Thèse soutenue

Capitalisation et partage de connaissances d’analyse de traces numériques d’activités : assister le suivi de l'activité dans les environnements de formation à base de simulateur pleine échelle
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Olivier Champalle
Direction : Alain MilleKarim Sehaba
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 04/07/2014
Etablissement(s) : Lyon 1
Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon
Partenaire(s) de recherche : Laboratoire : LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône ; 2003-....) - Supporting Interaction and Learning by Experience
Jury : Président / Présidente : Pierre Maret
Examinateurs / Examinatrices : Thibault Carron, Marie-Cécile Malatrait, Marc Dobler
Rapporteurs / Rapporteuses : Serge Garlatti, Christophe Choquet

Résumé

FR  |  
EN

Nos recherches s'inscrivent dans le domaine de l'ingénierie des connaissances et plus particulièrement dans la capitalisation et le partage de connaissances d'observation et d'analyse de traces numériques d'activités. Dans ce cadre, nous basons notre approche sur le concept de la trace modélisée (M-Trace) développée par l'équipe SILEX. Au travers de notre approche nous donnons la possibilité d'exploiter des traces numériques d'activités de bas niveaux pour faire émerger des connaissances de plus haut niveaux obtenues via des transformations à base de règles. Ces règles modélisent des connaissances d'observation et d'analyse de différents utilisateurs et sont capitalisables et partageables entre ces derniers. Nous complétons notre proposition en fournissant une visualisation synthétique des niveaux de connaissances et de leurs observés. Via un modèle générique de trace, que nous avons développé, cette synthèse visuelle est navigable afin de permettre aux utilisateurs d'explorer les différents niveaux de connaissances et de reconstituer le chemin de construction des observables entre les niveaux, facilitant ainsi l'analyse. Nos différentes propositions ont été réifiées dans un logiciel du nom de D3KODE (« Define, Discover, and Disseminate Knowledge from Observation to Develop Expertise »). Ce logiciel a été mis à l'épreuve dans le contexte de la formation professionnelle sur les simulateurs pleine échelle du groupe EDF utilisés pour la formation et le perfectionnement des agents de conduite de centrale nucléaire. Dans un tel cadre l'observation, l'analyse et le débriefing des interactions individuelles et collectives des opérateurs sont des activités critiques et particulièrement dense notamment pour les jeunes formateurs. Les données collectées sont difficilement exploitables dû à leur grande quantité et à leur très bas niveau nécessitant une expertise forte que tous les formateurs ne possèdent pas. Ce travail a donné lieu à une évaluation en contexte réel sur simulateur pleine échelle et à des résultats significatifs permettant de valider notre approche et d'encourager des perspectives de recherche nombreuses