? Chambre funéraire ? ‘Stratégie d’apprentissage’ Stratégie de l'apprenant Stratégie cognitive Stratégie métacognitive Stratégie de communication Lire l’article suivant de Caroline Vergon

5 Ontologie Identifier, modéliser les concepts d'un domaine, pertinents pour une/des applications Se mettre d'accord, au sein d'une communauté, sur les termes employés pour se référer à ces concepts

6 terme Mot de la langue naturelle qui désigne un (des) concept(s) : cat, chat, greffier, matou termes qui désignent le concept de chat synonymie : plusieurs termes dénotent le même concept ambiguïté : plusieurs concepts dénotés par le même terme

7 Ontologie Identifier/modéliser les concepts et les relations conceptuelles formaliser la conceptualisation, et le vocabulaire correspondant Formalisation pour lever toute ambiguïté

8 Pour quoi faire ? un SABC une base de connaissances pour
un système d’annotation un système d’indexation documentaire, de recherche d’information le commerce électronique (communication des agents) un SABC Domaine d’apprentissage Pédagogie Gestion de l’étudiant Design pédagogique

9 Ontologie Différentes acceptations du mot ontologie :
Vocabulaire technique, Référentiel métier, Terminologie/thesaurus, Système de classes d’une représentation par objet : UML ? Base de connaissances terminologique MOT, CREAM…

10 Conception Identifier/modéliser les concepts et les termes pertinents
Identifier les relations pertinentes : subClassOf, isa, partOf, hasPart, closeTo, over, under, contain, connected, etc. Règles pour combiner les concepts et les relations : partOf est transitive

11 Modéliser Une ontologie est une modélisation des connaissances
Au sens où une théorie physique est un modèle de la réalité Il peut y avoir plusieurs modèles d’une même réalité : expérience de la chute des corps théorie de la gravitation de Newton relativité générale d’Enstein

12 Connaissance Continuum : donnée, information, connaissance
information : SOS connaissance : en cas d’alerte, déclencher les secours La connaissance permet de produire de nouvelles données, informations, connaissances : inférence

13 Types de connaissances
Connaissances de résolution de problème : conception, diagnostic, évaluation, planification tâches, inférences Connaissances du domaine e.g. électronique, mécanique, médecine, etc. ontologie : réutilisable modèles de domaine : fonctionnel, causal, structurel, exprimés dans le vocabulaire de l’ontologie.

14 Ontologie concept Object concept Engine < Object
concept Vehicle < Object relation partOf : Object -> Object

15 Modèles de domaine Structurel : Engine e1 partOf Vehicle v2 causal :
Engine breakdown => Vehicle stop

16 Ontologie L’accent est mis sur les concepts et les relations du domaine Orienté modélisation, spécification, réutilisation, partage, standardisation. Relations spécifiques du domaine considéré

17 Objets L'accent est mis sur le coté opérationnel.
Opérations rendues possibles par le modèle objet : classification, évolution, simulation, calcul. Orienté résolution de problème

18 Terminologie/Thesaurus
L'accent est mis sur les termes utilisés pour dénoter les concepts du domaine (linguistique, langue naturelle). Les relations entre termes sont linguistiques. Orienté indexation.

19 Thesaurus (2) Recueil documentaire alphabétique de termes servant de descripteur pour : analyser un corpus indexer des documents Relations prédéfinies standardisées pour les thésaurus

20 Relations linguistiques
BT : Broader Term NT : Narrower Term TT : Top Term RT : Related Term (other than BT, NT, TT, etc.)

21 Relations (2) USE : Prefered Term
UF : Use for, non preferred synonym, quasi synonym SN : Scope Note, Une note pour expliquer un terme

22 Propriétés d’une ontologie
Réutilisation (reuse): généralisation, abstraction Partage (sharing) : standardisation Consensus (commitment) : Accord sur la conceptualisation partagée = engagement ontologique

23 Caractéristiques Formalisation : lever les ambiguïtés
Indépendance (relative) par rapport à une tâche, ou un problème précis Supporte l’élaboration de tâches ou de scénarios car cette activité ne relève pas de l’ingénierie ontologique Utilisable pour différentes tâches : conception, diagnostic, maintenance, recherche d'information, ENSEIGNEMENT et APPRENTISSAGE

24 Caractéristiques (2) Indépendante d’une implémentation : limiter le biais dû à un formalisme de représentation : niveau conceptuel Des inférences sont possibles (relations transitives, axiomes, etc.)

25 Types d’Ontologies Ontologies générales, abstraites, de haut niveau :
Ontologie des catégories conceptuelles : objet, événement, état, processus, action, temps, espace Ontologies théoriques : physique, mathématique, cinématique

26 Types (2) Ontologie applicative :
Médecine, automobile, patrimoine culturel, organisation, etc.

27 Principes de conception
Clarté : communiquer le sens des termes définis Cohérence Extensibilité Indépendance vs implémentation Modularité

28 Outils/Langages KIF : Knowledge Interchange Format Ontolingua
Logiques de description (orientée classification) Graphe conceptuel (support) RDF Schema DAML OIL OWL OWL full OWL LD OWL lite

29 Exemples Ontolingua : www-ksl.stanford.edu/sns.html
WordNet : Ontologie de la langue naturelle Enterprise Ontology Kactus : ingénierie UMLS : Unified Medical Language System Cyc EngMath, PhysSys O’Comma

30 Deux études de cas: Modélisation du domaine d’apprentissage
CREAM MOT

31 Le cadre théorique général
Instructional Design Une des mises en pratique importantes des théories de l'apprentissage Constat de base : Les modes d'organisation des activités d'apprentissage (ordre, enchaînement) influent fortement sur la façon dont s'opère l'appropriation de la connaissance Contexte d'élaboration Courant essentiellement nord américain (depuis 1970) Origine : Formation professionnelle – entraînement militaire Industrialisation de la formation

32 La théorie de Gagné : les conditions de l'apprentissage
5 catégories d'apprentissage : Communication verbale Habiletés intellectuelles Stratégies cognitives Habiletés motrices Attitudes Principes : A chaque catégorie doivent correspondre des conditions spécifiques d'apprentissage Ex : Stratégies cognitives <-> résolution de problèmes Ex : Attitudes <-> jeu de rôle

33 Gagné : les 9 types d'événements d'apprentissage
Attirer l'attention Informer les apprenants des objectifs Stimuler le rappel d'apprentissages antérieurs Présenter un stimulus Fournir un guide à l'apprentissage Inciter à la performance Fournir de retours d'information Evaluer les performances Favoriser la rétention et le transfert

34 L'approche de Mager (1975) Modèle : Criterion Referenced Instruction, ensemble de méthodes et modèles pour la conception et la mise en œuvre de programmes de formation (1) identification des besoins d'apprentissage (2) spécification précise des objectifs en termes de performance : quels résultats doivent être produits et comment doivent-ils être évalués (notion de critère) (3) élaboration des méthodes de vérification des critères identifiés (4) développement des modules de formation adaptés aux objectifs

35 L'approche de Merril "Component Display Theory" (CDT)
Deux dimensions à l'apprentissage Les contenus à transmettre (faits, concepts, procédures, principes) Les performances (utiliser, trouver, se remémorer) 4 composants primaires (Règle, Exemple, Rappel, Exercice) et 5 composants secondaires (Prérequis, objectifs, assistances, mnémoniques, feedbacks) Concevoir une formation = sélectionner la bonne combinaison de composants. Pour un objectif et un apprenant donnés, il existe une unique combinaison résultant de la situation d'apprentissage la plus efficace (individualisation)

36 Le courant "andragogique" (Knowles)
Insiste sur l'importance d'adapter la formation à l'expérience ou aux intérêts des apprenants Il n'y aurait pas d'organisation pédagogique optimale ne tenant pas compte de chaque apprenant : Théories sur les différences individuelles et les profils Recherche sur les styles cognitifs

37 Les applications de l'"Instructional Design"
Objectif : industrialisation de la formation Ingénierie des systèmes d'apprentissage (essentiellement à distance) Ex : MISA (basé en partie sur Merrill) Langages de modélisation pédagogique Ex: CREAM (basé sur Gagné) Mais plusieurs autres EML (Open University of Netherlands) CDF (Fondation ARIADNE) LMML (University of Passau) PALO (UNED) Targeteam (Universität der Bundeswehr München) TML/Netquest (University of Bristol) Proposition d'un standard : IMS-Learning Design (Voir plus loin)

38 Système de représentation de connaissances :
Aperçu de CREAM CREAM-Tools Système de représentation de connaissances : CREAM Pédagogie Didactique Domaine

39 CREAM CREAM-Tools = Env. auteur pour CREAM
CREAM = Domaine + Pédagogie + Didactique Domaine = CREAM-C Didactique = CREAM-R Pédagogie = CREAM-O + CKTN CREAM-Tools = Env. auteur pour CREAM

40 Acteurs et interfaces

41 Méthodologie CREAM

42 Méthode (suite)

43 Ontologie des connaissances
<Capability> : := <Notation> <Description> <Attributes> <Notation> : := <DomainElement> ( <Type> ) <Description> : := <Text> <Attributes> : := <VIAttributes> | <DiscriminationAttributes> | <DefinedConceptAttributes> | <ConcreteConceptAttributes> | <ProceduralKnowledgeAttributes> <DomainElement> : := <ID> <Types> : := law | proposition | setOfPrositions | definedConcept | concreteConcept | rule | highOrderRule | problemSolvingStrategy | learningStrategy <ConcreteConceptAttributes> : := <BasicAttributes> [<FunctionalAttributes>] <RecognitionRule> [<Examples>] [<NonExamples>] [<Nearmisses>] <ProceduralKnowledgeAttributes> : := <RuleAttributes> | <HighOrderRuleAttributes> | <CognitiveStrategyAttributes> <DiscriminationAttributes> : := <ListOfDiscriminationFactors> <DefinedConceptAttributes> : := <DefinitionPredicate> [<Examples>] [<NonExamples>] [<Nearmisses>] <RuleAttributes> : := <ListOfProcedures> <RecognitionRules> : := <Condition> <Condition>* <Action> <BasicAttributes> : := <Label> <Label>* <ListOfProcedures> : := <Procedure> <Procedure>*

44 Exemple de connaissances
ConcreteConceptClass Notation: #Button-ON-OFF-CHARGE(Concrete Concept) Description: ``Baxter pump start/stop button`` BasicAttributes: #(color, label) FunctionalAttributes: #(state #(on, off)) RecognitionRule: [(color = #yellow) and: [label = ‘ON-OFF-CHARGE’]. RuleClass Notation: #Perfusion(Rule) Procedures: #((pump isTurnOff) and: [turnOn(pump). TurnOn(Boutton-ON-OFF-CHARGE). programming(infusionRate). programming(volumeToBeInfused). start.])

45 Définition des objectifs
<Objective> ::= <Notation><Description><Level>[<Context>][<AssessmentRule>] <Notation> ::= <Ability>|<DomainElement> <Level> ::= acquisition | comprehension | application | analysis | synthesis | evaluation <Ability> ::= <AcquisitionSkill> | <ComprehensionSkill> | <ApplicationSkill> | <AnalysisSkill> | <SynthesisSkill> | <EvaluationSkill> <AcquisitionSkill> ::= enumerate | name | identify | indicate | define | recognize <ApplicationSkill> ::= solve | apply | perform | formulate | practice <AssessmentRule> ::= <Rule> ...

46 Exemples ObjectiveClass Notation : #Recognize[Work-Signs]
Description : ‘Learn how to recognize road repair signs’ Level: #acquisition Context: ‘The student will be able to point out and name work road signs between a given set of signs’ AssessmentRule : #(2 SIT/3 + 3 DT/4) “ comment : success on at least two simple identification tests (SIT) between three, and on at least three designation test (TD) between four” AssessmentRule : #(5 MIT / 7) “comment : success on at least five multiple identification tests (MIT) between seven”

47 Construction du CKTN

48 Exemple de CKTN

49 Architecture d’un STI avec curriculum explicite
Student Model Planner Tutor Authoring Environment Student Interface Domain Knowlege Student Instructional designers ? inst. objective Didactic Resource Curriculum What can I do ? AI IMPACT

50 Dynamique d’un SABC basé sur CREAM

51 Dynamique d’un SABC basé sur CREAM

52 Système de représentation de connaissances :
Aperçu de MOT MOT Éditeur Système de représentation de connaissances : Technique de modélisation des connaissances (MISA) & Éditeur graphique Lexique Grammaire Sémantique Pragmatique

53 Modélisation par objets typés
Les types de connaissances sont utiles aux systèmes informatisés de support à la performance. Intégration de différent points de vue dans un même modèle: conceptuel, fonctionnel, stratégique. Transparence sémantique et facilité d’utilisation. Une petite quantité de connaissances et de liens sont suffisant pour représenter des modèles complexes : Conceptuel: factuel, composé, taxonomique, hybride Procédural: séquentiel, parallèle, itératif Prescriptif: de contrôle, de décisions, lois et théories Méthodes et Processus: processus, méthodes et techniques, multi-agents

54 Types de connaissances
Connaissances abstraites Faits concrets Concepts Exemples Procédures Traces Principes Énoncés

55 Types de connaissances : Sémantique
Concepts Classes d’objets Sortes de documents ou d'outils Catégories de personnes (acteurs, agents d’information) Catégories d’événements Procédures Classes d’opérations, actions Sortes de tâches, activités Instructions, algorithmes Films ou étapes du scénarios Principes Contraintes d’intégrité, conditions Règles d’actions, heuristiques Principes relationnels, lois, théories Agents décisionnels. Exemple : objet concret représentant un concept Trace: objet concret représentant une procédure Énoncé: déclaration spécifique d’un principe Faits

56 Types de liens Le lien d’instanciation (I) relie une connaissance abstraite à un fait. Le lien de composition (C) relie une connaissance à l’une de ses composantes ou de ses parties constitutives. Le lien de spécialisation (S) met en relation deux connaissances abstraites de même type dont l’une est “ une-sorte-de ”, un cas particulier de l’autre. Le lien de précédence ( P ) relie deux procédures ou principes dont le premier doit être terminé ou évalué avant que le second ne commence. Le lien intrant-produit ( I/P ) relie un concept et une procédure. Le lien de régulation ( R ) s’utilise d’un principe vers une autre connaissance abstraite qui peut être un concept, une procédure ou un autre principe.

57 Types de liens : exemples
Remarques Exemples La «Voiture» se compose d’une «Carrosserie» On peut spécifier les attributs d’un objet comme des composantes d’une connaissance C La « Voiture-de-Jean» se compose de «Carrosserie-de-la-voiture-de-Jean» S Du plus spécifique vers le plus général «Renault» est une sorte de «Voiture» «Faire le plan» précède «Rédiger le texte» P Du précédant au suivant «Le plan » est intrant de «Rédiger le texte» Le concept vers la procédure est un intrant de celle-ci. La procédure vers le concept indique qu’elle le produit. I/P «Le texte» est produit de «Rédiger le texte» «Les règles de disposition sur la page» régissent «le plan» Un principe défini le concept par des contraintes à satisfaire ou encore établi une loi ou une relation entre plusieurs concepts. Le principe contrôle de l’extérieur l’exécution d’une procédure ou la sélection d’autres principes. «Les règles de contrôle du trafic» régissent «Faire décoller un avion» R «Les règles de gestion de projet» régissent «Les principes de design à appliquer» Concept, procédure ou principe “ s’instancie ” par des faits «La-voiture-de-Jean» est une instance de «Les voitures Renault» I

58 Quelques règles de grammaire
N S CONCEPTS PROCÉDURES PRINCIPES C S P I/P R I

59 Pour assigner des stratégies d’apprentissage aux types de modèles
Taxonomie de Modèles Pour assigner des stratégies d’apprentissage aux types de modèles Modèles Conceptuels Procéduraux Prescriptifs Modèles de Processus, Techniques et Méthodes

60 Modèle Conceptuel Exemples de systèmes factuels

61 Modèle Conceptuel Exemple d’un système taxonomique

62 Modèle Conceptuel Exemple d’un système à composantes

63 Modèle Conceptuel Exemple d’un système hybride

64 Modèle Procédural Exemple de procédures séquentielles

65 Modèle Procédural Exemple de procédures en parallèle

66 Modèle Procédural Exemple de procédures itératives

67 Systèmes Prescriptifs
Exemple d’une théorie (loi)

68 Systèmes Prescriptifs
Exemple d’un arbre de décision

69 Systèmes Prescriptifs
Exemple d’une structure de contrôle

70 Processus et Méthodes Exemple d’un processus

71 Processus et Méthodes Exemple d’une technique (méthode)

72 Processus et Méthodes Exemple d’un processus multi-agents

73 IMS Competency Definition
Reusable Definition of Competency or Educational Objective (RDCEO)

74 IMS Content Packaging

75