Modélisation des erreurs réalisées par un apprenant humain en environnement virtuel de formation Rapport de stage Thanh Hai Trinh (tthai@ifi.vn) Encadrant : Cédric Buche (buche@enib.fr) Laboratoire : Centre Européen de Réalité Virtuelle (CERV) équipe ARéVi Laboratoire d’Informatique des Systèmes Complexes (LISyC, EA 3883) Université Européenne de Bretagne Ecole Nationale d’Ingénieurs de Brest 28 juillet 2008 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Remerciements Je tiens tout d’abord à remercier les professeurs informatiques et français de Institut de la Francophonie pour l’Informatique (IFI) qui nous ont donné les cours durant les années de Master. Je souhaite également remercier M. Jacques Tisseau, directeur du Centre Euro- péen de Réealitée Virtuelle (CERV) pour m’avoir accueilli dans son laboratoire pour effectuer le stage de fin d’étude, et M. Cédric Buche, mon encadreur de stage pour son aide précieuse et son encouragement.
Enfin, je remercie aussi les personnes du CERV pour leur sympathie et leur accueil. Merci Fabien et Nico pour m’avoir corrigé ce rapport de stage et mes trans- parents de soutenance. i LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des matières Remerciements i Table des figures iv Liste des tableaux vi Introduction 1 1 Contexte du stage 3 1.1 Système Tutoriel Intelligent .2 Modèle des erreurs dans ITS existant .3 Recherche des causes des actions erronées .1 La méthode CREAM .2 Automatisation de CREAM. 10 2 Implémentation de CREAM 12 2.1 Représentation du schéma de classification .2 Description du contexte .3 Modèles des liens conséquences-antécédents .4 Recherche des causes.
18 3 Intégration d’analyse rétrospective à l’ITS existant 22 3.1 Reconnaissance de plans de l’apprenant dans EVF .2 Classification des actions erronées selon le schéma de CREAM .1 Détection des actions erronées du phénotype Séquence .2 Détection des actions erronées du phénotype Mauvais objet .3 Détection des actions erronées du phénotype Temps/Durée .1 Protocole : application GASPAR. 26 ii LUAN VAN CHAT LUONG download : add luanvanchat@agmail. 30 Conclusion 41 Glossaire 42 Bibliographie 43 Annexes 45 A Résultats de l’analyse rétrospective 45 iii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des figures 1 Une scène sous l’application SécuRéVi .1 Architecture d’un ITS .2 Les modèles de l’ITS .3 Modèle des erreurs dans le processus pédagogique .4 Travail procédural en équipe dans MASCARET .5 Différents types d’erreurs .6 La classification des actions erronées .7 Les catégories des génotypes .8 Exemple du lien entre phénotype-antécédent .9 Exemple du lien entre conséquent-antécédent .10 Analyse rétrospective .2 Exemple du lien entre conséquence-antécédent .3 Règles repsésentant le lien conséquence-antécédent .4 Représentation les phénotypes .5 Représentation les génotypes .6 Repartition les antécédents spécifiques en trois groupes (P,T,0) .7 Questionnaire de description du contexte .8 Notre modèle UML repsésentant les liens conséquence-antécédent .9 Interface de l’onglet CPC’s .10 Interface de l’onglet Phenotypes .11 Interface de l’onglet Genotypes .12 Interface de l’onglet Repartition des antécédents spécifiques .13 Interface de l’onglet CREAM .1 Une scène sous GASPAR .2 Le personnage IA .3 Le personnage Officier .4 La cabine catapulte .5 Le déflecteur .6 Une procédure dans GASPAR .7 Situation pédagogique 1a .8 Situation pédagogique 1b .9 Détection du phénotype Séquence .10 Situation pédagogique 2. 33 iv LUAN VAN CHAT LUONG download : add luanvanchat@agmail.11 Détection du phénotype Mauvais objet .12 Situation pédagogique 3 .13 Les phénotypes et les génotypes des actions erronées affichés dans l’ITS 36 3.14 Les assistances possibles.
36 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des tableaux 3.1 Liens causaux du phénotype Séquence .2 Liens causaux du phénotype Mauvais objet .3 Liens causaux du phénotype Temps/Durée .1 Liens causaux du phénotype Direction .2 Liens causaux du phénotype Vitesse .3 Liens causaux du phénotype Distance/Magnitude. 48 vi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Introduction J’ai effectué mon stage au sein de l’équipe ARéVi (Atelier de Réalité Virtuelle) du CERV (Centre Européenne de Réalité Virtuelle) dont un des axes de recherche est le développement d’environnements immersifs dédiés à la formation professionnelle moyennant les techniques de réalité virtuelle, appelés les Environnements Virtuels de Formation (EVF). Plus spécifiquement, mon stage s’intègre au sein du projet MASCARET (Multi- Agent System for Collaborative Adaptive and Realistic Environment for Training). L’objectif à long terme de ce projet est de concevoir les modèles réalistes et adaptifs permettant de simuler le travail procédural et collaboratif.
L’apport de ce modèle a été montré par les deux applications SécuRéVi1 et GASPAR2 qui permettent de mettre en situation les apprenants pour la formation dans les cas d’urgences. Pour que le processus de formation soit efficace, un système tutoriel intelligent (Intelligent Tutoring System ou ITS, en anglais) a été intégré également dans MASCARET per- mettant suivre et fournir des assistances pédagogiques à l’apprenant et le formateur. 1 – Une scène sous l’application SécuRéVi L’ITS existant proposé par Buche [Buche 05a, Buche 05b] considère les erreurs comme des informations cruciales. Lorsque l’apprenant réalise une action erronée, le système est capable de détecter et typer son occurrence, ces informations sont 1 Sécurité et Réalité Virtuelle 2 Gestion de l’Activité aviation et des Sinistres sur Porte-avions par la Réalité virtuelle 1 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ensuite analysées dans la phase de raisonnement pédagogique pour décider d’appor- ter éventuellement les assistances.
Malgré le fait que le mécanisme de détection des erreurs soit générique, les explications sur les erreurs sont encore dépendantes du domaine d’apprentissage. L’objectif de notre stage est d’améliorer le modèle des erreurs existant pour qu’il puisse non seulement détecter et identifier les actions erronées réalisées par l’ap- prenant humain mais également reconnaitre l’origine de leur occurrence. Pour ce faire, nous nous appuyons sur la méthode CREAM (Cognitive Reliability and Er- ror Analysis Method) dans le domaine de l’étude de la fiabilité humaine (Human Reliability Analysis ou HRA). Cette approche fournit un schéma de classification distinguant clairement les observations des erreurs (les phénotypes) et les causes (les génotypes).
Ce schéma est associé avec une méthode d’analyse rétrospective qui, à partir du phénotype d’une action erronée, permet de rechercher des causes suscep- tibles de son occurrence. L’implémentation de CREAM est l’objet des travaux de El-Kechaı̈ [El-Kechaı̈ 07a, El-Kechaı̈ 07b]. Cependant, l’intégration de CREAM à un ITS n’a pas encore été effectuée. Dans le premier chapitre de ce rapport, nous allons présenter l’ITS existant, le modèle des erreurs actuel et le principe de CREAM.
Dans le deuxième chapitre, nous montrons notre approche pour modéliser le CREAM. L’intégration de l’analyse rétrospective dans l’ITS existant va être détaillée dans le troisième chapitre. Enfin, nous allons conclure en faisant le bilan de nos travaux et en présentant les évolutions possibles. 2 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Chapitre 1 Contexte du stage 1.1 Système Tutoriel Intelligent [Buche 05a] Pour l’objectif principal de fournir une assistance aux différents facteurs de l’ap- prentissage (le formateur ou l’apprenant), il existe nombreux informations dont l’ITS doit tenir compte : les connaissances sur le domaine d’apprentissage, les connais- sances sur le processus pédagogique, l’état physique ainsi que psychologique de l’ap- prenant, etc.
En outre, pour que les assistances soient efficaces, il faut également tenir compte de la façon dont les connaissances sont représentées et l’interaction entre le formateur/l’apprenant et le système.1 illustre l’architecture classique d’un ITS avec les quatre modèles suivants : Fig.1 – Architecture d’un ITS, tiré de [Buche 05a], d’après Woolf B.P, 1992 • modèle du domaine : représente la connaissance de l’expert sur le domaine. Comme un système d’expert traditionnel, il contient la partie déclarative re- présentant la connaissance que l’apprenant doit acquérir ainsi que la partie procédurale interprétant des connaissances ; 3 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Système Tutoriel Intelligent • modèle de l’apprenant : permet d’établir l’état de ses connaissances à un instant donné ; • modèle pédagogique : permet d’effectuer des choix pédagogiques selon le com- portement et le modèle de l’apprenant ; • modèle d’interface : permet l’échange d’information entre le système et l’utili- sateur. Cependant, l’architecture présente n’a pas encore pris en compte la notion des erreurs réalisées par l’apprenant dans l’EVF.
Pour ce faire, Buche [Buche 05a] pro- pose un modèle de l’ITS ajoutant les deux modèles : modèle des erreurs et modèle du formateur (cf. L’apport de cette proposition est que les erreurs sont considérées comme des informations cruciales qui ensuite seront prises en compte dans le processus de raisonnement pédagogique.2 – Les modèles de l’ITS, d’après [Buche 05a] • modèle des erreurs : caractérise les erreurs et contient une base de connais- sances sur les erreurs classiques • modèle du formateur : permet de préciser les instructions du formateur liées à l’exercice à effectuer Chaque modèle est représenté sous forme d’un agent ayant des connaissances et des comportements propres. Enfin, le fonctionnement de l’ITS est défini en plusieurs étapes moyennant les interactions entre les agents, ce mécanisme se déroule comme ci-dessous (cf. Observer (InterfaceAgent représentant le modèle interface) : cette étape a pour but de reconnaitre les actions, les déplacements de l’apprenant et les éléments dans l’espace virtuel observés par l’apprenant 2.
Détecter et Identifier les erreurs (ErrorAgent représentant le modèle des er- reurs) : le système compare les actions de l’apprenant (fournies par Learne- rAgent représentant le modèle de l’apprenant) avec les actions à réaliser (ré- cupérées de modèle du domaine représentant par ExpertAgent) pour détecter et identifier les erreurs (voir les détails dans la section 1. Proposer des assistances pédagogiques : grâce au PedagogicalAgent représen- tant le modèle pédagogique 4 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Système Tutoriel Intelligent 4. Choisir une assistance pédagogique : cette étape est dirigée par TeacherAgent représentant le modèle du formateur 5.
Représenter l’assistance pédagogique : les aides pédagogiques sont affichées par InterfaceAgent Fig.3 – Modèle des erreurs dans le processus pédagogique, d’après [Buche 05a] Dans le cadre de ce stage, nous nous concentrons sur le modèle des erreurs et le modèle d’interface. L’idée principale est d’améliorer le modèle des erreurs existant pour qu’il puisse non seulement détecter et identifier les actions erronées réalisées par l’apprenant humain mais aussi reconnaitre l’origine de leur occurrence. Nous modifions par la suite le modèle d’interface en ajoutant les primitives servant à représenter dans l’environnement virtuel les nouvelles informations trouvées. 5 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.
Modèle des erreurs dans ITS existant 1.2 Modèle des erreurs dans ITS existant Dans le contexte de simulation des tâches procédurales et collaboratives, l’ITS actuel se base et s’intègre au modèle MASCARET [Querrec 02, Querrec 04] où les apprenants humains et les agents collaborent pour réaliser ensemble une mission. Les apprenants sont divisés en équipes composées de plusieurs rôles, chaque rôle contient un nombre de tâches à réaliser par les apprenants selon une procédure prédéfinie. Dans MASCARET, les entités virtuelles (les objets physiques 3D) sont représentées par la bibliothèque ARéVi3 développée au sein du CERV. La liaison entre les objets virtuels et les comportements possibles est décrite grâce au méta-modèle VEHA4 [Chevaillier 07] qui considère la réalisation des activités humaines (par exemple : la procédure, les actions, les opérations, les ressources associées, les états etc.) sous certaines contraintes (contraintes temporelles ou bien des conditions faisables : pré- condition, post-condition).4 – Travail procédural en équipe dans MASCARET, d’après [Querrec 02] Grâce au modèle MASCARET, le ErrorAgent représentant le modèle des erreurs dans l’ITS peut caractériser plusieurs différents types d’actions erronées : • RuleError : représent les erreurs sur la règle d’usage d’une action • ActionError : la pré-condition d’une action n’est pas satisfaisante • TeamError : l’apprenant réalise une action qui n’existe pas dans son rôle • ProceduralError : l’apprenant effectue une action qui ne devrait pas être réalisé 3 http ://sourceforge.net/projects/arevi/ 4 Virtual Environment supporting Human Activities 6 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.
Recherche des causes des actions erronées • TeamProceduralError : l’apprenant réalise une action qui n’existe pas dans sa responsabilité ainsi que dans la procédure Fig.5 – Différents types d’erreurs, d’après [Buche 05a] Pour expliquer la raison des actions erronées détectées, le modèle présente se base sur une base de connaissances contenant les erreurs classiques dans le domaine d’apprentissage.