Nghiên cứu quản lý và tùy chỉnh hành vi đối thoại của các từ ảo trong môi trường đào tạo công tác ảo

Luận văn thạc sĩ nghiên cứu quản lý và tùy chỉnh hành vi đối thoại trong môi trường đào tạo công nghệ thông tin, nâng cao hiệu quả giảng dạy.

• Tác giả: Lương Chí Thọ
• Người hướng dẫn: Dr. Alexandre Pauchet
• Trường học: Université Nationale Du Vietnam, Hanoi
• Chuyên ngành: Informatique
• Đề tài: Quản Lý Hành Vi Đối Thoại Của Từ Ảo Trong Đào Tạo
• Loại tài liệu: Mémoire
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• ATTESTATION SUR L’HONNEUR
• Remerciements
• Résumé
• 1. CHAPITRE 1 : PROBLÉMATIQUE
• 1.1. Le contexte du travail
• 1.2. La limitation de travail dans ce stage
• 2. CHAPITRE 2 : LES DÉFINITIONS ET L’ÉTAT DE L’ART
• 2.1. Définition d’une situation conversationnelle
• 2.2. État de l’art pour chercher la situation automatiquement
• 2.3. La méthode choisie et les améliorations
• 2.3.1. État de l’art pour la machine à état
• 2.3.2. Définition de notre machine à états
• 2.4. Trouver la situation automatiquement
• 2.4.1. Les données utilisées
• 2.4.2. Implémentation et résultat obtenu
• 2.4.3. Comparaison avec le programme existant
• 2.5. Construire la machine à états issus des situations
• 2.5.1. Présentation de l’application
• 2.5.2. Recherche automatique de motifs

Tóm tắt

I. Tổng quan về quản lý hành vi đối thoại của từ ảo trong đào tạo

Quản lý hành vi đối thoại của từ ảo trong môi trường đào tạo là một lĩnh vực đang phát triển mạnh mẽ. Sự kết hợp giữa công nghệ AI và đào tạo từ ảo đã mở ra nhiều cơ hội mới cho việc cải thiện trải nghiệm học tập. Các hệ thống đối thoại tự động không chỉ giúp người học tương tác hiệu quả hơn mà còn tạo ra môi trường học tập linh hoạt và sáng tạo. Việc hiểu rõ về cách thức hoạt động của các từ ảo và cách chúng tương tác với người học là rất quan trọng để tối ưu hóa quá trình đào tạo.

1.1. Định nghĩa và vai trò của từ ảo trong đào tạo

Từ ảo là những thực thể ảo được lập trình để tương tác với người dùng thông qua ngôn ngữ tự nhiên. Chúng đóng vai trò quan trọng trong việc tạo ra các tình huống học tập thực tế, giúp người học có thể thực hành và rèn luyện kỹ năng giao tiếp. Các từ ảo có thể được sử dụng trong nhiều lĩnh vực như y tế, giáo dục và dịch vụ khách hàng.

1.2. Lợi ích của việc sử dụng từ ảo trong môi trường đào tạo

Việc sử dụng từ ảo trong đào tạo mang lại nhiều lợi ích như tăng cường khả năng tương tác, cải thiện kỹ năng giao tiếp và tạo ra môi trường học tập thú vị. Hơn nữa, các hệ thống đối thoại tự động có thể cung cấp phản hồi ngay lập tức, giúp người học nhận ra lỗi và cải thiện kỹ năng của mình một cách nhanh chóng.

II. Thách thức trong quản lý hành vi đối thoại của từ ảo

Mặc dù có nhiều lợi ích, việc quản lý hành vi đối thoại của từ ảo cũng gặp phải nhiều thách thức. Một trong những vấn đề lớn nhất là khả năng hiểu ngữ nghĩa và ngữ cảnh của người dùng. Các hệ thống AI cần phải được lập trình để nhận diện và phản hồi đúng cách trong các tình huống khác nhau. Ngoài ra, việc duy trì sự tự nhiên trong giao tiếp cũng là một thách thức lớn.

2.1. Khó khăn trong việc hiểu ngữ nghĩa và ngữ cảnh

Một trong những thách thức lớn nhất là khả năng của từ ảo trong việc hiểu ngữ nghĩa và ngữ cảnh của cuộc đối thoại. Các hệ thống đối thoại cần phải được thiết kế để nhận diện các sắc thái trong ngôn ngữ và phản hồi một cách phù hợp.

2.2. Duy trì tính tự nhiên trong giao tiếp

Việc duy trì tính tự nhiên trong giao tiếp giữa người học và từ ảo là rất quan trọng. Nếu từ ảo không thể giao tiếp một cách tự nhiên, người học có thể cảm thấy không thoải mái và không muốn tiếp tục tương tác.

III. Phương pháp quản lý hành vi đối thoại hiệu quả cho từ ảo

Để quản lý hành vi đối thoại của từ ảo một cách hiệu quả, cần áp dụng các phương pháp và công nghệ tiên tiến. Việc sử dụng các mô hình học máy và xử lý ngôn ngữ tự nhiên có thể giúp cải thiện khả năng hiểu và phản hồi của từ ảo. Hơn nữa, việc thu thập và phân tích dữ liệu từ các cuộc đối thoại trước đó cũng rất quan trọng để cải thiện hiệu suất của hệ thống đối thoại.

3.1. Sử dụng mô hình học máy trong quản lý hành vi

Mô hình học máy có thể giúp từ ảo học hỏi từ các cuộc đối thoại trước đó và cải thiện khả năng phản hồi. Việc áp dụng các thuật toán học sâu có thể giúp từ ảo nhận diện các mẫu trong ngôn ngữ và phản hồi một cách tự nhiên hơn.

3.2. Phân tích dữ liệu để cải thiện hiệu suất

Phân tích dữ liệu từ các cuộc đối thoại trước đó có thể cung cấp thông tin quý giá về cách người học tương tác với từ ảo. Những thông tin này có thể được sử dụng để điều chỉnh và cải thiện các phản hồi của hệ thống đối thoại.

IV. Ứng dụng thực tiễn của từ ảo trong đào tạo

Các ứng dụng thực tiễn của từ ảo trong đào tạo đang ngày càng trở nên phổ biến. Từ việc hỗ trợ học sinh trong việc học ngôn ngữ đến việc cung cấp phản hồi cho sinh viên trong các khóa học trực tuyến, từ ảo đang chứng minh được giá trị của mình trong việc cải thiện trải nghiệm học tập. Các nghiên cứu đã chỉ ra rằng việc sử dụng từ ảo có thể giúp tăng cường sự tham gia và động lực học tập của người học.

4.1. Hỗ trợ học sinh trong việc học ngôn ngữ

Các từ ảo có thể được sử dụng để hỗ trợ học sinh trong việc học ngôn ngữ thông qua các cuộc đối thoại thực tế. Việc tương tác với từ ảo giúp học sinh cải thiện kỹ năng giao tiếp và tự tin hơn khi sử dụng ngôn ngữ mới.

4.2. Cung cấp phản hồi cho sinh viên trong khóa học trực tuyến

Trong các khóa học trực tuyến, từ ảo có thể cung cấp phản hồi ngay lập tức cho sinh viên, giúp họ nhận ra lỗi và cải thiện kỹ năng của mình một cách nhanh chóng. Điều này không chỉ giúp sinh viên học tập hiệu quả hơn mà còn tạo ra một môi trường học tập tích cực.

V. Kết luận và tương lai của quản lý hành vi đối thoại của từ ảo

Quản lý hành vi đối thoại của từ ảo trong đào tạo là một lĩnh vực đầy tiềm năng. Với sự phát triển của công nghệ AI, khả năng tương tác của từ ảo sẽ ngày càng được cải thiện. Tương lai của lĩnh vực này hứa hẹn sẽ mang lại nhiều cơ hội mới cho việc nâng cao chất lượng đào tạo và trải nghiệm học tập của người học.

5.1. Tiềm năng phát triển của công nghệ AI trong đào tạo

Công nghệ AI đang phát triển nhanh chóng và có tiềm năng lớn trong việc cải thiện khả năng tương tác của từ ảo. Việc áp dụng các công nghệ mới sẽ giúp từ ảo trở nên thông minh hơn và có khả năng phản hồi tự nhiên hơn.

5.2. Tương lai của từ ảo trong môi trường đào tạo

Tương lai của từ ảo trong môi trường đào tạo sẽ phụ thuộc vào khả năng cải thiện và phát triển của công nghệ. Các nghiên cứu và ứng dụng mới sẽ tiếp tục mở ra nhiều cơ hội cho việc tối ưu hóa trải nghiệm học tập và nâng cao hiệu quả đào tạo.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thực tế ảo và trí tuệ nhân tạo, việc ứng dụng các tác tử ảo trong các môi trường đào tạo cộng tác ảo (Environnements Virtuels de Formation Collaboratifs - EVFC) trở thành hướng nghiên cứu quan trọng nhằm nâng cao hiệu quả học tập và giao tiếp. Theo báo cáo ngành, các EVFC cho phép người dùng tương tác không chỉ với những người học khác mà còn với các tác tử ảo, trong đó tác tử ảo hoạt động như một tuteur (người hướng dẫn) hỗ trợ quá trình đào tạo. Tuy nhiên, quản lý và tùy chỉnh hành vi đối thoại và sư phạm của các tác tử này trong môi trường phức tạp như EVFC còn nhiều thách thức.

Mục tiêu chính của nghiên cứu là phát triển một mô-đun quyết định giúp tác tử ảo nhận diện và thích nghi với các tình huống đối thoại dựa trên dữ liệu ngôn ngữ tự nhiên được thu thập trong các phiên học, nhằm cung cấp phản hồi và hỗ trợ sư phạm chính xác, kịp thời. Phạm vi nghiên cứu tập trung vào việc xử lý các đoạn hội thoại bằng ngôn ngữ tiếng Pháp, với hai bộ dữ liệu chính: hội thoại giữa cha mẹ và con cái từ dự án NARECA, cùng với hội thoại giữa bác sĩ và bệnh nhân trong dự án Cogni-CISMeF, với tổng cộng hơn 130 tệp hội thoại được chú giải bằng khung DIT++.

Nghiên cứu có ý nghĩa trong việc nâng cao tính tương tác và tự động hóa trong EVFC, góp phần cải thiện trải nghiệm học tập, đồng thời cung cấp cơ sở lý thuyết và công cụ kỹ thuật cho các hệ thống tác tử ảo có khả năng điều chỉnh hành vi theo ngữ cảnh giao tiếp cụ thể. Các chỉ số về hiệu quả được đánh giá qua số lượng và độ chính xác của các mẫu tình huống đối thoại được phát hiện, thời gian xử lý cũng như khả năng dự đoán phản hồi góp phần giảm thiểu sai sót trong quá trình tương tác.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng các lý thuyết về ngôn ngữ học và khoa học máy tính để xây dựng hệ thống quản lý hành vi đối thoại cho tác tử ảo. Đầu tiên là lý thuyết về hành vi ngôn ngữ (Speech Act Theory) của Austin và Searle, coi các câu nói không chỉ truyền tải thông tin mà còn thực hiện hành động cụ thể trong giao tiếp, từ đó phát triển định nghĩa về acte de dialogue (hành động đối thoại), là đơn vị cơ bản trong mô hình hóa tương tác.

Thứ hai, khung phân loại chú thích ngữ nghĩa và ngữ dụng DIT++ (Dialogue Act Tagging scheme) được ứng dụng để mã hóa các thành phần chức năng trong đoạn hội thoại theo 7 trong số 10 chiều được xác định: bao gồm Task/Activity, Auto-Feedback, Allo-Feedback, Contact Management, Turn Management, Time Management, và Social Obligations Management. Khung này giúp chuẩn hóa dữ liệu ngữ liệu và tạo tiền đề cho quá trình phân tích.

Thứ ba, trong lĩnh vực khai phá dữ liệu (Data Mining), sử dụng các thuật toán fouille de séquences fréquentes để phát hiện các mẫu lặp lại (motifs) trong chuỗi diễn giải hành vi đối thoại. Cụ thể, thuật toán SABRE được chọn làm nền tảng chính do khả năng tìm kiếm các mẫu ký tự đa chiều trong bảng chú giải với độ chính xác cao hơn và thời gian thực thi tối ưu hơn so với các thuật toán trước đó như LPCA-DC.

Cuối cùng, việc mô hình hóa hành vi dựa vào machine à états finis (Máy trạng thái hữu hạn) nhằm mô tả các trạng thái có thể xảy ra trong đối thoại cũng như các chuyển đổi giữa chúng tùy theo ngữ cảnh, giúp tác tử ảo nhận diện tình huống và quyết định hành động phù hợp.

Phương pháp nghiên cứu

Nghiên cứu tiến hành trên cơ sở sử dụng hai nguồn dữ liệu chính từ các bộ corpus chú thích sẵn:

• Corpus cha mẹ-con cái (NARECA): gồm 118 tệp, mỗi tệp lưu trữ các đoạn hội thoại được phân đoạn theo các nhãn chú thích chức năng tương tác trên 5 chiều, phản ánh tương tác thực tế trong môi trường gia đình.

• Corpus bác sĩ-bệnh nhân (Cogni-CISMeF): bao gồm 16 tệp, được chú giải với 10 chiều theo chuẩn DIT++, phản ánh kịch bản giao tiếp chuyên môn trong y tế.

Quy trình nghiên cứu gồm:

1. Tiền xử lý và chú giải ngôn ngữ: Tổng hợp các đoạn thoại, phân đoạn câu, chú thích chức năng theo DIT++ giúp chuẩn hóa dữ liệu đầu vào.

2. Áp dụng thuật toán SABRE: Phát hiện các motif (mẫu hành vi đối thoại lặp lại) dựa trên bảng tiết lộ sự tương đồng giữa các đoạn hội thoại. Thuật toán bao gồm ba bước chính:

   • Phát hiện "graines" (hạt giống) biểu thị đoạn ngắn có sự trùng lặp cao.

   • Hợp nhất các hạt giống nằm trên cùng đường chéo nhằm mở rộng độ dài motif.

   • Mở rộng thêm các phần tử gần kề nhằm hoàn thiện motif.

3. Cải tiến thuật toán SABRE: Giới hạn phạm vi tính toán trong bước mở rộng bằng cách áp dụng thuật toán tìm kiếm k-nearest neighbors, giúp giảm đáng kể thời gian xử lý từ 6 phút xuống còn 30 giây trên cấu hình máy tiêu chuẩn.

4. Xây dựng máy trạng thái hữu hạn: Mô hình hóa các motif đã xác định thành các trạng thái trong máy trạng thái, biểu diễn quá trình đối thoại theo thứ tự và hành vi tương tác, đồng thời dự đoán phản hồi tiếp theo của tác tử ảo.

5. Đánh giá chuyên sâu: Thực hiện so sánh với công cụ Viesa hiện có về số lượng motif phát hiện và thời gian xử lý.

Quá trình triển khai được thực hiện trong khoảng thời gian 6 tháng tại phòng thí nghiệm LITIS, INSA Rouen, với mã nguồn lập trình C# và Visual Studio 2015 trên máy tính cấu hình Intel Core i5, RAM 8GB.

---

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Phát hiện 232 motif đối thoại trong corpus bác sĩ-bệnh nhân với thời gian xử lý ban đầu là 6 phút bằng thuật toán SABRE nguyên thủy. Sau cải tiến thuật toán, thời gian xử lý giảm mạnh xuống còn 30 giây mà không làm mất motif nào, thể hiện tính hiệu quả về mặt toán học và thực tiễn của cải tiến.

2. So sánh với ứng dụng Viesa, chạy trên cùng bộ dữ liệu cha mẹ-con cái, hệ thống đề xuất phát hiện được 214 motif trong 4 phút, gần gấp 3 lần số motif (62) do Viesa phát hiện. Tuy không nhanh bằng Viesa (Viesa chỉ mất vài giây), nhưng nghiên cứu giữ lại toàn bộ motif quan trọng thay vì giới hạn số lượng motif nhằm đảm bảo tính toàn diện.

3. Mức độ tương đồng motif giữa hai ứng dụng ở mức 80%. Đây là kết quả khả quan, chứng tỏ chất lượng dữ liệu motif trích xuất đảm bảo tính học thuật, đồng thời mở ra hướng cải tiến để nâng cao độ tin cậy.

4. Mô hình máy trạng thái hữu hạn dựa trên các motif đã xây dựng thành công, mô phỏng được các luồng đối thoại thực, cho phép tuteur ảo nhận biết trạng thái hiện tại của hội thoại và dự đoán câu trả lời hoặc hành động tiếp theo một cách hợp lý.

Thảo luận kết quả

Kết quả cho thấy thuật toán SABRE và cải tiến của nó phù hợp để trích xuất mẫu hành vi đối thoại từ các corpus chú giải phức tạp theo chuẩn đa chiều DIT++. Việc giảm thời gian xử lý từ 6 phút xuống 30 giây cho phép ứng dụng thực tế hơn trong môi trường đào tạo ảo, nơi phản hồi nhanh là yếu tố quyết định hiệu quả tương tác.

Sự khác biệt về số lượng motif so với công cụ Viesa xuất phát từ chính sách tìm kiếm toàn diện hơn. Hệ thống lựa chọn không giới hạn số motif nhằm thu thập đầy đủ mẫu đối thoại đa dạng, giúp tuteur ảo linh hoạt hơn trong từng tình huống, tuy nhiên đổi lại là chi phí thời gian xử lý cao hơn. Đây là một thỏa hiệp cần cân nhắc khi triển khai thực tế.

Việc áp dụng mô hình máy trạng thái hữu hạn tạo điều kiện cho việc phản hồi tự động và theo ngữ cảnh, đồng thời hỗ trợ cơ chế điều chỉnh hành vi tác tử theo từng giai đoạn giao tiếp, phù hợp với lý thuyết trò chơi đối thoại và các mô hình hành vi trong khoa học máy tính. Việc trình bày dữ liệu thông qua biểu đồ thời gian xử lý so với số motif, bảng so sánh kết quả giữa hai ứng dụng đã cho thấy sự ưu việt của đề xuất.

Kết quả này phù hợp với xu hướng nghiên cứu quốc tế, đồng thời làm rõ cách tiếp cận riêng biệt, có chiều sâu về mặt thuật toán và ứng dụng vào môi trường EVFC cụ thể của nghiên cứu.

---

Đề xuất và khuyến nghị

1. Tối ưu tiếp thuật toán trích xuất motif: Áp dụng kỹ thuật giảm chiều dữ liệu và lựa chọn đặc trưng tự động để rút ngắn thời gian xử lý, từ đó nâng cao trải nghiệm người dùng trong các EVFC. Mục tiêu giảm thời gian xử lý xuống dưới 10 giây trên cấu hình tiêu chuẩn. Chủ thể thực hiện là nhóm phát triển phần mềm trong vòng 6-9 tháng tiếp theo.

2. Mở rộng dữ liệu đầu vào và mở rộng chiều chú thích: Bổ sung thêm các corpus đa dạng về lĩnh vực và ngôn ngữ, đồng thời xử lý thêm các chiều chú thích theo DIT++ để tăng độ chính xác nhận diện hành vi. Điều này sẽ cải thiện độ bao phủ của tuteur ảo. Thời gian dự kiến là 12 tháng, hợp tác với các trung tâm nghiên cứu ngôn ngữ và y tế.

3. Phát triển giao diện tương tác trực quan cho tuteur ảo: Thiết kế và tích hợp các biểu đồ trạng thái máy trạng thái, giúp người lập trình và nhà nghiên cứu dễ dàng giám sát và hiệu chỉnh hành vi tác tử. Mục tiêu tăng tính trực quan và kiểm soát trong 3-6 tháng.

4. Xây dựng cơ chế học sâu và tự thích nghi: Ứng dụng mô hình học máy để tuteur có khả năng học hỏi từ phản hồi thực tế và tùy chỉnh hành vi tự động trong quá trình tương tác, nâng cao hiệu quả đào tạo. Đây là giải pháp dài hạn, khuyến nghị thực hiện song song với việc thu thập thêm dữ liệu đúng chuẩn.

---

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu lĩnh vực trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên: Luận văn cung cấp cơ sở kỹ thuật và thuật toán cụ thể để phát triển hệ thống nhận diện và quản lý hành vi đối thoại trong môi trường đa chiều, là tài liệu tham khảo hữu ích cho các nghiên cứu mở rộng về tương tác người-máy.

2. Chuyên gia phát triển phần mềm thực tế ảo đào tạo: Các kỹ sư hệ thống EVFC có thể áp dụng mô hình máy trạng thái và phương pháp trích xuất motif trong việc tạo ra các tác tử ảo phản ứng linh hoạt, nâng cao trải nghiệm học tập tương tác trong môi trường ảo.

3. Giảng viên và sinh viên ngành khoa học máy tính, kỹ thuật phần mềm: Luận văn có tính ứng dụng đa dạng và đội ngũ sinh viên có thể học cách tích hợp lý thuyết ngôn ngữ và thuật toán khai phá dữ liệu trong xây dựng hệ thống thông minh.

4. Chuyên gia nghiên cứu giao tiếp và sư phạm số: Luận văn giúp hiểu rõ về cách mô hình hóa hành vi giao tiếp trong môi trường đào tạo, đồng thời đưa ra công cụ hỗ trợ tăng cường hiệu quả truyền thông và hỗ trợ học tập tự động.

---

Câu hỏi thường gặp

1. Thuật toán SABRE hoạt động như thế nào trong trích xuất mẫu đối thoại?
SABRE dựa trên việc phát hiện các đoạn chú giải (graines) có tính tương đồng cao trong bảng đối chiếu annotation, sau đó hợp nhất và mở rộng các đoạn này thành các motif dài hơn, đồng thời tính điểm dựa trên độ tương đồng và chi phí sắp xếp để xác định mức độ phù hợp. Việc áp dụng thuật toán k-nearest neighbors giúp giảm thời gian xử lý đáng kể.

2. Tại sao chọn DIT++ làm khung chú thích đối thoại?
DIT++ là khung cho phép phân loại đối thoại trên nhiều chiều ngữ nghĩa và ngữ dụng đa dạng, thích hợp cho việc phân tích kỹ lưỡng các chức năng giao tiếp. Nó cũng được chuẩn hóa và sử dụng rộng rãi trong lĩnh vực nghiên cứu đối thoại tự nhiên.

3. Chế độ máy trạng thái hữu hạn có vai trò gì trong hệ thống tác tử ảo?
Máy trạng thái hữu hạn cho phép mô hình hóa sự chuyển đổi giữa các trạng thái đối thoại dựa trên các sự kiện đầu vào, giúp tác tử ảo nhận biết vị trí trong hội thoại và lựa chọn phản hồi thích hợp, từ đó đảm bảo tính mạch lạc và logic trong tương tác.

4. Các giới hạn hiện tại của nghiên cứu là gì?
Giới hạn chính bao gồm dữ liệu tập trung chủ yếu vào tiếng Pháp và số lượng tác vụ đối thoại khá hạn chế, cũng như độ phức tạp của các chiều chú thích chưa được mở rộng tối đa do thời gian hạn chế. Hiệu quả thuật toán còn phụ thuộc vào số chiều annotation và kích thước dataset.

5. Luận văn có thể áp dụng trong các lĩnh vực ngoài giáo dục không?
Có, mô hình và thuật toán được phát triển có thể mở rộng sang các lĩnh vực như chăm sóc sức khỏe, tương tác người-máy trong dịch vụ khách hàng, đào tạo nhân viên, và các môi trường ảo khác đòi hỏi sự tương tác ngôn ngữ tự nhiên và hành vi linh hoạt của tác tử ảo.

---

Kết luận

• Phát triển thành công mô-đun quyết định dựa trên việc nhận diện tự động các tình huống đối thoại trong EVFC qua việc trích xuất và mô hình hóa motif từ corpus chú thích đa chiều.

• Cải tiến thuật toán SABRE giúp cải thiện đáng kể thời gian xử lý từ 6 phút xuống 30 giây mà không giảm hiệu suất hoặc số lượng motif thu được.

• Xây dựng mô hình máy trạng thái hữu hạn hiệu quả để mô phỏng các trạng thái ngôn ngữ và giao tiếp giữa người dùng và tác tử ảo, hỗ trợ dự đoán phản hồi trong các kịch bản đào tạo.

• Kết quả cho thấy sự vượt trội và tính ứng dụng thực tiễn cao so với phần mềm đối chiếu, tạo tiền đề để triển khai và phát triển các hệ thống tương tác ảo sâu rộng hơn trong tương lai.

• Khuyến nghị mở rộng nghiên cứu với dữ liệu đa ngôn ngữ, đa miền và tích hợp thêm các kỹ thuật học sâu để nâng cao khả năng tùy biến và hiệu quả của tác tử ảo trong môi trường đào tạo ảo.

Tiếp tục hoàn thiện thuật toán, mở rộng bộ dữ liệu và triển khai nguyên mẫu tích hợp trong EVFC thực tế. Mời quý độc giả và chuyên gia quan tâm hợp tác nghiên cứu phát triển dự án nâng cao này.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL LƯƠNG CHÍ THỌ GESTION ET ADAPTATION DES COMPORTEMENTS CONVERSATIONNELS ET PÉDAGOGIQUES D’AGENTS VIRTUELS DANS UN ENVIRONNEMENTS DE RÉALITÉ VIRTUELLE COLLABORATIF DE FORMATION (EVCF) QUẢN LÝ VÀ TÙY CHỈNH HÀNH VI ĐỐI THOẠI VÀ SƯ PHẠM CỦA CÁC TÁC TỬ ẢO TRONG MÔI TRƯỜNG ĐÀO TẠO CỘNG TÁC ẢO MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE HANOI – 2017 TIEU LUAN MOI download : [e-mail] UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL LƯƠNG CHÍ THỌ GESTION ET ADAPTATION DES COMPORTEMENTS CONVERSATIONNELS ET PÉDAGOGIQUES D’AGENTS VIRTUELS DANS UN ENVIRONNEMENTS DE RÉALITÉ VIRTUELLE COLLABORATIF DE FORMATION (EVCF) QUẢN LÝ VÀ TÙY CHỈNH HÀNH VI ĐỐI THOẠI VÀ SƯ PHẠM CỦA CÁC TÁC TỬ ẢO TRONG MÔI TRƯỜNG ĐÀO TẠO CỘNG TÁC ẢO Spécialité: Systèmes intelligents et Multimédia Code: Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: Maître de conférences à L’INSA de Rouen, Dr. Alexandre Pauchet Maître de conférences à L’INSA de Rouen, Dr. Julien Saunier Poste de recherche post-doctorale à l'INSA de Rouen, Dr. Mukesh Barange HANOI – 2017 TIEU LUAN MOI download : [e-mail] ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs.

La source des informations citées dans ce mémoire a été bien précisée. LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc.

Fait à Hanoï, le Hà nội, Ngày tháng năm 2017 Lương Chí Thọ TIEU LUAN MOI download : [e-mail] Table des matières Table des matières. iv Liste des figures. v Liste des tableaux.1 Le contexte du travail : .2 La limitation de travail dans ce stage. 9 CHAPITRE 2 : LES DÉFINITIONS ET L’ÉTAT DE L’ART .1 Définition d’une situation conversationnelle .2 État de l’art pour chercher la situation automatiquement .3 La méthode choisie et les améliorations.1 État de l’art pour la machine à état .2 Définition de notre machine à états : .1 Trouver la situation automatiquement .1 Les données utilisées .2 Implémentation et résultat obtenu .3 Comparaison avec le programme existant .2 Construire la machine à états issus des situations .1 Présentation de l’application.

47 TIEU LUAN MOI download : skknchat@gmail.2 Recherche automatique de motifs. 58 Liste des figures Figure 1 : Le système de pédagogie générale. 4 Figure 2 : La partie à résoudre. 9 Figure 3 : Nombre de motifs fourni par SABRE et LPCA-DC de Zacharie Ales.

23 Figure 4 : Le temps d’exécution entre LPCA-DC et SABRE Zacharie Ales. 27 Figure 6 : Machine à état de Christopher Peters. 32 Figure 7 : Machine à état de David R. Traum et James F.

33 Figure 8 : Un exemple de machine à état. 35 Figure 9 : un groupe de situations dans la machine à états. 45 Figure 10 : Résultat de construction de la machine à état (partiel). 46 Figure 11 : le système de conversation.

47 Figure 12 : Le système de recherche. 49 Figure 13 : résultat d’application. 54 Liste des tableaux Tableau 1 : Le contenu dans le corpus. 6 Tableau 2 : La conversation entre médecin et patient.

12 Tableau 3 : Une situation spécifique. 15 Tableau 4 : tableau d’annotation annoté par DIT++. 24 TIEU LUAN MOI download : [e-mail] Tableau 5 : Les tableaux d’exemple d’annotation. 25 Tableau 7 : Tableau C fusionné.

28 Tableau 8 : Tableau petit C. 29 Tableau 9 : Tableau C d’améliorer. 30 Tableau 10 : dialogue parents – enfant. 37 Tableau 11 : dialogues médecin – patient.

37 Tableau 12 : Résultat de SABRE. 39 Tableau 13 : Résultat d’amélioration SABRE. 40 Tableau 14 : comparaison Viesa et Notre application avec Dialogues parents enfants. 41 Tableau 15 : Le test pour des cas différents de nombre d'alignements minimum souhaité de Viesa.

42 Tableau 16 : Test donné Dialogues médecin 1. 42 Tableau 17 : Test donné Dialogues médecin 2. 42 Tableau 18 : La structure de la conversation dans les Dialogues médecin patient. 43 Tableau 19 : Motifs de façon manuelle.

48 Tableau 20 : Tableau CF. 51 Tableau 21 : Exemple des motifs trouvé. 53 TIEU LUAN MOI download : [e-mail] Remerciements Je tiens à remercier toutes les personnes qui ont contribué au succès de mon stage et qui m'ont aidé lors de la rédaction de ce rapport. Tout d'abord, j'adresse mes remerciements à mes encadrants, M.

Julien Saunier et M. Mukesh Barange de l’Institut National des sciences appliquées de Rouen qui m'ont beaucoup aidé dans ma recherche de stage et m’ont suivi, conseillé, tout au long de ce stage. Enfin, je tiens à remercier toutes les personnes du bâtiment Bougainville de l’INSA de Rouen pour leur accueil, le temps passé ensemble et le partage de leur expertise au quotidien en France. TIEU LUAN MOI download : [e-mail] Résumé Depuis quelques années, la technologie de la réalité virtuelle est un centre d'intérêt pour les scientifiques et les chercheurs, l’utilisation d’humains virtuels est un atout supplémentaire des environnements virtuels de formation.

Les Environnements Virtuels de Formation Collaboratifs (EVFC) permettent à des utilisateurs d’apprendre à réaliser une procédure collaborative. Dans ces environnements, les utilisateurs sont amenés à interagir et à travailler avec d’autres utilisateurs mais aussi avec des agents autonomes (Agent Conversationnel Animé), chacun remplissant un rôle spécifique dans la procédure. Dans cette discipline, la gestion et l’adaptation des comportements conversationnels et pédagogiques d’agents virtuels dans un EVFC est un sujet dans lequel il reste beaucoup de progrès à faire. Dans le cadre de notre travail, nous nous sommes intéressés à résoudre le problème de mettre en place un module décisionnel pour l'agent à partir de contenus sémantiques et pragmatiques par la modalité verbale en considérant le cas où un utilisateur travaille avec un tuteur, l’utilisateur communique avec le tuteur par la parole qui sera transformée en phrases de textes (corpus).

La solution principale est d'étudier les situations de dialogues, c'est à dire, nous allons chercher automatiquement les situations d’actes de dialogue dans le corpus avec le but que le Tuteur puisse reconnaitre la situation de communication dans laquelle il se trouve. Pour ce faire, nous avons nous même donné une définition de la situation de dialogue, et à partir de cette définition, nous avons cherché automatiquement les situations de dialogues par l'application et l'amélioration de l'algorithme SABRE. Une fois les situations de dialogue trouvées, une machine à état est implémentée pour modéliser la situation de communication. Pour bien montrer la modélisation entre utilisateur et Tuteur, nous avons construit une application qui nous permet de communiquer avec un Tuteur et où le Tuteur identifie la situation de dialogue et prédit la réponse.

Mots-clés : EVFC, Conversationnels et pédagogiques d’agents virtuels, SABRE, Situation de dialogue, Réalité virtuelle, Machine à état. TIEU LUAN MOI download : [e-mail] 1 INTRODUCTION Ce stage de recherche de 6 mois pour la fin d’étude de master 2 a été réalisé dans le laboratoire LITIS de L’INSA de Rouen, au sein de l'équipe MIND (Multi-Agent, Interaction, Décision). L’équipe MIND, rattachée à l’axe « Interaction et Systèmes Complexes » du LITIS, mène des recherches dans le domaine des Systèmes Multi-Agents et des Agents Autonomes (AAMAS) sur des problématiques de décision et d’interaction au sein de systèmes associant utilisateurs humains et agents logiciels. Les travaux de l’équipe portent sur la conception de systèmes de décision automatiques ou semi-automatiques, sur les modes d’interaction entre agents logiciels et humains ainsi que sur les interactions médiées entre utilisateurs humains ‘**’.

Aujourd’hui, l’utilisation d’humains virtuels est un atout supplémentaire des environnements virtuels de formation. Ces humains virtuels sont des entités virtuelles capables, comme les humains réels, de prendre un rôle dans la réalisation d’un scénario de la vie quotidienne. De plus, les Environnements Virtuels de Formation Collaboratifs (EVFC) permettent à des utilisateurs d’apprendre à réaliser une procédure collaborative. Dans ces environnements, les utilisateurs sont amenés à interagir et à travailler avec d’autres utilisateurs mais aussi avec des agents autonomes (Agent Conversationnel Animé), chacun remplissant un rôle spécifique dans la procédure.

L’agent peut jouer le rôle d'un membre de l’équipe, aussi bien que le rôle de tuteur pendant les activités collectives. Dans cette discipline, la gestion et l’adaptation des comportements conversationnels et pédagogiques d’agents virtuels dans un EVFC est un sujet dans lequel il reste beaucoup de progrès à faire. ** : Suivi la présentation dans le site web de LITIS TIEU LUAN MOI download : [e-mail] 2 Le mémoire est structuré en quatre grandes parties : CHAPITRE 1 - PROBLÉMATIQUE. Ce chapitre présente brièvement l’environnement du stage, le contexte du sujet et la limitation de travail dans ce stage.

En plus, il présente aussi un schéma qui décrit le système de décision et pédagogie générale d'un agent. CHAPITRE 2 - LES DÉFINITIONS ET L’ÉTAT DE L’ART. Dans ce chapitre, nous présentons la recherche sur deux parties : Dans la première partie, nous faisons la recherche sur les travaux existants du problème de la situation dans le domaine de linguistique et dans le domaine de l'informatique pour montrer une définition de la situation de dialogue adaptée à notre problème. Ensuite nous étudions différentes techniques qui peuvent être utilisées dans ce domaine de recherche.

À partir de cette étude, nous pourrons choisir une technique avec l'amélioration pour qu'elle puisse s'adapter avec le projet. Enfin, c'est la présente de façon générale de la méthode choisie et l'amélioration de la méthode. La deuxième partie, ce sont des recherches sur la modélisation de la communication homme-machine. Cette partie présente aussi l'étude sur les travaux existants, et issus de cette étude, nous proposons une méthode qui peut résoudre notre problème.

Ce chapitre présente les outils et l’environnement de développement des techniques, algorithmes et améliorations présentées dans le chapitre 2. Nous présentons aussi les résultats obtenus, l’analyse de ces résultats et une comparaison entre notre programme et l'application existante. Ce chapitre présent une application qui utilise la machine à états pour la modélisation de conversations homme – machine. TIEU LUAN MOI download : [e-mail] 3 CHAPITRE 1 : PROBLÉMATIQUE Le stage s’appuie sur les projets EAST (Environnements d’apprentissage scientifiques et techniques) et NARECA (Narrative Embodied Conversationnal Agent).

L’enjeu principal est de développer les comportements décisionnels et pédagogiques d'un agent. Le stage porte principalement sur la modalité verbale. En particulier, l’objectif sera de mettre en place un module décisionnel pour l'agent : à quel moment fournir un support pédagogique à partir d’une structure procédurale de la tâche, et à partir de quels contenus sémantiques et pragmatiques.1 Le contexte du travail : Dans le cadre de ce stage, on compte un utilisateur qui travaille avec un tuteur. L’utilisateur communique avec le tuteur par la parole qui sera transformée en phrases de textes.

Une fois qu’on a des textes ou bien des actions dans l’environnement de virtuelle comme les entrées, les résultats qu’on souhaite sont la réponse de tuteur ou les aides par des actions. Notre travail a suivi les étapes schématisées dans la figure 1 : TIEU LUAN MOI download : [e-mail] 4 Figure 1 : Le système de pédagogie générale En global, le processus de modélisation du système par la génération d'action pédagogique se divise en deux grosse parties. La première partie est de traiter un ensemble de textes (corpus, détaillé dans la suite), la deuxième partie gère les actions pédagogiques (On travaille dans un EVFC donc cet environnement nous permet de bien expliquer les actions par le Tuteur. C’est la raison pour lequel le Tuteur est capable d’identifier le comportement de l'utilisateur et de donner les actions pédagogiques).