Telechargé par ta ra

ProceedingSNTE2012

publicité
Le Laboratoire des Sciences et Technologies de
l'Information et de la Communication
de l'université 8 Mai 1945-Guelma
le 1er Séminaire National sur les Technologies Educatives
SNTE’2012
Guelma, 6-7 Mars 2012
http://www.univ-guelma/snte/index.html
Préface
Ces actes regroupent les articles présentés lors du Premier Séminaire National sur les
Technologies Educatives (SNTE 2012) qui s’est déroulé à Guelma, Algérie, du 06 au 07 Mars
2012.
SNTE est la première conférence consacrée aux technologies éducatives en Algérie. Cette
manifestation rassemble plusieurs axes de recherche comme :
 E-Learning & Systèmes d’enseignement à distance
 Tutorat à distance
 Systèmes tuteurs intelligents
 Hypermédias éducatifs
 Systèmes éducatifs personnalisés et adaptatifs
 Apprentissage collaboratif
 Questions culturelles dans le développement du système éducatif
 Evaluation dans les environnements d’apprentissage/enseignement
 Traçage des activités des apprenants
 Modélisation des apprenants
Le programme de cette première édition comportent à la fois des articles consacrés à des travaux
théoriques et à des applications qui font souvent appel à diverses techniques issues des différents
thèmes couverts par ce séminaire. Le comité de programme a procédé à l’évaluation de 53 articles
soumis et dont 21 ont été sélectionnés, ce qui donne un taux de sélection de 40%.
Le programme du séminaire comporte également trois plénières données par des chercheurs de
renommée nationale.
Conférences plénières
Auteur : Pr. LASKRI Mohamed Tayeb (Université Annaba)
Titre : LE E-LEARNING : ENJEUX ET STRATEGIE
Auteur : Pr. Kholladi Mohamed-Khireddine (Université de Constantine)
Titre : APPRENTISSAGE A DISTANCE DANS LA SOCIETE DE L’INFORMATION ET DU
SAVOIR : ENJEUX ET DEFIS
Auteur : Dr. Gherairia-Herkas Wassila (Université de Guelma)
Titre: ROLE DES TECHNOLOGIES EDUCATIVES DANS
L'APPRENTISSAGE.
L'AMELIORATION
DE
Nous remercions les auteurs pour leurs excellentes contributions, les conférenciers invités, les
membres du comité de programme et les membres du comité d’organisation du séminaire.
Pr. Seridi Hamid
Président du comité de programme
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Mot du président du comité
d’organisation
Le 1er Séminaire Nationale sur les Technologies Educatives (SNTE) est la première
manifestation scientifique nationale organisée par le laboratoire des Sciences et Technologies
de l’Information et de la Communication (LabSTIC) de l’Université 08 Mai 1945 de Guelma.
Ce séminaire vise à réunir des spécialistes de l'éducation, des administrateurs, enseignants,
doctorants, jeunes chercheurs pour discuter des implications théoriques et pratiques de
l'apprentissage et l'enseignement dans un environnement scientifique. Un accent particulier
sera mis sur l’état d’application de ces technologies dans les établissements éducatifs
algériens.
SNTE'2012 se veut un lieu convivial de rencontres, de discussions et d'échanges entre les
chercheurs algériens. Il a pour vocation d'offrir aux chercheurs l'occasion de se rencontrer, de
présenter leurs travaux et de comparer leurs approches.
Au total quatre-vingt (80) chercheurs de vingt (20) universités, écoles supérieures et
laboratoires de recherche ont participé à ce séminaire. Cinquante-trois (53) articles ont été
soumis à la conférence. Chaque soumission a été évaluée au moins par deux (02) membres du
comité de scientifique, vingt et un (21) ont été sélectionnés, seize (16) pour communication
orale et cinq (05) pour présentation poster, soit un taux d’acceptation de 40%.
Enfin, je tiens à remercier vivement tous les membres du comité d’organisation pour leurs
contributions physique et morale, tous les membres du comité de programme d’avoir consacré
de leurs temps pour l’évaluation des articles ainsi que toute personne ayant contribué de près
ou de loin pour la réussite de ce séminaire.
Dr. Lafifi Yacine
Le président du comité d’organisation
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Présidents d’honneur :
Pr. Nemamcha Mohamed, Recteur de l’Université 08 Mai 1945 de Guelma, Algérie
Pr. Meddour Athmane, Doyen de la faculté des Mathématiques, d’Informatique et des Sciences de la
Matière
Président du séminaire :
Pr. Seridi Hamid, Université de Guelma
Comité d’Organisation
Président :
Dr. Lafifi Yacine
Membres :








Mr. Bourbia Riad
Mr. Seridi Ali
Mr. Hadjeris Mourad
Mr. Halimi Khaled
Mr. Khebizi Ali
Mr. Benselim Mouhamed Salah
Mr. Gouasmi Noureddine
Mm. Bordjiba Yamina
Comité de programme:
Président:
Pr. Seridi Hamid, Université de Guelma
Membres:
Dr. Abdelmalek Amine, Université de Saida
Dr. Ahmed-Ouamer Rachid, Université de Tizi-Ouzou
Dr. Atmani Baghdad, Université d’Oran
Dr. Babahenini Chaouki, Université de Biskra
Pr. Balla Amar, ESI, Alger
Pr. Benatchba Karima, ESI, Alger
Dr. Bensebaa Tahar, Université d’Annaba
Dr. Benslimane Sidi-Mouhamed, Université de Sidi Bel Abbes
Dr. Bouarab-Dahmani Farida, Université de Tizi Ouzou
Dr. Boudouda Houria, Université de Guelma
Pr. Boufaida Mahmoud, Université de Constantine
Pr. Boufaida Zizette, Université de Constantine
Dr. Bouhaddada Tahar, Université d’Annaba
Dr. Bourouieah Douadi, Université de Guelma
Dr. Chalal Rachid, ESI, Alger
Pr. Chaoui Allaoua, Université de Constantine
Dr. Elberrichi Zakaria, Université de Sidi Bel Abbes
Dr. Foudil Cherif, Université de Biskra
Dr. Ghomari Reda Abdessamed, ESI, Alger
Pr. Haddadi Salim, Université de Guelma
Dr. Hidouci Walid Khaled, ESI, Alger
Pr. Kazar Okba, Université de Biskra
Dr. Khababa Abdellah, Université de Sétif
Dr. Kholladi Khireddine, Université de Constantine
Dr. Kouninef Kacem, ITO, Oran
Dr. Lafifi Yacine, Université de Guelma
Pr. Laskri Mouhamed-Tayeb., Université d’Annaba
Dr. Louar Reda, Université de Tébessa
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Dr. Mazouzi Smain, Université de Skikda
Dr. Melkemi Kamel, Université de Biskra
Dr. Melouah Ahlem, Université de Guelma
Dr. Mokhati Farid, Université d’Oum El Bouagui
Dr. Moussaoui Abdelouahab, Université de Sétif
Dr. Nader Fahima, ESI, Alger
Dr. Nemessi Mouhamed, Université de Guelma
Dr. Seridi-Bouchelagham Hassina, Université d’Annaba
Dr. Talhi Said, Université de Batna
Dr. Touahria Mouhamed, Université de Sétif
Dr. Zidat Samir, Université de Batna
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Mardi 6 Mars 2012
Bibliothèque Centrale [Université 08 Mai 1945 Guelma]
08:00 – 09:00
Enregistrement
09:00 – 09:15
Cérémonie d’ouverture
[Hall d’entrée]
[Amphithéatre]
Session plénière 1
09:15 – 10:15
LE E-LEARNING : ENJEUX ET STRATEGIE, Pr. LASKRI Mohamed Tayeb (Université
Annaba)
Président de session: Pr. Seridi Hamid
[Amphithéatre]
Pause Café
10:15 – 10:30
[Hall d’entrée]
Session plénière 2
10:30 – 11:30
APPRENTISSAGE A DISTANCE DANS LA SOCIETE DE L’INFORMATION ET DU
SAVOIR : ENJEUX ET DEFIS, Pr. Kholladi Mohamed-Khireddine (Université de
Constantine)
[Amphithéatre]
Président de session: Pr. LASKRI Mohamed Tayeb
11:30 – 12:00
Session Poster
[Hall d’entrée]





Conception d’un Modèle d’Assistance basée Web Services dans un Environnement
d’Apprentissage à Distance. N. Beggari, T. Bouhadada (Université d’Annaba)
Vers un système d'apprentissage contexte_aware dans des environnements
éducatifs mobiles et ubiquitaires. Iness Nedji Milat, Hassina Seridi, Abdelhak Djamel
Seriai (Université d’Annaba)
Un outil générique de guidage à base de traces : modèle et expérience. Mohamed
Hafidi, Tahar Bensebaa (Université d’Annaba)
Adaptation des Services Web avec l’environnement mobile. Baroudi Toufik, Zidani
Abdelmadjid, Khababa Abdallah (Université de Batna)
Intelligent framework for Resource Discovery in peer to peer systems. Ilies Lekhal,
Rachida Mekki (USTOran)
Déjeuner
12:00 – 14:00
Communications Orales
14:00 – 16:00
Session 1 : Formation à distance, E-learning et Tutorat : Expériences et réalisations
Présidents de session: Pr. Balla Amar, Dr. Bouarab-Dahmani Farida
[Amphithéatre]





16:00 – 16:15
Les Technologies de l’Information et de la Communication dans l’Enseignement en
Algérie. Razika Tahi (Université de Boumerdès)
Agent conversationnel animé pour l’apprentissage du calcul. N. Ouasti, F. Bendella,
K. Belmabrouk (Université de Chlef).
Conception et expérimentation d’un dispositif de formation à distance en
Ornithologie. Farrah Samraoui, Corinne Colette Mekhancha Dahel, Said
Berrouk (Université de Guelma).
LETline: un système de tutorat en ligne. Hajer Faci, Karima Azzouz, Yacine Lafifi
(Université de Guelma).
Un système d'inférence basé sur les ontologies pour la recherche d'objets
pédagogiques pertinents. Amel Behaz,
Zine Mahieddine Khalil, Mahieddine
Djoudi (Université de Batna).
Pause Café
[Hall D’entrée]
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Communications Orales
Session 2 : Hypermédias éducatifs
16:15 – 17:30
Président de session: Dr. Ahmed-Ouamer Rachid, Dr. Atmani Baghdad
[Amphithéatre]



An approach to Adaptive Hypermedia System based on Thinking Styles:
Implementation and evaluation. Lamia Mahnane, Mohamed Hafidi, Mohamed .T
Laskri (Université d’Annaba)
ALEM : Un Modèle de Référence pour Les Hypermédias Adaptatifs Educatifs. Saliha
Bali ; Tahar Bouhadada (Université d’Annaba)
Intégration d’un module de télé-expérimentation dans un hypermédia intelligent
d’apprentissage à distance. Fairouz KHADRAOUI, Talhi Said (Université de Batna)
Mercredi 7 Mars 2012
Bibliothèque Centrale [Université 08 Mai 1945 Guelma]
08:00 – 08:30
Enregistrement
08:30 – 09:30
Session plénière 3
[Hall d’entrée]
ROLE DES TECHNOLOGIES EDUCATIVES DANS L'AMELIORATION DE
L'APPRENTISSAGE. Dr. Gherairia-Herkas Wassila (Université de Guelma)
Président de session: Pr. Kholladi Mohamed-Khireddine
[Amphithéatre]
Communications Orales
Session 3 : Traces & Adaptation de l’apprentissage
Présidents de session: Pr. Elberrichi Zakaria, Dr. Seridi Hassina
09:30 – 11:15
[Amphithéatre]




11:15 – 11:30
Gestion de l’expérience d’apprentissage pour l’adaptabilité à base de trace. Samia
Ait Adda, Catherine Faron Zucker, Amar Balla (ESI, Alger).
Système de Réutilisation des Traces numériques : SRTn. Soumia Felkaoui, Yacine
Lafifi, Hassina Seridi-Bouchelaghem (Université de Guelma).
Invocation et découverte sémantique des activités d'apprentissage. A. Boublenza,
W. Abderrahim, F. Hadjila, E.A. Ouraiba, M.A. Chikh (Université de Tlemcen).
Aspects of integrated, personalizable and adaptable e-Learning. Assma Bezza, Farhi
Marir, Amar Balla ( ESI, Alger).
Pause Café
[Hall d’entrée]
11:30 – 12:45
Communications Orales
Session 4 : Evaluation des apprenants & Recherche d’Objets d’apprentissage
[Amphithéatre]
Présidents de session: Dr. Bensebaa Tahar, Dr. Said Talhi




Evaluation Automatisée d’Apprenants Basée sur la Notation Granulaire de
l’Approche ODALA+. Farida Bouarab-Dahmani, Malik Si-Mohammed (Université de
TiziOuzou).
Meaningful Evaluation of Learners’ Algorithmic Solutions. Anis Bey, Tahar
Bensebaa (Université d’Annaba).
Une architecture basée agents pour la recherche d'informations pertinentes et
personnalisées dans les systèmes éducatifs. Dridi Ouarda (Université de
Constantine).
Plateformes collaboratives d'enseignement à distance (CMS, LMS et LCMS),
Environnement Numériques de Travail (ENT), EIAH, groupware et bureau virtuel.
Quels outils et quelles fonctionnalités pour quels usages ? Boukelif
Aoued (Université de Sidi Bel Abbès)
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
12:45 – 13:00
Cérémonie de clôture
[Amphithéatre]
13:00 – 15:00
15:00 – 19:00
Déjeuner
Visite du Complexe Thermale Hammam Debagh
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Session Plénière
Le e-Learning : Enjeux et Stratégie.......................................................................................................... 2
Pr. LASKRI Mohamed Tayeb (Université Annaba)
Apprentissage à Distance dans la société de l’information et du savoir : Enjeux et Défis..................... 3
Pr. Kholladi Mohamed-Khireddine (Université de Constantine)
Session 1 :
Les Technologies de l’Information et de la Communication dans l’Enseignement en Algérie ............... 5
Razika Tahi (Université de Boumerdès)
Agent conversationnel animé pour l’apprentissage du calcul .............................................................. 12
N. Ouasti, F. Bendella, K. Belmabrouk (Université de Chlef)
Conception et expérimentation d’un dispositif de formation à distance en ornithologie ................... 18
Farrah Samraoui, Corinne Colette Mekhancha Dahel, Said Berrouk (Université de Guelma).
LETline : Un système de Tutorat en ligne.............................................................................................. 25
Hajer Faci, Karima Azzouz, Yacine Lafifi (Université de Guelma).
Un système d'inférence basé sur les ontologies pour la recherche d'objets pédagogiques pertinents
............................................................................................................................................................... 34
Amel Behaz, Zine Mahieddine Khalil, Mahieddine Djoudi (Université de Batna).
Session 2 :
An approach to Adaptive Hypermedia System based on thinking Styles: Implementation and
evaluation.............................................................................................................................................. 43
Lamia Mahnane, Mohamed Hafidi, Mohamed .T Laskri (Université d’Annaba)
ALEM : Un Modèle de Référence pour Les Hypermédias Adaptatifs Educatifs .................................... 49
Saliha Bali ; Tahar Bouhadada (Université d’Annaba)
Intégration d’un module de télé-expérimentation dans un hypermédia intelligent d’apprentissage à
distance ................................................................................................................................................. 57
Fairouz KHADRAOUI, Talhi Said (Université de Batna)
Session 3 :
Gestion de l’expérience d’apprentissage à base de traces pour l’adaptabilité dans un EIAH .............. 67
Samia Ait Adda, Catherine Faron Zucker, Amar Balla (ESI, Alger).
Système de Réutilisation des Traces Numériques : SRTn ..................................................................... 74
Soumia Felkaoui, Yacine Lafifi, Hassina Seridi-Bouchelaghem (Université de Guelma)
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Invocation et découverte sémantique des activités d'apprentissage.................................................... 81
A. Boublenza, W. Abderrahim, F. Hadjila, E.A. Ouraiba, M.A. Chikh (Université de Tlemcen).
Aspects of Integrated, Personalizable and adaptable e-learning ......................................................... 88
Assma Bezza, Farhi Marir, Amar Balla ( ESI, Alger).
Session 4 :
Evaluation Automatisée d’Apprenants Basée sur la Notation Granulaire de l’Approche ODALA+ ...... 97
Farida Bouarab-Dahmani, Malik Si-Mohammed (Université de TiziOuzou).
Meaningful Evaluation of Learners’ Algorithmic Solutions................................................................. 105
Anis Bey, Tahar Bensebaa (Université d’Annaba).
Une architecture basée agents pour la recherche d'informations pertinentes et personnalisées dans
les systèmes éducatifs......................................................................................................................... 113
Dridi Ouarda (Université de Constantine).
Plateformes collaboratives d'enseignement à distance (CMS, LMS et LCMS), Environnement
Numériques de Travail (ENT), EIAH, groupware et bureau virtuel. Quelles outils et quelles
fonctionnalités pour quels usages ?. ................................................................................................... 121
Pr Boukelif Aoued (Université de Sidi Bel Abbès)
Session Poster
Conception d’un Modèle d’Assistance basée Web Services dans un Environnement d’Apprentissage à
Distance............................................................................................................................................... 131
N. Beggari, T. Bouhadada (Université d’Annaba)
Vers un système d'apprentissage contexte_aware dans des environnements éducatifs mobiles et
ubiquitaires.......................................................................................................................................... 138
Iness Nedji Milat, Hassina Seridi, Abdelhak Djamel Seriai (Université d’Annaba)
Un outil générique de guidage à base de traces : modèle te expérience........................................... 146
Mohamed Hafidi, Tahar Bensebaa (Université d’Annaba)
Adaptation des Services Web avec l’environnement mobile ............................................................. 151
Baroudi Toufik, Zidani Abdelmadjid, Khababa Abdallah (Université de Batna)
Intelligent framework for resource discovery in peer to peer systems.............................................. 159
Ilies Lekhal, Rachida Mekki (USTOran)
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 1
Session Plénière
Le e-Learning : Enjeux et Stratégie
Laskri Mohamed Tayeb, Professeur des Universités, Groupe de Recherche en Intelligence Artificielle –
Laboratoire de Recherche en Informatique (GRIA/LRI), Université Badji Mokhtar Annaba, Algérie
[email protected]
Résumé :
Le e-Learning consiste à utiliser les ressources de l’informatique et de l’Internet pour
acquérir, à distance, des connaissances. Ce type d’apprentissage est devenu un domaine
révolutionnaire, un changement dans le domaine de l’apprentissage. Les instructions qu'il
offre en ligne peuvent être fournies quelque soit le lieu et le temps par une panoplie de
solutions d'apprentissage telles que les groupes de discussions, les cours virtuels « en live »,
vidéo et audio, Web chat, simulations. Les supports multimédias utilisés permettent de
révolutionner l’approche pédagogique, d’employer des méthodes plus ludiques où
l’interactivité joue un grand rôle, de diversifier les outils employés, de s’adapter davantage au
processus d’apprentissage de l’apprenant, qui devient le pilote de sa formation. Ce dernier
pourra se former à son rythme, en fonction de ses besoins et de ses disponibilités.
Le e-Learning est devenu, comme le e-commerce, un nouveau champ de recherche pour le
management des systèmes d’information, et nous voyons se développer progressivement les
trois grandes problématiques de cette discipline : d’abord l’accès aux ressources et la
modélisation des scénarios pédagogiques (le développement des S.I.), ensuite l’animation et
l’évaluation des dispositifs e-Formation (le contrôle des S.I.), et enfin l’alignement stratégique
et le nouveau marché de la formation (la stratégie des S.I.).
Dans cette communication, nous présenterons tout d’abord les éléments définitoires du eLearning, nous mettrons ensuite en évidence les défis auxquels doivent s’affronter les
établissements de formation pour mettre en application ce dispositif d’apprentissage pour
lequel nous rappellerons qu’il cadre bien avec les orientations de la nouvelle réforme du
système éducatif en Algérie à savoir le système LMD. Nous avancerons également la stratégie
générale à suivre par un établissement de formation afin d’assurer la mise en place de ce
dispositif d’enseignement.
L’enjeu de notre objectif à travers cette présentation consiste aussi à mieux appréhender la
notion de tutorat, et à tenter de montrer qu’à notre avis, cette fonction est plus qu’une fonction
d’accompagnement. En effet, et selon notre vision, les difficultés ne résident pas dans le fait
que la formation se passe à distance, mais plutôt dans le fait qu’il y a une mauvaise gestion de
l’accompagnement des apprenants dans ces dispositifs.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 2
Session Plénière
Apprentissage à Distance dans la société de l’information et du savoir
: Enjeux et Défis
Pr Kholladi Mohamed-Khireddine
Directeur du Laboratoire MISC
Chef de département Informatique
Université Mentouri Constantine
Tél. 0770.314924
email: [email protected]
Résumé :
Il y a convergence entre des technologies de l’information (traiter de l’information numérisée)
et des technologies de la communication (transporter de l’information numérisée).
Aujourd’hui, de nouveaux modes de communication sont apparus : le lien planétaire de tous
avec tous et tout, de la communication un vers un et un vers tous à la communication tous
vers tous, de la communication à la collaboration, et enfin des TIC aux TIC… L’information
est extérieure au sujet. Elle désigne des faits, des commentaires ou des opinions rassemblés
sous la forme de mots, d’image et de sons. On peut la stocker et la faire circuler. La société de
l’information est une société où l’information est une marchandise possédant de la valeur, que
l’on peut échanger, acheter, vendre, stocker, transporter, et traiter. Elle est technologique et
technocratique. Elle est celle du fossé numérique. La société du savoir s’intéresse aux
contenus plutôt qu’à la connectivité et à l’usage du savoir plutôt qu’à son stockage. Elle doit
être humaine, répondre aux aspirations des hommes, et permettre plus de justice, de solidarité,
de démocratie, de paix. Ce sont les enjeux humains, sociaux, culturels, politiques qu’il faut
prendre en compte pour une société du savoir. Le savoir dépend du sujet et lui est personnel.
Il est le produit de la reconstruction par le sujet, en fonction de son histoire, du contexte des
informations qu’il a prélevées. Le savoir est quelque chose que l’on a appris, construit et
acquis.
L’apprentissage à distance permet de rendre disponible les informations sur Internet. Il ne
délivre pas de diplôme mais une attestation de suivi de cours à la fin de la formation. Il
prépare aux épreuves qui dispensent des certificats d’aptitude. Le tutorat à distance est la
juxtaposition des concepts de tutorat et de distance. Il a pour principal objectif de soutenir les
efforts d'apprentissage dans le cadre d'un projet de formation ouverte et à distance. Il aide à
rompre l'isolement et à atteindre les résultats des objectifs pédagogiques des apprenants. Le
tutorat est une relation de formation entre un enseignant, le tuteur, et un apprenant, une
personne (ou un petit groupe de personnes) en apprentissage. Il se distingue de l'apprentissage
classique impliquant professeurs et élèves par une formation individualisée et flexible. Le
tuteur n'a pas forcément toutes les connaissances que doit maîtriser l'apprenant au terme de sa
formation car son rôle n'est pas d'apporter des réponses aux problèmes posés mais de guider
l'apprentissage. Les fonctions tutorales sont très variées selon les contextes et/ou les
dispositifs de formation. Ces fonctions sont le plus souvent décrites dans une charte tutorale
qui rassemble les droits et devoirs du tuteur vis-à-vis de l'institution qui l'emploie et des
apprenants qu'il encadre. Le tuteur intervient auprès des apprenants sur différents plans
cognitif, motivationnel, socio-affectif et métacognitif. Il peut être l'expert de contenu du cours
enseigné ou uniquement un assistant pédagogique. Les champs d'interventions tutorales sur le
contenu didactique, administratif, méthodologique, technique, etc. peuvent être répartis entre
différentes personnes et des ressources de support à l'apprentissage. On parle alors de système
tutoral.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 3
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 4
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Les Technologies de l’Information et de la Communication dans
l’Enseignement en Algérie
Razika TAHI
Résumé :
Laboratoire d’Électrification des Entreprises Industrielles.
Département d’Économie. Faculté des Hydrocarbures et de la Chimie.
Université M’hamed Bougara de Boumerdes.
Avenue de l’Indépendance 35 000 Boumerdes.
E- Mail : [email protected]
Théoriquement, l’utilisation des Technologies de l’Information et de la Communication dans
l’Enseignement a pour but d’améliorer la qualité de l’apprentissage en facilitant l’accès à des
ressources et des services, ainsi que les échanges et la collaboration à distance. Est-ce un leurre
ou la réalité ?
En 2003 les démarches débutent en Algérie pour équiper les établissements universitaires d’un
matériel spécialisé pour le télé-enseignement avec un budget supérieur à 700 millions de dinars.
En 2006 un plan de travail définit les prérogatives et la responsabilité de toutes les parties
concernées. En 2008 l’installation de salles de visioconférence est terminée et les essais sont
concluants, puis en 2011 un constat des plus décevant puisque l’utilisation de ce matériel est
insignifiant sur l’ensemble du territoire national !!
Pour comprendre cette situation, nous divisons cette communication en deux parties : l’une
concernant les objectifs et orientations du Ministère de l’Enseignement Supérieur et de la
Recherche Scientifique concernant le projet du téléenseignement, puis la seconde sur un état
des lieux. Ces deux parties permettront de montrer la difficulté de mettre en place un tel projet
en mettant en relief les contradictions entre théorie et pratique, puis nous terminons avec un
ensemble de propositions qui tiennent compte de notre environnement universitaire.
Mots clés : Technologies de l’Information et de la Communication dans l’Enseignement,
visioconférence, système d’enseignement à distance, e-learning.
Introduction
Beaucoup d’investissements dans les universités algériennes ont été consentis dans
l’acquisition d’un équipement informatique sophistiqué afin de résoudre quelques problèmes
dans l’enseignement supérieur. Or, nous constatons en pratique que ces équipements sont sous
utilisés, ou parfois même pas du tout utilisés. Plusieurs raisons peuvent expliquer cette
situation, dont l’une, assez importante, est le manque de maitrise de cette technologie appliquée
à l’enseignement supérieur. A des raisons intrinsèques à la technologie et à l’enseignement,
s’ajoute souvent un environnement austère et peu préparé à un tel changement, c’est le cas du
problème de connexion à l’internet, ce qui décourage souvent les meilleures volontés.
Concernant cette communication sur les TICE en Algérie, nous allons la diviser en deux
parties, l’une concernant les objectifs et orientations du MESRS, tirés essentiellement de son
site officiel, puis la seconde sur un état des lieux en nous limitant à la visioconférence dans
quelques établissements d’enseignements équipés du matériel nécessaire et le e-learning. Ces
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 5
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
deux parties permettront de montrer la difficulté de mettre en place un tel projet en mettant en
relief les contradictions entre théorie et pratique, puis nous terminons avec un ensemble de
propositions qui tiennent compte de l’environnement universitaire.
 Le Programme National de télé-enseignement
Pour pallier au manque d’encadrement, et dans le but d’améliorer la qualité de la formation, en
se conformant aux exigences de l’assurance qualité, de nouvelles formes d’apprentissage et
d’enseignement, intégrant de nouvelles démarches éducatives dans le processus de formation
sont actuellement mises en œuvre. C'est ainsi qu'a été lancé le système national de téléenseignement, dont les objectifs sont répartis en trois étapes. La première à court terme est
d’« absorber » les flux d’étudiants, la seconde est de parvenir à l’assurance-qualité et la
troisième à la création d’une chaine du savoir.
Dans le « Rapport sur les priorités et la planification de l’année 2007 » établi en septembre
2006, le MESRS a inscrit au titre des « Objectifs stratégiques 2007-2008-2009 » les deux
objectifs suivants, en matière de Technologie de l’Information et de la Communication :
1 - Implémenter le système d'information intégré du secteur.
2 - Mettre en place le système de télé-enseignement en soutien à la formation en présentiel.
Dans ce qui suit nous ne considérons que ce deuxième objectif, le premier sort de l’objet
de cette communication.
Dans le monde du télé-enseignement, les diverses technologies présentes sur le marché mondial
se valent dans l’ensemble, et de ce point de vue, le MESRS n’est pas en reste, puisque dès
2003, des démarches ont été engagées pour doter tous les établissements d’équipements de téléenseignement spécialisés, pour un montant total de 716 152 000 DA. Ce qui fait la « distinction
», ce sont surtout les choix stratégiques en termes d’utilisation de ces équipements. Ces choix
tendent généralement à répondre à des besoins académiques universels tout en s’adaptant aux
spécificités des contextes nationaux. C’est cet état d’esprit qui a présidé au choix de la stratégie
de télé- enseignement en Algérie. Le télé-enseignement est considéré comme un soutien à la
formation en présentiel, qu’il complète et conforte, alors que dans certains pays (développés ou
en voie de développement), il est plutôt une option, parmi d’autres, offerte de façon distincte à
l’apprenant.
Cette approche permet ainsi à notre pays de relever un défi qui n’est pas des moindres. Il s’agit
de réaliser les objectifs suivants :
- Absorber les flux continuels d’apprenants, et tendre dans le même temps, à
surmonter graduellement les effets de la pyramide « renversée » qui caractérisent
actuellement le corps enseignant (aspect quantitatif).
- Améliorer la qualité de la formation et se rapprocher rapidement des normes et
standards internationaux en termes d’assurance-qualité (aspect qualitative).
Pour atteindre ces objectifs, un agenda à court, moyen et long terme, reflétant des
préoccupations immédiates, intermédiaires et un peu plus distantes, a été arrêté.
Pour rationaliser l’utilisation des ressources humaines et matérielles par le réseau de
visioconférences et le système de e-learning du MESRS à court terme, il a été mis en œuvre :
- Un réseau de visioconférences, intégrant tous les établissements universitaires, dont 13
sont des sites émetteurs et 46 sont des sites récepteurs. Bien que ce réseau permette
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 6
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
l’enregistrement et la diffusion différée de cours, il est utilisé essentiellement en mode
synchrone, nécessitant la présence concomitante de l’enseignant, du tuteur et de l’étudiant.
L’exploitation de ce réseau peut actuellement se faire en mode point à point. Dès l’installation
complète des équipements et la formation des compétences, le système peut absorber jusqu’à
18 visioconférences simultanées, grâce à un nœud central et six unités multi-sites, placés au
CEntre de Recherche sur l’Information Scientifique et Technique. Le réseau a été élargi - à
partir de la rentrée 2009-2010 - aux écoles préparatoires qui, en plus, ont été dotées de
laboratoires virtuels et de salles de cours multimédia reliées par leur propre réseau de
visioconférences.
- Une étape parallèle qui consiste à mettre en place le système de e-learning, basé sur une
plate-forme de télé-enseignement client- serveur, permettant la création et l’accès à des
ressources en ligne, en mode asynchrone (différé). L’apprenant peut y accéder à tout moment et
en tout lieu, avec la présence ou non du tuteur. Cette plateforme permet d’ores et déjà aux
enseignants de mutualiser diverses ressources en ligne (cours, exercices, travaux pratiques,
animations, simulations, et autres), et offre ainsi à l’apprenant un support pédagogique riche,
diversifié et permanent. La plateforme offre également des outils permettant l’échange et la
collaboration entre enseignants/tuteurs et apprenants et/ou entre apprenants (messagerie, forum,
chat, espaces de dépôts et de téléchargements).
Pour parvenir à cet objectif, un plan de travail définissant clairement, depuis la mi- novembre
2006, les prérogatives et les responsabilités de toutes les parties concernées (Comités
régionaux d’évaluation, Direction de la Formation Supérieure Graduée, Etablissements,
CERIST, Université de Formation Continue et fournisseurs d’équipements et de services) a été
mis en place. Les établissements disposent actuellement de cellules de télé-enseignement
dotées d’experts pédagogiques, d’ingénieurs et de techniciens ayant bénéficié de formations
spécifiques et multiformes, dans le cadre de différents projets de coopération notamment dans
le cadre du projet Avicenne (UNESCO et Commission Européenne), du programme de
coopération CoseLearn (Suisse), et du Campus numérique de l’AUF, hébergé à l’Université
des Sciences et de la Technologie Houari Boumediene.

Etat des lieux du télé-enseignement et propositions d’adaptation
Si dans les textes le télé-enseignement, à travers la visioconférence et le e-learning, doit
correspondre à un besoin réel dans l’enseignement au sein de nos universités, son usage n’en
est rien dans la réalité. Celui-ci s’appuyant sur des techniques audio-visuelles en mode
synchrone très sophistiquées et un matériel très couteux, qui n’est malheureusement pas
rentabilisé selon le constat établi ci-dessous, rend le projet de télé-enseignement en Algérie
peu réalisable, ou du moins très difficile à réaliser.
-
La visioconférence
L’une des plus grandes contradictions entre les objectifs de la tutelle et l’usage de la
visioconférence est que d’une part la tutelle désire diffuser l’enseignement à un très grand
nombre d’étudiants (des milliers), et d’autre part les salles de visioconférence ne peuvent
recevoir qu’un nombre limité d’étudiants (généralement inférieur à 100). Alors comment
concilier cet objectif et l’usage de ce matériel ? Doit-on prendre le risque de faire des
investissements supplémentaires alors que les premiers investissements n’ont pas été
rentabilisés ?
Le constat de l’usage de la visioconférence en Algérie est des plus déconcertants. Après près de
trois ans de son installation, avec en plus des essais concluants, les salles de visioconférence
sont encore sous utilisées et parfois même n’ont jamais été utilisées !! Ce constat est tiré d’un
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 7
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
échantillon composé de six établissements universitaires où l’état des lieux est sensiblement le
même, à quelques différences insignifiantes (enquête faite lors d’un séminaire sous la direction
de H. Cherroun). Le constat concernant le matériel est plutôt positif, matériel répondant aux
normes internationales et opérationnel, par contre l’usage de ce dernier est des plus négatifs.
Le matériel existe et des essais ont permis de constater qu’il pouvait être opérationnel.
Cependant, le plus grand problème est de trouver les enseignants qui apportent la « matière
première » pour la mise en fonction de ce matériel. La « matière première » doit provenir des
enseignants qui sont l’élément essentiel de la réussite de ce projet au niveau national. Or, déjà
très peu d’enseignants savent qu’il y a un projet de visioconférence.
La réussite d’une visioconférence dépend de deux facteurs : technique et pédagogique. Le
facteur technique ne pose pas de problème majeur (mise à part améliorer les débits internet
existants en dotant les établissements d’une bande passante supérieure à 2 méga qui puissent
améliorer la qualité de la visioconférence). Cependant le facteur humain qui est le plus
important n’a pas été pris suffisamment en compte dans la charte proposée par la tutelle. Toutes
les études convergent vers la nécessité de préparer soigneusement le projet et les séances de
visioconférence afin de s’assurer de leur bon déroulement. Il faut tout d’abord avoir des
objectifs d’apprentissage clairement exprimés pour la visioconférence, vérifier que ces objectifs
soient bien adaptés au programme. Ensuite, identifier clairement les partenaires potentiels. Il
faut aussi préparer les interactions à l’avance (contenu des échanges, préparation des questions,
règles de communication, etc). Définir des procédures pour prévenir et traiter les problèmes
techniques (familiarisation avec l’équipement, tests d’appel, support technique, plan d’urgence
en cas de panne).
Il me semble qu’on a mis un peu « la charrue avant les bœufs » dans le lancement de la
visioconférence dans nos établissements d’enseignements. Cette préparation demande un lourd
investissement, en heures de travail, de la part de l’enseignant. Serait-il en mesure de s’investir
dans ce domaine qu’il ne connait pas sans aucune contrepartie ? La formation des enseignants
est certes prévue, mais seulement pour l’utilisation de ce matériel, le plus dur sera de changer
les habitudes d’enseignement des enseignants, et une habitude est très difficile à changer car
elle est avec le temps une deuxième nature. Pour encourager ce changement et surtout cet
investissement pour la préparation de cours, il faut répondre au principe que « tout travail
mérite salaire », donc rétribuer financièrement toute production pour la visioconférence. Des
textes (dans le journal officiel) existent déjà pour cette rémunération mais n’ont jamais été
appliqué (du moins à l’Université de Boumerdes). Beaucoup d’efforts encore dans la
sensibilisation et la formation doivent être fait pour que l’usage de la visioconférence se
généralise dans nos universités. Il se trouve aussi qu’un manque de volonté de la part des
décideurs et chefs d’établissements qui ne portent aucun intérêt à la visioconférence est à
déplorer, et dont l’incidence se traduit directement sur la motivation du personnel lié à cet
équipement, et des enseignants qui restent souvent dans l’ignorance totale quant à l’existence
même de la visioconférence.
Outil spécifique, la visioconférence impose ses règles. De manière globale, si nous voulons que
son intégration réussisse dans l’enseignement supérieur, il faut faire face, presque toujours, à
des modifications substantielles de l’acte d’enseignement. Ainsi plusieurs exigences méritent
d’être prises en compte :
- L’enseignant doit accepter les contraintes lourdes que son usage implique (recherche de
partenaires, préparation, suivi et évaluation avec les collègues avec qui il communique).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 8
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
-
La mise en œuvre d’une pédagogie faisant une large part à la communication.
La détermination explicite des objectifs des échanges.
L’adoption de modalités de travail de groupe.
La motivation à communiquer.
La préparation d’un scénario préalable pour le déroulement de la visioconférence.
Tout cela appelle à la formation des enseignants, d’une part à la manipulation du matériel et
d’autre part aux méthodes de la pédagogie de communication.
-
Le e-learning
Les objectifs assignés au e-learning sont nombreux, et parmi eux nous pouvons citer :
développer les possibilités d’apprentissage collaboratif et coopératif entre les apprenants,
faciliter l’accès aux contenus de formation pour des personnes éloignées de la formation
(géographiquement, socialement, à cause d’un handicap, etc.), faciliter la mise en commun et
l’échange d’outils pédagogiques entre les formateurs, capitaliser les outils pédagogiques
produits et utilisés par les formateurs, familiariser tous les usagers de la formation aux TIC afin
de réduire la fracture numérique, apporter de la flexibilité dans l’organisation des temps et lieux
de formation, diversifier les modalités d’accompagnement pédagogique apportées aux
apprenants (présence + communication à distance) et développer l’auto apprentissage au moyen
d’outils adaptés à cette modalité pédagogique.
Pour atteindre ces objectifs certaines aptitudes de l’apprenant sont nécessaires, particulièrement
celles d’autonomies pédagogique, scientifique et organisationnelle. Il doit savoir collaborer et
se débrouiller seul en situations complexes. Il doit distinguer l’essentiel du superflu, ne pas se
laisser submerger par un excès d’informations, faire de bons choix selon de bonnes stratégies,
gérer son temps et son agenda raisonnablement. Le tuteur a un rôle primordiale dans le elearning, on lui attribue plusieurs fonctions : méthodologique cognitive, méthodologique
métacognitive, sociale motivationnelle, technique, organisationnelle et d’évaluateur.
Ainsi donc, pour une formation à distance certaines conditions humaines et matérielles sont
nécessaires. Or, dans notre environnement, à travers mon expérience de trois formations de
courte durée, j’ai pu constater que plusieurs de ces conditions n’étaient pas respectées.
Les prés requis exigés, pour l’apprenant lors de nos formations, se limitaient à la maitrise de
l’outil informatique, la navigation sur internet et un minimum de connaissances de la langue
française. Or cette expérience a montré qu’il en fallait un peu plus dont principalement une
autonomie d’apprentissage avec une disponibilité de plusieurs heures quotidiennement de la
part des apprenants, ainsi que de pouvoir disposer d’un matériel minimum tel qu’un ordinateur
avec une connexion internet. Nous n’avons pas exigé ces prés requis car ils limitaient
considérablement la population qui aurait pu suivre ces formations de courte durée. Ainsi donc
ces limites, avant même le début des formations, biaisent les conditions de réussites d’une
formation à distance.
L’expérimentation a permis de mettre en relief nombre de problèmes auxquels nous avons dû
faire face. Plusieurs facteurs peuvent expliquer cette situation, le contenu du cours, le manque
d’autonomie de l’apprenant, les problèmes techniques, la mauvaise gestion du temps des
apprenants, leur motivation ou l’isolement de l’apprenant, voire l’orientation à l’apprentissage
de ces derniers.
Au niveau européen et mondial, une nouvelle représentation du type d’environnement de
travail à venir, relayée tant par les médias que par les textes politiques, pousse les institutions
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 9
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
d’enseignement universitaire à définir de nouveaux objectifs de formation. Ces nouveaux
profils définis pour les diplômés universitaires survalorisent notamment les approches
collaboratives et de résolution de problèmes mais aussi le recours aux TICE.
Le travail collaboratif et la communication sont souvent invoqués comme des procédés à valeur
ajoutée favorisés par des outils de type plate-forme. Mais cela reste d’une mise en œuvre
difficile. Les raisons qui expliquent les échecs ou l’absence d’usage sont nombreuses : outils
insuffisamment opérationnels, absence de référence aux compétences professionnelles visées,
absence de référence dans le domaine ou la discipline d’étude, absence de langage commun,
absence d'habitude, de pratique, situations de concurrence entre apprenants, activité surajoutée
à celles qui sont déjà demandées aux apprenants, donc refusée par manque de temps, absence
de prise en compte des activités de collaboration dans l'évaluation des acquisitions, manque de
clarté des critères d'évaluation des apprentissages. On peut ainsi dire qu’il y a de nombreuses
raisons d’échec dont une seule peut suffire à rendre inopérante la démarche ou en
compromettre le fonctionnement. Les relations formateur-apprenant dans l’e-learning sont
souvent la cause d’abandon. Le rôle d’un formateur est bien défini en théorie, mais il ne faut
pas oublier qu’un formateur n’est qu’un être humain avec ses défauts et ses qualités. Un
enseignant qui entre dans une salle de cours ne peut automatiquement éliminer tous les facteurs
irrationnels existants en lui et qui appartiennent à tout être humain, quelle que soit sa
profession. Ces facteurs sont aussi nombreux que divers : ambition, préjugé, tabou, illusion,
intuition, influence du milieu historique ou social, régionalisme ou nationalisme exacerbé,
lâcheté, jalousie, calamité, vanité ou rhétorique. La liste n’est malheureusement pas exhaustive
et ces facteurs ont une influence perceptible dans le travail de ce formateur. Du fait que ces
facteurs soient qualitatifs, ils ne sont pas intégrés dans le modèle d’où un écart plus ou moins
grand entre réalité et théorie.
Conclusion
Le danger pour la plupart des pédagogues (enseignants, chercheurs en sciences de l’éducation)
est de ne considérer que les caractéristiques pédagogiques de l’innovation associée aux usages
des Technologies de l’Information et de la Communication pour l’Enseignement en surestimant
souvent leur valeur ajoutée.
Au départ, la Formation À Distance consistait plutôt à favoriser une interaction entre un
champ de connaissances aménagé, médiatisé et un apprenant, au détriment d’une interaction
directe enseignant/apprenant. Cette vision de la FAD avait tendance à surestimer les
capacités d’autonomies pédagogiques, scientifiques et organisationnelles des étudiants. Or,
chez une majorité d’étudiants, l’autonomie est a priori faible ou inexistante. Il conviendrait
mieux de les aider à développer leur capacité de travail en autonomie que de présupposer
son existence pour mettre en place des formations à distance :
« l’autonomie n’est pas une
simple qualité mais un mode de conduite intégrée (une méta conduite) et, pour la plupart
des individus, cette conduite ne faisant pas naturellement partie de leur répertoire, elle
doit être apprise » (Linard, 2000). L’accompagnement pédagogique réalisé par un humain
est donc irremplaçable. Dans la formation à distance l’apprenant va rapidement se décourager
s’il n’est pas habitué à travailler seul. En effet, depuis notre plus jeune âge nous avons été
« formatés » à être enseignés plutôt qu’à apprendre. La majorité des élèves et des adultes sont
les premiers aujourd’hui à se référer au système traditionnel et sont souvent déroutés par des
pédagogies différentes. Il est donc nécessaire de maintenir dans des cours à distance la
motivation à un niveau élevé. En effet, le travail personnel demandé par l’enseignement à
distance exige une forte motivation pour ne pas abandonner. Une perte de la motivation
entraine systématiquement l’abandon des études.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 10
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Principales références bibliographiques
[1] Boly, V. 2009. Ingénierie de l'Innovation. Edition Hermès-Lavoisier.
[2] Bonami, M et Garant, M. 1996. Systèmes scolaires et pilotage de l’innovation. Emergence et
implantation du changement. De Boeck. Bruxelles.
[3] Charlier, B., Bonamy, J. & Saunders, M. 2002. Apprivoiser l'innovation. Une approche de
l'innovation : pourquoi ? Charlier, B. & Peraya, D. (Ed.). (2002). In Technologie et innovation en
pédagogie. Dispositifs innovants de formation pour l’enseignement supérieur. De Boeck. Bruxelles.
[4] Charlier, B, Deschryver, N, Peraya, D. 2006. Apprendre en présence et à distance. Une définition
des dispositifs hybrides. Revue Distances et Savoirs, (Volume 4 -N°4/2006) - Cned/Lavoisier.
[5] Cherroun, H et Bouzouad, M. 2008. Opération de téléenseignement en Algérie : Quelles
mesures pédagogiques d’accompagnement? [En ligne]. CEMAFORAD4 Strasbourg 9, 10 et
11 avril 2008. http://edison.u-strasbg.fr/openconf/papers/98.doc
[6] Donnay, J et Bru Marc. 2002. Recherches, pratiques et savoir en éducation. De Boeck. Bruxelles.
[7] Henri, F, Compte, C, Charlier, B. 2007. La scénarisation pédagogique dans tous ses débats…
Revue internationale des technologies en pédagogie universitaire. [En ligne] www.profetic.org/revue
[8] D. Peraya et B. Jaccaz. 2004. Analyser, Soutenir et Piloter l’Innovation : un modèle « ASPI ».
Colloque international TICE. Bruxelles.
[9] Linard, M. 2003. Autoformation, éthique et technologies : enjeux et paradoxes de l'autonomie. [En
ligne]
http://edutice.archives-ouvertes.fr/docs/00/00/17/81/RTF/Linard2003.rtf.
[10] Ministère de l’Enseignement Supérieur et de la Recherche scientifique.
http://www.mesrs.dz/e-learning/pg_nationale.php
[11] Tahi, R. 2011. Apprendre à comprendre et à analyse une information à travers une formation
ouverte à distance. Mémoire présenté pour l’obtention du diplôme de post-graduation spécialisée en
TICE. Option : Internet pour le Développement de l’Enseignement en Algérie (IDEA). Ecole Normale
Supérieur de Kouba, Alger.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 11
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Agent conversationnel animé pour l’apprentissage du calcul
N. Ouasti*, F. Bendella**, K. Belmabrouk **
*Département d’informatique, Faculté des sciences
Université Hassiba Ben Bouali de Chlef
** Laboratoire SIMPA, Département d’informatique, Faculté des sciences,
Université des Sciences et de la Technologie d’Oran
[email protected], [email protected], [email protected]
Résumé :
De nombreuses recherches ont démontré l’efficacité des agents conversationnels et leur
impact sur l’humain, dans les interfaces d’apprentissage : Amélioration de l’efficacité, de la
concentration etc. Nous proposons dans cet article un agent pédagogique cognitif(BDI) qui
permet de poser des fondations solides pour de futurs agents pédagogiques plus efficaces.
L’agent pédagogique conçu et réalisé est adaptable (choisit dynamiquement son rôle et sa
stratégie), élabore des réponses et des plans d’actions et évalue l’apprenant. L’environnement
Interactif d’Apprentissage Humain (EIAH) est un environnement informatique, il permet la
collaboration et l’exploitation des données nécessaires à cet agent. L’agent a une forme
humaine, il est capable d’émettre des émotions très proches d’un tuteur humain (animé) et de
ce fait d’améliorer l’apprentissage. Dans note travail l’agent pédagogique s’adresse à des
jeunes enfants, la présence d’un agent animé fait la différence concernant leur intentant et
curiosité (plus d’intérêt), et donc une meilleure mémorisation. L’ordinateur peut ainsi
favoriser une réelle pédagogie constructiviste.
Mots Clés : ACA (Agent Conversationnel Animé), EIAH (Environnement Interactif
d’Apprentissage Humain), Apprentissage du calcul, Agent pédagogique, (STI) Systèmes
Tuteurs Intelligents.
1
INTRODUCTION
Un EIAH est un environnement informatique qui offre à des agents humains et artificiels des
conditions d'interaction, des conditions d'accès à des ressources formatives ou des situations
d'apprentissage dans l'objectif est de susciter ou d'accompagner un apprentissage [Baudouin, 2005].
L'EIAH est un domaine de recherche pluridisciplinaire qui concerne l'informatique et plusieurs autres
disciplines (pédagogie, didactique, psychologie cognitive, sciences de l'éducation, ergonomie, sciences
de l'information et de la communication), il regroupe toutes les utilisations de l’informatique au
service de l’éducation et de la formation.
Cette étude porte sur les agents informatiques qui sont présents dans ces systèmes et en constituent
souvent le cœur. Même si leurs capacités, leurs représentations et leurs implémentations varient
beaucoup selon les systèmes, on peut donner les définitions suivantes [Baudouin, 2005] :
1. agent : entité informatique autonome et communicante.
2. agent éducationnel : agent utilisé dans un environnement d’apprentissage humain.
3. agent pédagogique : un agent éducationnel spécifique, impliqué dans le processus pédagogique. Il
est souvent personnifié et interagit directement avec l’apprenant.
L'arrivée des agents, entités autonomes pouvant facilement être considérées dans leur individualité
[Ferber,1995], et qui en plus peuvent disposer de capacités de reconnaissance et de synthèse de la
parole, ainsi que de représentations humanoïdes. Le domaine des systèmes multi-agents (SMA)
[Chaib-draa, 2002], dans lequel s'inscrit cet article, est jeune mais possède une histoire déjà riche à
travers ses domaines environnants, qui comprennent l’informatique, l’intelligence artificielle et les
systèmes répartis ; mais aussi l'éthologie, la psychologie, la sociologie ou encore la physique.
De nombreuses recherches s’intéressent à l’efficacité des agents conversationnels et à leur impact sur
l’humain [Ball, 2000][Slater, 2000]. Notre étude porte plus particulièrement sur l’efficacité permettant
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 12
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
de passer du "savoir enseigner" au "savoir à disposition de l'apprenant". Nous proposons un agent
conversationnel animé pour l’apprentissage du calcul adressé à de jeunes apprenants cause et que pour
des enfants la présence d’un agent animé fait la différence concernant leur intentant et curiosité (plus
d’intérêt), et donc une meilleur mémorisation.
2
ENVIRONNEMENT INTERACTIF D’APPRENTISSAGE HUMAIN
L’objectif de cette étude est de présenter un agent conversationnel pour l’apprentissage du calcul, il
pressente des documents pédagogiques d’une manière individualisée, adaptée à l’apprenant.
L’architecture d’un environnement adaptatif est d’une manière générale basée sur trois composants
du Systèmes Tuteurs Intelligents (STI) : a) un modèle de l’apprenant qui représente les informations
connues par le système à propos de l’apprenant, b) un modèle du domaine qui structure les éléments
pédagogiques auxquels l’utilisateur peut accéder, c) un modèle interface ou de l’hypermédia.
2.1
Le modèle de l’apprenant
2.2
Le modèle de l’hypermédia
2.3
Le modèle du domaine
L’adaptation peut s’effectuer en fonction d’une évaluation des connaissances de l’apprenant sur le
domaine d’apprentissage, en fonction d’une évaluation de connaissances indépendantes du domaine
d’apprentissage et/ou en fonction de modèles cognitifs (capacités cognitives, personnalité de
l’apprenant, âge…) [Rickel,2000]. Des évaluations pourront être effectuées par le système de manière
dynamique pendant le processus d’apprentissage, par exemple par validation de tests.
Au fur et à mesure des échanges avec l’apprenant, le système construit un profil de l’apprenant à partir
de l’historique des sessions, des réponses produites, et surtout de la liste des erreurs qui ont été
repérées. Les caractéristiques de ce modèle sont :
 L’identité de l’apprenant.
 Le niveau à atteindre.
 Le niveau atteint à la dernière session d’apprentissage.
 L’historique de tous les exercices effectués.
 Le profil des erreurs : erreurs types de l’apprenant et nombre de réalisations. Ce profil peut très
bien s’insérer dans l’historique.
Cette liste d’attributs est non exhaustive et peut être complétée selon les besoins correspondants au
domaine ou la manière dont on désire évaluer l’apprenant.
L’adaptation des documents pédagogiques peut affecter le contenu fourni à l’apprenant (contenu
adaptatif), la forme et la mise en page des documents multimédias (présentation adaptative), ainsi que
les possibilités de navigation offertes à l’apprenant (support de navigation adaptatif).
Cette composante est appelée l’expert du domaine. Il contient une représentation des connaissances
relatives au domaine enseigné (les cours de lecture). Contient toutes les données du domaine, c’est-àdire la description des compétences à acquérir mais aussi la représentation des connaissances à
transmettre.
Figure 1 : Présentation du cours
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 13
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
2.4
Agents Pédagogiques (L’agent conversationnel)
Notre agent conversationnel est un agent animé 3D utilisant un catalogue d’images des différentes
parties du corps (pupille, sourcils, tête, bras, corps), qui peuvent être utilisées pour différents types de
gestes (iconiques, emblèmes et déictiques par exemple). Les combinaisons de ces différentes images
ainsi que du message à synthétiser vocalement peuvent être spécifiées à un bas niveau en XML.
L’apparence de l’agent : une forme humaine, de type réaliste (l’agent s’adresse à des enfants donc il ne
faut pas les distraire avec un personnage fantastique) avec un grand sourire pour le rendre
sympathique. Il est adaptable (choisir dynamiquement son rôle et sa stratégie), élabore des réponses et
des plans d’actions et évalue l’apprenant, pour cela nous avons utilisé un modèle cognitif.
Les stratégies de comportement multimodal de l’agent sont la redondance entre parole et geste, un
langage XML permet de spécifier à un niveau plus abstrait le degré de redondance que doit montrer
l’agent dans son comportement lorsqu’il fait référence à des objets ainsi qu’une certaine variabilité
aléatoire afin d’éviter un comportement répétitif de l’agent,
– les modalités en entrée (l’utilisateur peut naviguer avec la souris, cliquer sur des boutons, taper des
phrases dans une boite de dialogue) ;
– les modalités disponibles en sortie (le comportement multi modale) : l’agent peut parler, afficher une
phase, et avoir une gestuelle adaptée au dialogue ;
– les différents rôles possibles de l’agent pédagogique liés aux aspects psychologiques de
l’apprentissage: Tuteur, Evaluateur, Conseiller, Compagnon, Facilitateur;
– les actions effectuées par l’ACA (agent conversationnel animé) : Les gestes déictiques ou
gestes d'indication, l’agent donne par exemple des informations visuelles (ex : montre un élément
présenté à l’écran et désigne une lettre). Les gestes multiples sont générés aléatoirement et sont
synchronisés au dialogue, Les gestes métaphoriques représentent un contenu abstrait du discours (ex :
haussement de la main pour dire non).
– les actes communicatifs pédagogiques et comportements multimodaux de l’agent sont les suivants :
 agir physiquement dans l’environnement éducatif : montrer comment exécuter une
action pour l’apprenant qui accède au cours pour la premier fois – aide à la navigation
;
 guider les actions de l'apprenant ;
 guider l'attention (regard, geste, posture, locomotion) et éviter les ambiguïtés ;
 fournir différents degrés de retour sur les actions de l'étudiant (féliciter, approuver,
désapprouver, s’étonner…) ;
 enseigner via un dialogue : produire un acte causal amenant l'étudiant à se poser une
question (gesticuler, se gratter la tête), fournir / demander des explications
rationnelles, indications et conseils sur la manière de résoudre les problèmes, présenter
des informations, initier un dialogue avec l'étudiant, répondre à des questions,
permettre à l'étudiant d'apprendre via un apprentissage basé sur la tâche. L’agent peut
choisir dynamiquement son rôle et sa stratégie pour qu’il soit plus facilement
réutilisable, par exemple pour générer différents cours. De plus, l’agent adapte son
comportement multimodal pour répondre à des besoins d’étudiants de différents
niveaux, ou pour réagir dynamiquement aux actions de l’étudiant.
Figure 2 : L’agent pédagogique
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 14
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Figure 3 : L’agent pédagogique avec de différentes émotions faciales
Dans la figure 2 l’agent pédagogique (personnage animé fournissant des indications verbales et nonverbales) et un cours d’apprentissage du calcul (au milieu). L’agent doit s’adapter par rapport au
niveau scolaire de l'apprenant et à l’historique de ses consultations du cours. L’apprenant a un niveau
faible et consultait le cours pour la première fois. Le système génère alors un parcours fortement guidé
afin que l’apprenant ne se perde pas, des pages peu denses dans la partie cours en se limitant aux
éléments pour lesquels l’apprenant a validé les prés requis et une contribution importante verbale et
non-verbale de l’agent pédagogique.
3
LES TECHNIQUES DE LA CONVERSATION DE L’AGENT
L’agent est un programme informatique qui fonctionne dans un système en temps partagé qui assure
une conversation en langage naturel entre l'apprenant et l'ordinateur. Des phrases d'entrées sont
analysées sur la base des règles de décomposition qui sont déclenchées par les mots clés apparaissant
dans le texte d'entrée. Des réponses sont produites par des règles de rassemblement liées aux règles
choisies de décomposition.
Les problèmes techniques fondamentaux avec lesquels l’ACA doit être préoccupé sont:
 L'identification des mots clés "les plus importants" arrivant dans le message d’entrée.
 L'identification de quelques contextes minimaux dans lesquels le mot clé choisit apparaît;
 Le choix approprié de la règle de transformation, et l'exécution de la transformation elle-même.
 La provision d'un mécanisme qui permet à l’agent de donner des réponses "intelligentes" si le
texte entré ne contient aucun des mots clés.
La provision des fonctionnements facilite l'édition et l'extension du script
3.1
Fichier de scripts
Les connaissances sont stockées comme script dans un dossier texte, où chaque ligne de ce texte
commence par une notation de commande pour les distinguer , ces notations sont: W, Q, V, I, K, N,
O, M, ‘& ‘, et ‘/ ‘, ils sont dénotés dans l'ordre, message bienvenu, stoppant le message, entrée vide,
transformation d'entrée, pattern de mot clé, pattern répondu de mot clé, transformation d'assortiment,
l'expression mémorisée, l'action à exécuter dans un message et un commentaire .
/ Le script commence par la réponse bienvenue, vide, mot clé
/ Transformations de mot clé:
et la réponse de la commande QUIT:
‘001’ K [phrase] exercice
‘001’ W Bonjour, « non de l’apprenant »
‘001’ R phrase] quelle partie ?
‘001’ V Peux-tu retapé ta phrase?
‘002’ K je pense [phrase]
‘002’ V tu n’as rien à dire ?
‘002’ R Pourquoi tu penses [phrase] ?
‘001’ N Dis-moi qu'est-ce que tu veux recommencer?
‘003’ K question
‘001’ Q Au revoir, à tout à l'heure.
‘003’ K !
/ Puis, des transformations d'entrées
‘001’ R Tu as une question à me poser ?
‘001’ I ok => oui
‘002’R Tu n’as pas compris ?
Figure 4 : Exemple du fichier scripts
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 15
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Le fichier de script peut contenir tout au plus 4 parties.
– Partie 1: lignes de commande du script des réponses de l’agent traitant les cas de la bienvenue, du
vide et du message sans mot clé.
 Messages bienvenues: commencent par la lettre ‘W’ et aléatoirement sélectionnés par le
système lorsqu'il est lancé.
 Messages sans mot clé: commencent par la lettre ‘N’ et sélectionnés par l’agent s'il n'y a
aucun pattern de mot clé qui convient.
– Partie 2: Règles de transformation d'entrées, qui transforment l'entrée de l’apprenant en d’autres
formes pour être compatibles avec des patterns définis de mot clé réglé. Ils commencent par la lettre
‘I’ dénotant l'entrée.
Exemple:
I Comprendre => Saisir
I refaire => recommence
C'est à dire que s'il y a le mot " Comprendre " dans le texte de l’apprenant, il sera remplacé par le mot
" Saisir ", et "" refaire sera remplacé par " recommencer ".
– Partie 3: Règles de transformation de sortie qui changent les pronoms personnels pour être
appropriés comme une réponse. Elles commencent par la lettre "O" dénotant la sortie.
Exemple:
O Je => tu
O vous => moi
– Partie 4: Patterns de mot clé qui seront employés avec ses réponses dans le processus assorti.
Chaque ligne de pattern de mot-clé commence avec la lettre 'K', et suivi par sa réponse qui commence
avec 'R'.
Si l'entrée l’apprenant est: Je pense que je me suis trompé.
La sortie de l’agent sera: Pourquoi tu penses que tu t’es trompé? [phrase] sera assorti par “ je me suis
trompé“.
Les mots-clés différents peuvent avoir la même réponse et en même temps n'importe quel mot-clé peut
avoir un ensemble de réponses à choisir aléatoirement par l’agent.
Entrée de
l’apprenant
Je n’ai pas compris
cet exercice.
Transformation
d’entrée
‘003’I
compris=>saisis
‘001’K [phrase] exercice
‘001’R [phrase] quelle
partie ?
‘005’ K [ ] comment
[phrase]
‘001’ R je t’explique ? &
{M fam [phrase]}
Comment faire
l’exercice ?
?
Pattern de mot clé
‘002’ I ? =>
question
‘003’ K question
‘001’ R tu as une question
à me poser ?
Transformation de
sortie
‘009’ O je n’ai =>
tu n’as
Réponse de
SARAH
Actions
Tu n’as pas saisis
quelle partie ?
je t’explique ?
Expliquer
l’exercice
tu as une question
à me poser
Table 1 : Méthode qui permet de produire des phrases
L’agent pédagogique gère des fonctions conversationnelles comme les tours de parole avec geste ou
expression faciale, le retour d’information sans interrompre l’apprenant, elle a la capacité de donner
des signaux qui indiquent l’état de la conversation comme les mécontentements ou les corrections. La
réalisation multimodale du comportement de l’agent peut être atténuée ou au contraire exagérée
suivant le contexte (l’apprentissage du calcul n’est pas comme l’apprentissage de la musique).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 16
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Table 2 : Les fonctions communicatives et les comportements multimodaux associés à l’agent
4
CONCLUSIONS ET PERSPECTIVES
L’Agent Conversationnel idéal, tel que les chercheurs du domaine l’idéalisent [Isbister, 2004] devrait
être intelligent, capable de comportements sociaux, et tirer parti de sa représentation visuelle pour
renforcer sa crédibilité (notamment par des comportements non verbaux sophistiqués et pertinents, par
l’expression d’émotions…).La personnalité des Agents est un élément de crédibilité.
Nous avons décrit l'intégration de notre agent conversationnel pédagogique dans un cours
d’apprentissage du calcul pour des enfants. Nous avons choisi un agent conversationnel animé avec
forme humaine pensent que la personnification des interfaces a plusieurs avantages comme, par
exemple, une meilleure crédibilité des agents visuels jouant le rôle d’experts dans un domaine précis et
une stratégie multimodal (Redondance des informations Grâce à ces données, nous pouvons affirmer
que la multimodalité associée à la répétition d’informations (redondance) est un facteur d’amélioration
de performances d’apprentissage mémoriel. Des effets positifs de la redondance dans des situations de
pédagogie ont déjà été observés [Moreno, 2002] et [Craig, 2002].
L’implémentation de notre agent a permis de concrétiser et de valider d’agent conversationnel animé
proposé dans ce projet en l’intégrant à un Environnement Interactif d’Apprentissage Humais dans un
domaine particulier qui y est l’apprentissage du calcul.
Pour tester si le comportement multimodal des agents ou l’apparence physique a de l’influence sur
l’apprentissage ou la mémorisation des informations, nous avons décidé de tester l’effet de l’agent
sur un groupe d’enfants de 6 a 9ans, partie évaluation de l’agent.
Cette expérience nous a indiqué que le présence de l’agent peut effectivement rendre une application
plus agréable à utiliser et amélioré les performances d’apprentissage.
BIBLIOGRAPHIE
[Ball, 2000] Ball, G. et Breese J. , “Emotion and personality in a conversational agent”. 189-219 (2000).
[Baudouin, 2005] Baudouin, C., “Rôle des Agents Pédagogiques dans les Environnements d’Apprentissage
Humain”. Centre Européen de Réalité Virtuelle ea3883 – lisyc, Laboratoire d’Informatique pour les Systèmes
Complexes Bibliographie de stage de Master 2 Recherche Informatique IFSIC, (2005).
[Chaib-draa , 2002] Chaib-draa, B. et Jarras I. ,“Aperçu sur les systèmes multiagents”. centre interuniversitaire
de recherche en analyse des organisations, Montréal, (2002).
[Craig, 2002] Craig, S.D., Gholson B., et Driscoll D., “Animated pedagogical agents in multimedia educational
environments: Effects of agent properties, picture features, and redundancy”. Journal of Educational Psychology,
428-434 (2002).
[Ferber, 1995] Ferber, J. “Les systèmes multi-agents : vers une intelligence collective”, paris. (1995).
[Isbister, 2004] Isbister, K. et Doyle P., “The blind men and the elephant revisited. 3-26: Kluwer Academic
Publishers. (2004).
[Moreno , 2002] Moreno, R. et Mayer R.E. ,“Verbal redundancy in multimedia learning: When reading helps
listening . Journal of Educational Psychology”, 156-163 (2002).
[ Rickel ,2000] Rickel, J. et Lewis JohnsonTask W.,“Oriented Collaboration with Embodied Agents in Virtual
Worlds”, chapitre 4, 95-122 (2000).
[Slater, 2000] Slater D., “Interactive Animated Pedagogical Agents - An introduction to an Emerging
Field”,(http://ldt.stanford.edu/~slater/pages/agents/)(2000).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 17
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Conception et expérimentation d’un dispositif de formation à distance
en ornithologie
1
Farrah Samraoui1*, Corinne Colette Mekhancha Dahel2 et Said Berrouk3
Laboratoire de recherche et de conservation des zones humides, Faculté des Sciences de la Nature et de la vie et
des Sciences de la Terre et de l’Univers ; Département d’Ecologie et Génie de L’Environnement.
2
Laboratoire Alimentation, Nutrition et Santé (ALNUTS), Institut de la Nutrition, de l’Alimentation et des
Technologies Agro Alimentaires INATAA
1
Université 08 mai 1945 Guelma, B. P., Guelma 24000, Algérie.
Université Mentouri Constantine, Route de Aïn El Bey, 25000, Constantine, Algérie.
2
3
CERIST (Centre de recherche sur l’information scientifique et technique), Algérie
Email : [email protected]ahoo.fr ; [email protected]
2
[email protected]
3
[email protected]
Résumé : Le présent article est un compte rendu d’expérience d’intégration des TIC dans
l’enseignement universitaire. Il s’agit de conception et de la mise en place d’un dispositif de
formation à distance, via la plateforme Univ-RCT comme support au présentiel. L’objectif
étant de mettre en valeur l’apport des TIC pour remédier aux difficultés d’apprentissage et
relancer la motivation des apprenants. Nous avons montré à travers cette expérimentation que
les apprenants ont particulièrement apprécié la formation à distance et jugent les objectifs, le
contenu et les supports (technologiques, ressources, qualité du tutorat) utiles, pertinents et
bien adaptés.
Mots clés : TIC, Systèmes d’enseignement à distance, Innovation, plateforme Univ-Rct,
université de Guelma.
Abstract: This article is an account of an experiment of integrating ICT in university
education. The paper describes the design and implementation of distance learning over the
platform Univ-RCT as a help to face-to-face teaching. The aim is to highlight the contribution
of ICT to address learning difficulties and boost motivation of learners. We have shown
through this experiment that learners highly appreciated distance learning and consider the
objectives, content and media (technology, ressources, quality of tutoring) useful, relevant
and well tailored.
Key words: ICT, distance learning, innovation, platform Univ-Rct, Guelma University.
Introduction:
La formation est un levier à la qualification, à l’adaptation ou au développement des
compétences dans un contexte marqué par les évolutions rapides des modalités de travail
[Roupie, 2008]. La Formation à distance FAD peut répondre à cet objectif, puisqu’elle permet
à l’utilisateur de se former à son rythme, en fonction de ses besoins et de ses disponibilités.
Les technologies de l'information et des communications TIC constituent des moyens -on ne
peut plus pertinents- pour la formation dans le domaine de la gestion et de la conservation des
écosystèmes. Ils permettent d’améliorer les moyens pour surveiller les changements des
habitats et la distribution des espèces, ainsi que pour traiter et analyser des bases de données
et accéder à l’information sur la biodiversité.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 18
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
C’est dans ce contexte que nous avons mis en place une formation hybride combinant le
présentiel et le distanciel en ornithologie. La modalité la plus adéquate selon les initiateurs de
projets d’innovation techno pédagogique est hybride. Ceci peut s’expliquer par le fait que les
dispositifs hybrides sont considérés comme une modalité permettant d’ancrer l’innovation sur
des pratiques anciennes [Ben Saleh, 2009].
Vu la nature particulière des oiseaux et la place qu’ils occupent pour la population en général,
vu leur grande visibilité et la vitesse relative avec laquelle ils répondent aux stress de
l’environnement, l’étude de ces organismes est considérée importante dans la formation d’un
biologiste.
Nous avons réalisé cette formation avec comme objectifs:
1. d’offrir une formation dans une spécialité qui fait défaut dans nos universités bien que
de nombreuses thèses de doctorat ont trait aux oiseaux, cependant, aucun module
d’ornithologie n’est dispensé dans un quelconque cursus universitaire Algérien.
2. d’introduire une innovation dans l’enseignement universitaire à Guelma grâce à
l’apport des TIC.
Le public cible de ce cours est principalement composé d’étudiants de première année master
en
« Biodiversité et conservation des zones humides » au niveau de l’université de Guelma.
1. Démarche et méthodologie mises en œuvre :
1.1 Scénario pédagogique :
La partie présentielle a eu lieu au début de la formation, elle était consacrée à la découverte et
la prise en main de la plateforme Univ-RCT et elle a duré une journée.
Peraya [2010] affirme que l’enseignement à distance nécessite la médiation des supports de
communication. L’accompagnement des apprenants a été assuré sur la plateforme Univ-Rct
(ex Acolad) développée à l'université Louis Pasteur de Strasbourg. Cette plateforme de
formation à distance repose sur les technologies employées sur Internet. Son interface
graphique est fondée sur une métaphore spatiale qui met en scène les lieux habituels des
formations. Elle est conçue pour prendre en charge davantage une pédagogie active intégrant
une approche collaborative.
La formation distantielle a duré 2 semaines avec quatre réunions synchrones d’une durée
d’une heure. Nous avons déposé dans l’espace groupe (figure 3) à l’intention des apprenants
un document d’organisation de la formation où toutes les étapes du travail sont mentionnées
par date des travaux individuels et collaboratifs ainsi que les échéances de dépôt. Enfin, nous
avons tenu un carnet de Bord du tuteur sur lequel nous avons veillé à noter la progression de
la formation.
1.2 Modèles d’enseignement/apprentissage :
Le projet a été développé selon les théories de l’apprentissage, du béhaviorisme au
socioconstructivisme en passant par le néo-cognitivisme et le constructivisme.
L’organisation des équipes est choisie opportuniste et autonome. Le suivi, centré sur le
produit, est adopté avec le modèle proactif. Les modalités sont de deux types : le tutorat direct
pour communiquer des informations en vue de l’apprentissage et le coaching pour faciliter,
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 19
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
clarifier et améliorer le travail. Le feedback, centré sur le produit et sur le processus, est
proposé à l’issue de l’activité.
Les modalités d’interaction mises en œuvre utilisent des outils d’échange en temps réel (chat,
awareness) et en temps différé (forum, mail etc.).
1.3 Mode d’évaluation des apprenants :
L’évaluation a été de deux types : formative (QCM généré par Hot Potatoes) et sommative
(activités individuelles et collectives).
1.4 Sélection des apprenants :
Le dépouillement des résultats de l’analyse des besoins a montré que les étudiants en licence
sont très motivés pour suivre cette formation ; d’ailleurs, c’est un cours qui leur est dispensé
en Master1. Un appel à candidature a été lancé à travers l’envoi d’une plaquette par mail
ciblant 72 étudiants du département d’écologie. 28 étudiants ont répondu et émis le vœu de
suivre cette formation. A cet effet, un mail leur a été envoyé pour un éventuel entretien afin de
sélectionner les plus motivés d’entre eux.
Ainsi, le nombre retenu est de 12 apprenants (capacité de la plateforme Univ-RCT.) Les
candidats sont regroupés en un seul groupe réparti en 3 équipes de 4 étudiants.
La figure 1 ci-dessous présente les phases de développement de notre formation à distance.
Figure 1: Phases de développement de la formation
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 20
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
2. Le produit fini
2.1 Conception des supports multimédia et du système d’encadrement du cours :
Ce projet nous a permis de mettre à l’épreuve nos compétences à savoir: la conception du
cours à réaliser ; aussi bien la coordination pédagogique (suivi pédagogique, création de
séminaire, etc.) qu’administrative (inscriptions des différents acteurs, promotions).
La mise en ligne du cours a été effectuée via la plateforme Univ-RCT (figures 2 et 3)1 .
Figure 2 : Tableau de bord de la plateforme Univ-Rct
Figure 3 : Salle de groupe
2.2 Conception et mise en ligne du cours sur le web :
Nous avons également conçu un site web2 (figure 4) qui a permis d’enrichir notre cours de
ressources comme les vidéos. Une intégration de multimédia permettra d’accroître la valeur
ajoutée de l’exploitation de l’ordinateur lors de l’apprentissage.
1
http://projetidea.ens-kouba.dz.
2
http://www.djamiatic.net/birds/
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 21
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Figure 4 : Page de présentation des séquences du cours
2.3 L’activité à réaliser:
Nous avons opté pour une situation problème (SP) à réaliser en individuel mais aussi en
collaboratif pour rester fidèle au modèle socioconstructiviste sur lequel sera basé le dispositif
de formation. La SP consiste à faire une synthèse de lecture. Elle permet à l’apprenant de
s’approprier les contenus du cours HTML et des textes de référence fournis. L'objectif de
cette activité est de montrer que l’apprenant a acquis une aptitude à se saisir de l'ensemble
d'un dossier et à le restituer à l'écrit. En outre, Une bonne compréhension des concepts de
base, facilitera leur investissement par la suite.
3. Evaluation de la formation et propositions d’améliorations
Nous avons assuré à la fois la coordination de la formation, l'encadrement tutoré des
apprenants testeurs, la modération des échanges, l'évaluation des travaux des apprenants, et
l'évaluation du dispositif par un questionnaire de sortie et des entretiens avec les apprenants
en fin de formation.
L’évaluation de la formation a porté sur différents aspects (organisationnel, pédagogique et
technologique). Au regard des réponses collectées et de leur analyse, nous avons pu faire
ressortir les points saillants de notre
Travail.
3.1 Évaluation du présentiel :
Les points forts et faibles peuvent être résumés en ce qui suit :
Tableau 1: Points forts et points faibles du présentiel




Points forts
Les objectifs ont été clairement précisés.
L’activité a été achevée dans sa totalité.
La durée de la formation est convenable et
répond au souhait des apprenants.
Le contenu de la formation est nouveau et a
élargi le champ de vision des apprenants.
Points faibles

Difficultés
techniques:
d’accéder au chat, forum.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
impossibilité
Page 22
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
3.2 Évaluation de la formation à distance :
Nous la présentons dans le tableau 1 ci-dessous :
Tableau 2: Points forts et points faibles du distantiel
Points forts









Points faibles
Aspects Organisationnels
Néant
Respect de l’organisation et du planning de formation ;
Bonne estimation de la durée et du nombre des RS ;
Création d’un réseau d’échange entre apprenants.
Aspects Techniques
Une bonne utilisation des outils de la PF ;
 Quelques difficultés d’orientation dans les
espaces de dépôt ;
Ergonomie satisfaisante ;
Cours très accessible: temps de téléchargement, navigation, Problème de déconnexion fréquent.
ergonomie corrects ;
Soutien technique du tuteur ;
Bonne assiduité des tuteurs et des apprenants.
Aspects pédagogiques
Les apprenants sont satisfaits par la progression pédagogique ; Le texte des SP relativement difficile à
les objectifs visés par les séquences d’apprentissage sont comprendre.
atteints ;
le temps proposé pour chaque activité est réaliste.
3.3 Propositions d’amélioration :
Cette expérience nous a permis de faire les propositions suivantes en dehors de l’aspect
organisationnel
- Pédagogique : L’amélioration doit concerner en premier lieu le contenu des SP, les
apprenants réclament des textes faisant appel à des expressions simples.
- Technique : l’utilisation d’autres plateformes comme Moodle qui est en open source et
disponible au niveau de l’ensemble des universités algériennes.
Conclusion :
Dans leur très grande majorité, une très nette satisfaction concernant l’efficacité de la
formation (jugée bonne, voire excellente). Les problèmes rencontrés sont plutôt d’ordre
technique (connexion).
Cette phase d’évaluation nous a permis de cerner les points faibles de notre dispositif et ce à
partir non seulement des questionnaires mais également des entretiens avec les apprenants.
A partir de cela, nous avons pu apporter quelques suggestions que nous résumons :
Reformuler les textes de la SP ce qui garantirait une compréhension des informations
par tous les apprenants.
 Les outils de support aux activités doivent être approfondis.
 Augmenter le nombre de test d’évaluation.
 Faire appel à un observateur tout au long de la formation.
L’expérimentation a montré que ce dispositif était «perfectible» à travers la formulation de
propositions au niveau organisationnel, pédagogique et technique afin d’améliorer l’efficacité
de la formation. Ces propositions pourront nous être utiles dans d’autres projets FAD.
Elle nous a également permis de cerner le rôle crucial du tuteur dans ce mode de formation.
Nous avons identifié différents problèmes liés à la formation à distance comme la qualité de
service des réseaux de communication et d’information, les contraintes induites par la
technologie aussi bien pour les apprenants, que pour les tuteurs.

SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 23
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
L’évaluation conduite permet de conclure que ce projet est à la fois un projet-pilote et une
étape de validation qui sera étendue à d’autres modules du parcours « Zones humides ».
Il est également nécessaire de mettre en place des mécanismes de sensibilisation des
enseignants universitaires faisant partie de l’équipe pédagogique du parcours.
En effet, la formation des enseignants reste une étape prioritaire, dans la mesure où elle
influence en grande partie celle de l’apprenant. Il s’agit ici d’organiser une série de séminaires
de renforcement des capacités des enseignants et tuteurs en matière de TIC et d’utilisation des
plateformes de télé-enseignement.
Références bibliographiques :
[Ben Saleh, 2009]. Ben Salah, B. : “Introduction d'innovation technopédagogique dans les
établissements d'enseignement/formation des pays francophones : représentations des acteurs
initiateurs”. TDR, Numéro 01, (2009). Récupéré du site de la revue : http://www.revuetice.infodocument.php?id=826. ISSN 1817-2466.
[Peraya, 2010]. Peraya, D. : “La posture de l’enseignant porteur d’un projet
technopédagogique : complexité et déplacements”. In R.-P. Garry (Ed.), Former à distance
des formateurs. RIFEFF. 41-62 Paris : AUF (2010).
[Roupie, 2008]. Roupie,C. : “Tutorat et lien social dans un dispositif de formation hybride”.
Master2 professionnel, p 102. Université de Rouen (France) (2008).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 24
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
LETline : Un système de Tutorat en ligne
Hajer Haci, Karima Azzouz, Yacine Lafifi*
*Laboratoire LabSTIC, Université 08 Mai 1945, Guelma
[email protected], [email protected]
Résumé:
Dans les environnements d’apprentissage en ligne, le rôle du tuteur est incontournable. Cet
acteur possède plusieurs rôles et par conséquent dispose de plusieurs fonctions selon le
contexte et le public cible. Dans ce travail de recherche, nous présentons un système
soutenant les tâches des tuteurs en ligne. Ce système d’apprentissage et du tutorat en ligne
(dénommé LETline) peut être utilisé par les universités algériennes adoptant le système LMD
où la tâche du tuteur est indispensable dans le premier cycle. Dans LETline, les demandes
d’assistance des apprenants peuvent être facilement exprimées à travers des interfaces semi
structurées réalisées à cet effet. Elles concernent chaque rôle du tuteur ainsi que la tâche ou la
fonction correspondante. Les traces des interventions des tuteurs ainsi que celles des
apprenants sont sauvegardées afin d’être visualisées par la suite.
Mots clés : Tuteur, e-learning, Trace, Rôle du tuteur, Demande d’assistance.
1. Introduction:
Lors d’une formation à distance, hybride ou entièrement à distance, le nombre de rencontres
entre l’étudiant, ses enseignants et ses collèges sont limitées, ou inexistantes. L’étudiant se
sent libre, personne ne le surveille, et personne ne lui demande de faire ceci ou ne pas faire
cela. Pour le guider, une fonction d’accompagnement est indispensable. La mise en œuvre de
l’accompagnement doit assurer l’élaboration d’une équipe de personnels spécialisés appelés:
Tuteurs. Ces derniers peuvent connaître des informations générales sur le cursus, les
ressources, les modalités d'apprentissage,...
L’un des objectifs des systèmes d’enseignement en ligne est de soutenir un nouvel apprenant
afin de minimiser le problème de son abondance et augmenter les possibilités de réussir son
apprentissage. Nous pensons que l’offre de l’assistance et le guidage aux apprenants permet
d’améliorer leurs niveaux cognitifs et comportementaux.
Dans la littérature, chaque auteur propose sa propre définition du terme tuteur ainsi que les
rôles qui lui sont affectés. Ces rôles sont définis en fonction du contexte et des objectifs
finaux du système à mettre en œuvre. Il existe des auteurs qui utilisent les rôles pédagogiques
uniquement, d’autres utilisent les rôles sociaux seulement, tandis que d’autres utilisent des
rôles administratifs. Nous avons constaté que ces systèmes possèdent quelques limites. En
effet, la plupart des systèmes utilisant le tutorat adoptent un seul rôle pour le tuteur négligeant
les autres. En plus, il n’y a pas une description claire des rôles affectés aux tuteurs (i.e.
instrumentation des rôles des tuteurs). Enfin, les apprenants ne disposent pas de moyens pour
exprimer leurs demandes d’assistance (type de l’assistance par exemple).
Pour pallier tous ces problèmes, nous avons conçu un système d’enseignement et du tutorat en
ligne, baptisé LETline (LEarning and Tutoring on Line). Ce système se base sur une
taxonomie des rôles des tuteurs qui permet de dégager les types d’assistance associés à
chaque rôle, le type d’intervention (proactive ou réactive), la période de l’intervention, le type
du suivi (individuel ou collectif), etc. Pour les contenus des demandes d’assistance, nous
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 25
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
avons travaillé en collaboration avec des spécialistes en psychologie cognitive pour extraire
pour chaque rôle du tuteur un ensemble de demandes d’assistance liées à ses différentes
fonctions ou tâches.
L’objectif de cet article est de présenter le système LETline et les résultats de son
expérimentation au niveau universitaire. Le reste de l’article est structuré comme suit. Dans la
section deux, nous donnons un état de l’art relatif à la définition du terme tuteur et ses rôles.
Dans la section trois, nous présentons l’architecture de LETline où nous insistons sur ses
différents composants. Les premiers résultats d’une expérimentation effectuée du système
vont être présentés dans la section quatre. Nous terminerons cet article par une conclusion
générale et quelques perspectives.
2. Rôles des tuteurs en ligne :
Dans la littérature, il existe plusieurs rôles et fonctions assignés aux tuteurs. Selon Jaques Rodet
(Rodet, 2008), les rôles et les fonctions des tuteurs sont pour la plupart spécifiques à chaque dispositif
de formation à distance. En effet, dans la plupart des cours en ligne, le tuteur a essentiellement un rôle
psychologique et méthodologique pour aider les apprenants. Pour (George et al., 2004) et (Denis et al.,
2004), le tuteur est vu comme un pédagogue qui a la possibilité de construire et adapter les activités
aux besoins des apprenants, tandis que le concepteur pédagogique envisage une variété d'activités et
des situations possibles d'apprentissage. Dans ce cas, le rôle du tuteur ne se limite pas à surveiller et
aider les apprenants: il consiste aussi à préparer des situations d'apprentissage à partir des situations
existantes génériques (Garrot et al, 2006).
(Lewis, 1996) situe le rôle du tuteur « en ligne » dans la mise en œuvre de quatre opérations
essentielles : l’émergence des objectifs du groupe, l’établissement de la tâche, la distribution
des rôles et le choix des outils de communication. Donnay et Dreyfus (Donnay et al., 1999),
quant à eux, décrivant les rôles du tuteur (qu’ils appellent mentor) sur un plan plus actif :
facilitateur, modérateur, expert, et soutient affectif.
(Lentell, 2003) note que les tuteurs facilitent et guident l'apprentissage de leurs apprenants
afin qu’ils acquièrent des connaissances. Pour y parvenir, les tuteurs développent et pratiquent
une multitude de compétences et de stratégies.
Le tableau 1 montre les différents rôles attribués aux tuteurs vus par quelques chercheurs.
Cette liste n’est pas bien sûr exhaustive mais reflète le maximum des rôles cités dans la
littérature. A partir du tableau 1, plusieurs conclusions peuvent être tirées. En effet, la
première lecture des données du tableau montre que quatre rôles ont été cités par plusieurs
chercheurs, à savoir le rôle social, pédagogique, technique et expert du domaine
(disciplinaire). Nous avons remarqué aussi que plusieurs dénominations sont utilisées pour le
même rôle. Encore plus, plusieurs chercheurs utilisent le même nom pour des rôles différents.
Nous avons proposé une nouvelle taxonomie de rôles de tuteurs qui contient quatorze rôles.
Ces rôles représentent toutes les tâches à réaliser par de tels acteurs et sont regroupés en six
catégories (Pédagogique, Organisationnel, Supervision, Communication, Administration et
Psychologique). Pour chaque rôle proposé, nous avons établi un ensemble de tâches. Cette
liste a été établie en collaboration avec des chercheurs spécialisés en psychologie cognitive.
Tous les détails concernant les rôles et les tâches associés sont décrits dans (Lafifi et al.,
2010).
Cette taxonomie a été utilisé par un système d’enseignement et de tutorat en ligne, appelé
LETline (Learning and Tutoring on Line). La présentation de ce système fera l’objet de la
section suivante.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 26
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
(Lentell, 2003)
X
X
(Denis, 2003)
X
(Lewis, 1996)
X
(Vazi et al., 2007)
X
(Garrot, 2008)
X
X
(Guillaume, 2009)
(George
2004)
X
X
et
(Paquette, 2002)
Social
Pédagogique
Cognitif
Technique
Affectif
Organisateur
Méthodologique
Administratif
Expert du domaine (Disciplinaire)
Évaluateur
Régulateur
Animateur
Communicateur
Facilitateur
(Berge, 1995)
Rôle
al.,
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
X
X
X
X
X
X
Tableau 1: Rôles des tuteurs vus par différents chercheurs.
3. Présentation du système LETline:
LETline est un système qui a pour vocation principale de soutenir les activités
d’apprentissage des apprenants ainsi que les multitudes interventions des tuteurs tant au
niveau pédagogique qu’affectif. Il est conçu pour être utilisé dans un milieu universitaire. Il
est :

Ouvert : Peut être utilisé par n’importe quelle institution universitaire adoptant le
nouveau régime LMD (Licence, Master, Doctorat).

Adaptatif : il dispose d’un ensemble de paramètres permettant de présenter les objets
d’apprentissage selon le profil cognitif des apprenants.

Adaptable : à travers la possibilité d’affecter dynamiquement les rôles aux tuteurs. Il
peut supporter et soutenir plusieurs modalités de tutorat (par pair, par groupe, ….).
A travers ce système :
 les enseignants peuvent mettre en ligne leurs cours sous différents formats
(polycopies, séries des travaux dirigés/travaux pratiques, présentations, devoirs,
examens, etc.).

Les tuteurs peuvent suivre leurs étudiants en les assistant et les orientant pendant toute
l’année universitaire (présentiel ou à distance, synchrone ou asynchrone).

Les étudiants peuvent télécharger les cours, s’auto-évaluer, communiquer avec leurs
collègues et demander de l’assistance auprès de leurs tuteurs et/ou leurs enseignants.
Architecture du système :
Le système est constitué d’une base de données qui contient toutes les informations
nécessaires à son utilisation et sa manipulation, un serveur web qui assure la navigation et
quatre interfaces associées à ses acteurs (étudiant, enseignant, tuteur et administrateur).
LETline est composé de deux principaux sous systèmes : le système de gestion
d’apprentissage (SGA) et le système de suivi du tutorat (SST). Le Système de gestion
d’apprentissage (SGA) s’occupe de la gestion de l’apprentissage, dont le but est d’offrir à
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 27
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
l’étudiant un ensemble d’objets d’apprentissage (OA) pour chaque matière selon son profil
cognitif. Ce dernier est mis à jour après toute phase d’évaluation (Figure 1).
Figure 1 : Espace d’évaluation dans LETline.
Le Système de suivi du tutorat (SST) prend en charge tous les processus associés à la
fonction tutorale ainsi que le suivi des apprenants (figure 2). Il s’occupe de la gestion des
traces des apprenants ainsi que les interventions du tuteur auprès de ses apprenants. Ce sous
système est composé de six modules : Gestionnaire du Journal tutoral, Gestionnaire des
demandes d’assistance, Collecteur des traces, Calculateur des indicateurs, Module assistant et
Module de visualisation.
L’analyse des traces permet le contrôle et la régulation de l’activité d’apprentissage (Heraud
et al., 2004). Les traces permettent aux tuteurs d’observer les activités d’apprentissage de ses
étudiants. Cette observation apporte de multiples informations utiles à l’analyse du niveau de
l’apprentissage offert par le système, comme par exemple la réussite ou l’échec des étudiants
dans une matière donnée.
Le processus complet de la demande d’assistance est représenté par la figure 3.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 28
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Figure 2 : Affectation des tuteurs aux étudiants.
4. Expérimentation :
4.1. Participants :
Nous avons effectué une expérimentation au sein du département d’informatique de
l’université de Guelma, avec des étudiants de la 3ème année licence et 4ème année Ingénieur qui
suivant des matières d’enseignement conçues par des enseignants du département
d’informatique (comme la compilation). Chaque étudiant inscrit est affecté à un tuteur
aléatoirement. Chaque tuteur suit un ou plusieurs groupes de quatre étudiants au maximum.
Toutes ces affectations s’effectuent aléatoirement par l’administrateur du système.
4.2. Procédure :
La première opération avant de commencer l’expérimentation est de saisir les différentes
informations concernant les départements, les filières, les matières par filières et par semestre.
Pendant l’expérimentation, tous les acteurs, hormis l’administrateur, doivent s’inscrire.
Ensuite, l’administrateur affecte les étudiants aux tuteurs déjà inscrits. A partir de ce moment
là, l’étudiant peut solliciter l’assistance de son tuteur.
En parallèle de sa tâche d’apprentissage, l’apprenant peut accéder à son propre espace où il
peut apprendre les connaissances présentées par les objets d’apprentissage, s’auto-évaluer ou
demander l’intervention/soutient de son tuteur ou de ses collègues du groupe.
De son côté, le tuteur peut accéder à son propre espace où il trouvera toutes les fonctionnalités
pour suivre les activités des étudiants (en visualisant les traces, les résultats obtenus après
l’évaluation, etc.) et répondre à leurs demandes d’assistance.
A la fin de l’expérimentation, nous avons soumis un questionnaire aux étudiants et un autre
aux tuteurs. Le questionnaire soumit aux étudiants est composé de 27 questions à choix
multiples. Le questionnaire destiné aux tuteurs est composé de 23 questions. Autres que les
informations générales sur l’utilité et l’interface du système, ces questions concernent les
fonctionnalités offertes par son espace (rôle, affectation, etc.) ainsi que la qualité et le contenu
des messages associés aux demandes d’assistance émises par les étudiants.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 29
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Demande d’assistance
L’étudiant
est-il affecté
NON
OUI
à un tuteur ?
Assistance du groupe
Rechercher un tuteur
Assistance du
tuteur
NON
OUI
NON
Choisir le rôle du tuteur
NO
OUI
Sortie
Est-il seul dans
le groupe ?
OUI
Existe-il
un
Choisir Type d’assistance
Choisir le destinateur
Envoyer la demande
OUI
Le message préétablit est
convenable ?
Envoyer la demande
Envoyer le message
NO
La recherche
d’autres étudiants
Modifier/Ecrire un nouveau
message
Sauvegarder les traces
Sortie
Figure 3 : Processus de demande d’assistance tutorale.
4.3. Résultats :
Nous proposons dans cette section quelques résultats des statistiques de questionnaires.
a. Questionnaire étudiant :
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 30
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Etes-vous jusque-là satisfait (e) de la
formation en ligne ?
40/44 réponses.
Etes-vous enthousiasmé de vouloir
s’inscrire dans le système LETline ?
40/44 réponses.
30%
27,50%
97,50%
27,50%
27,50%
2,50%
2,50%
Oui
Très
satisfait
Non
Beaucoup
Peu
satisfait
Assez Pas du tout
satisfait
satisfait
Pensez-vous que l’affichage des OAs selon votre profil
(Planificateur) est utile pour l’amélioration de votre
apprentissage ? 43/44 réponses
76,74%
Oui
2,30%
20,80%
Non
Pas tous le temps
b. Questionnaire tuteur :
Etes-vous enthousiasmé de vouloir s’inscrire
dans le système LETline ? 9/9 réponses
100,00%
0,00%
Oui
Nom
Selon vous quels sont les 2 principaux rôles des tuteurs en
ligne ? (deux réponses possibles) 9/9 réponses
44,44%
66,66%
33,33%
0%
1
2
3
4
22,22%
22,22%
5
6
1 : Aider l'étudiant 2 : Accompagner l'étudiant 3 : Soutenir l'étudiant
4 : Guider l'étudiant 5 : Encourager et motiver l'étudiant 6 : Encadrer l'étudiant
c. Discussion :
Pendant cette expérimentation, nous avons remarqué que :
1. Les étudiants ont beaucoup apprécié le mode d’affichage des objets d’apprentissage.
2. La plupart des étudiants ont eu la tendance de travailler en collaboration (deux à deux).
3. Le contenu et la diversité des demandes d’assistance ont été admirés par la majorité des
étudiants. Ils ont apprécié spécialement l’option de garder privé les contenus des
demandes d’assistance envoyées à leurs tuteurs.
4. Malgré la bonne appréciation des tuteurs sur le contenu des messages des demandes
d’assistance émises par leurs étudiants, ces tuteurs n’ont pas caché le problème de
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 31
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
l’expression de ces demandes par quelques étudiants (problème de la maîtrise de la
langue française).
5. Quelques tuteurs ont exprimé leur besoin d’avoir une formation dans quelques rôles de
ce nouveau métier.
5. Conclusion et Perspectives:
La plupart des établissements d’enseignement supérieur ont mis un grand intérêt au
développement de leurs propres plates formes d’enseignement à distance ou l’adoption des
plates formes déjà implémentées. Ces environnements d’enseignement disposent d’un
ensemble d’outils permettant aux différents intervenants humains (étudiant, enseignant,
tuteur, responsable pédagogique, etc.) de réaliser leurs tâches dans des bonnes conditions. Les
principaux bénéficiaires de ces environnements sont les étudiants qui suivent un ensemble de
matières conçues par des enseignants.
D’un autre côté, les étudiants ont besoin de l’assistance au cours de leur carrière dans
l’université et surtout dans la première année universitaire. Ceci est du au changement du
contexte et des conditions d’étude du lycée à l’université. Cette assistance ou
accompagnement doit être assurée par des acteurs spéciaux appelés tuteurs. Cette importante
tâche est assurée par le système LETline.
Les fonctionnalités offertes par ce système ne se limitent pas au processus du tutorat mais
elles encapsulent le processus d’apprentissage puisque l’objectif primordial d’un système de
e-learning est d’améliorer le niveau cognitif des apprenants inscrits dans de tel système. En
effet, LETline dispose de toutes les fonctionnalités servies par les plates formes
d’apprentissage à distance (téléchargement des objets d’apprentissage, auto-évaluation, etc.).
LETline a été expérimenté avec des dizaines d’étudiants et une vingtaine de tuteurs pendant
deux mois. Les résultats obtenus ont été très satisfaisants. Comme perspectives à ce travail,
nous voulons concevoir un modèle du tuteur semblable à celui de l’apprenant (modèle élève)
et mettre en exploitation le système développé.
Bibliographie:
Berge, Z.L. (1995). ‘Facilitating computer conferencing: recommendations from the field’, Educational
Technology, Vol. 35, No. 1, pp.22–30.
Denis, B., Watland, P., Pirotte, S. and Verday, N. (2004). ‘Roles and Competencies of the E- tutor’, Networked
Learning Conference 2004, Lancaster University, UK.
Denis, B. (2003) ‘Quels rôles et quelle formation pour les tuteurs intervenants dans des dispositifs de formation à
distance?’, Distances et Savoirs, Vol. 1, No. 1.
Donnay, J. and Dreyfus, A. (1999). ‘Le Rôle Du Mentor Dans un Dispositif D’apprentissage par Situations
Problématiques (ASP) Comme Entrée Dans le Développement Professionnel de Futurs Enseignants’, 16ème
colloque international de l’AIPU, Québec, Canada.
Garrot, E. (2008). ‘Plate-forme support à l’interconnexion de communautés de pratique (icp). application au
tutorat avec te-cap’, PhD thesis, INSA Lyon, France.
Garrot, E., George, S. and Prévôt, P. (2006). ‘Design of an assistance tool to support the tutor in the setting-up of
learning situations’, 17th Information Resources Management Association International Conference (IRMA
2006), Proceedings of 17th Information Resources Management Association International Conference,
Washington, USA, pp.424–427.
George, S., Prévôt, P., Amghar, Y. and Pierson, J-M. (2004). ‘Complexité Des Situations Pédagogiques Elearning Dans un Contexte Multi-Culturel, Collaboratif et synchrone’, November 26th–27th 2004, Conference
TICE Méditerranée, Nice.
Guillaume, N. (2009). ‘Un modèle d’animation : vision synthétique des fonctions tutorales’, Revue Tutorales,
February 2009, No. 2.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 32
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Heraud, J.M., France, L. and Mille, A. (2004). ‘Pixed: an ITS that guides students with the help of learners’
interaction logs’, Proceedings of the 7th International Conference on Intelligent Tutoring System, Maceio,
Brazil.
Lafifi, Y., Azzouz, K., Faci, H., Herkas, W. (2010). ‘Dynamic management of tutors' roles in an online learning
system’. IJLT(2010) 103-129.
Lentell, H. (2003). ‘The importance of the tutor in open and distance learning’, in A. Tait and R. Mills (Eds.):
Rethinking Learner Support in Distance Education, pp.64–76, RoutledgeFalmer, London.
Lewis, R. (1996). ‘Working and learning in distributed communities’, Paper Presented at the Seminar –
Computer Supported Learning Environments, Universidad Autonoma de Madrid, Spain. June 1996.
Paquette, G. (2002). ‘Modélisation des Connaissances et des Compétences Pour Concevoir et Apprendre’,
Sainte-Foy, PUQ. Paul-Armand, B. (2001) ‘Attitude proactive, participation et collaboration à des activités
d’encadrement médiatisées par ordinateur’, PhD Thesis, University of Montréal, Canada.
Rodet, J. (2008). ‘Tuteur à Distance, Entre Fonction et Métier’, available at http://jacques.rodet.free.fr/intjrci.pdf
Vazi, K. and Hirday, N.P. (2007). ‘NRCLC project on e-learning and online tutor competencies’, Ejournal of all
India Association for Educational Research, Vol. 19, Nos. 1 and 2, March and June.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 33
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Un système d'inférence basé sur les ontologies pour la recherche
d'objets pédagogiques pertinents
Amel Behaz * Zine Mahieddine khalil** Mahieddine Djoudi ***
* Faculté des Sciences, Université de Batna, Algérie
[email protected]
** Faculté des Sciences, Université de Batna, Algérie
[email protected]
*** Laboratoire XLIM-SIC et Equipe TechNE UFR Sciences SP2MI, Université de Poitiers, France
[email protected]
Résumé :
Les ressources disponibles sur le web augmentent considérablement, les systèmes de recherche
d’information actuels ne permettent pas de retourner aux utilisateurs les documents répondant
exactement à leurs besoins. Afin d’améliorer la pertinence de la recherche d’information, nous
proposons dans ce papier une approche qui se base sur l’utilisation des ontologies pour
l’indexation d’une base d’objets pédagogiques et l’utilisation des liens sémantiques entre ces
derniers, pour permettre l’inférence de tous les objets pédagogiques pertinents. Nous montrons à
travers un exemple illustratif notre prototype expérimental concrétisant notre approche
développée.
Mots Clés :
Technologie web, Web sémantique, Ontologies, Objets pédagogiques, Inférence.
INTRODUCTION
Le e-Learning, comme tout autre service Web peut bénéficier de la nouvelle vision du Web
sémantique. En effet, ce dernier constitue un environnement dans lequel les humains et les
machines peuvent communiquer selon une base sémantique. Nous savons bien qu'une application
e-Learning exige un certain nombre de défis concernent le processus d’apprentissage : rapide,
juste à temps et pertinent. Alors que les propriétés clés du Web Sémantique : sens partagé
commun, métadonnées traitables par les machines. Toutes ces propriétés apparaissent
suffisamment puissantes pour satisfaire les exigences du e-Learning. Grâce à l'utilisation des
standards de représentation des connaissances RDF, RDFS et OWL [Horrocks, 2004] [Smith,
2010], le matériel e-Learning peut être sémantiquement annoté et la navigation à travers le
matériel d'apprentissage peut être activé par un background ontologique. Les ontologies jouent un
rôle très important [Psyché, 2003] : elles fournissent le vocabulaire et les structures sémantiques
associées aux sources d’informations qui peuvent rendre l’accès au contenu du web plus
intelligent.
Bien que, les ressources disponibles sur le web augmentent considérablement, les systèmes de
recherche d’information actuels ne permettent pas de retourner aux utilisateurs les documents
répondant exactement à leurs besoins exprimés par une requête sur une collection de documents.
Cela est dû, en grande partie aux techniques d’indexation utilisées (mots clés, thésaurus, etc.).
Afin d’améliorer la pertinence de la recherche d’information, nous proposons dans cet article une
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 34
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
approche qui se base sur l’utilisation des ontologies pour l’indexation d’une base d’objets
pédagogiques et l’utilisation des liens sémantiques entre ces derniers, pour permettre l’inférence
de tous les objets pédagogiques pertinents. Cette approche est testée sur le domaine de l’eLearning de l’informatique dans le contexte du web sémantique. Quelques résultats obtenus sont
également présentés a travers un scénario d’utilisation de notre système.
CONSTRUCTION DES ONTOLOGIES
Nous savons que la représentation, pauvre et partielle de contenu des documents à l’aide des
techniques d’indexation (par mots clés…etc.) qui ont été réalisés dans divers travaux
[Bouzeghoub, 2005] et [Hernandez, 2008] ont poussé à l’utilisation des formalismes de
représentation plus précis et plus riches d’expression. Pour ces raisons nous avons essayé de
décrire notre approche à travers trois modèles d’ontologies [Behaz, 2009]. Ceci va nous
permettre de caractériser notre domaine d’application par un ensemble de concepts et de relations
entre concepts. Les objets pédagogiques sont alors indexés par les concepts qui reflètent leur sens
plutôt que par des mots bien souvent ambigus. On peut distinguer trois ontologies suivantes:
Ontologie "Thématique"
Contient des connaissances plus génériques, portant sur des éléments contributifs à la formation
par exemple le nom de la formation, les modules d'enseignements spécifiques à chaque
formation. Les instances de cette ontologie sont principalement destinées aux formateurs qui
veulent savoir s'il existe déjà des cours sur un module d'enseignement, ou s'ils veulent proposer
d'autres formations. L'ontologie Thématique permet de représenter les objets pédagogiques par
rapport aux thématiques qu'ils abordent dans le cadre d'une ou plusieurs formations (licence,
Master, Doctorat, Ingéniorat). Chaque formation comprend un ou plusieurs modules
d'enseignement (Base_de_données, Réseaux, Système_exploitation,…) Chaque module aborde
une ou plusieurs notions.
Ontologie "domaine"
Porte sur les notions d'un module d'enseignement permettant de modéliser les connaissances d'un
domaine d'enseignement. Ces notions à appréhender sont décrites par un graphe où les nœuds
sont les notions (concepts) abordés par le module d'enseignement et les arcs les relations
sémantiques entre elles. Par exemple les concepts de l'ontologie de domaine "Base_de_données"
sont: Clé, Tuple, Formes-Normales, Forme-Normale-3 …. En plus de la relation de subsomption
engendrant une structure hiérarchique entre les concepts et sous concepts de l'ontologie de
domaine nous avons introduit d'autres relations entre concepts comme suit :


la relation pré-requis-de : Cette relation à caractère pédagogique lie un concept X à un
autre concept Y de la même ontologie. Elle est importante: en effet, même si l'apprenant
peut naviguer à son gré dans l'ontologie, il faut cependant lui indiquer qu'un concept X
requiert la connaissance préalable d'un autre concept Y. Par exemple le concept "FormeNormale-3" requiert la connaissance du concept "Forme-Normale-2" Cette relation a
comme propriété la transitive.
La relation partie-de : Un concept X partie-de concept Y si X est une notion faisant partie
de Y. Cette relation est aussi importante: en effet elle nous permet de décomposer un
concept en concepts plus simples et présenter à l’apprenant des objets pédagogiques
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 35
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation

moins complexes et plus adaptés à son niveau de connaissance. Cette relation est
antisymétrique
La relation a-pour-objet : Cette relation lie un concept X de l'ontologie de domaine à un
ou plusieurs objets pédagogiques. Elle permet à l'apprenant d'accéder immédiatement aux
connaissances qui lui en apprennent davantage sur le concept.
Ontologie "objets pédagogiques"
La méthode de création de l'ontologie des objets pédagogiques diffère de la méthode utilisée pour
les deux autres ontologies (thématique, domaine) ceci s'explique en grande partie de la mise en
place d'une ontologie qui doit rassembler le maximum de concepts liés à la sémantique des objets
pédagogique et les liens entre ces derniers. L'ontologie des objets pédagogiques est
prépondérante dans la mesure où elle est utilisée par l'ontologie de domaine dans le cadre d'un
apprentissage.
Chaque concept du domaine d'enseignement indexe des objets pédagogiques de différentes
Catégories (Définition, Exemple, Illustration, Exercice) de différents niveaux (Bas, Moyen,
Expert) de différents types (Image, Texte). Nous avons essayé de créer cette ontologie aussi
exhaustive que possible. Plusieurs facettes sont proposées pour la description d'un objet
pédagogique.


La première facette "Métadonnée-LOM" Permet de décrire les principales
caractéristiques de l'objet pédagogique (auteur, date, langue, format, niveau, localisation,
...) Cette partie est comparable aux métadonnées décrites dans la norme LOM. Mais aux
besoins de notre application et pour faciliter l’analyse nous avons défini un sous-ensemble
de vocabulaire. Cette description LOM est rattachée à chaque objet pédagogique. Les
métadonnées associées permettent de renseigner, d’une manière bien classifiée, les
différentes informations nécessaires sur chaque objet d’apprentissage, de façon à ce que
les recherches ultérieures soient rendues plus efficaces.
La deuxième facette "Catégorie" permet de classer les objets pédagogiques en différentes
catégories (Définition, Exemple, Illustration, Exercice) en se basant sur leurs contenus.
Nous définissons des liens sémantiques entre ces objets pédagogiques à savoir:



Le lien Similaire-à : qui dénote que la sémantique de l'objet A est similaire à celle de
l'objet B ce type de lien est symétrique et transitif.
Le lien Cite : l'objet A Cite l'objet B si A contient une référence ou lien vers B. Ce lien est
antisymétrique.
Le lien Traite : Ce lien permet de lier un objet pédagogique à un concept de l'ontologie
de domaine.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 36
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Figure 1: Modèle ontologique complet intégrant les 3 ontologies proposées
Toutes ces relations ontologiques permettent de structurer l'ensemble de ces concepts par les liens
qu'elles instaurent et par la sémantique attachée à chacun d'eux. Les propriétés de ces relations
permettent par la suite une recherche intelligente et des raisonnements élaborés par des
mécanismes d’inférence.
PROCESSUS DE RECHERCHE ET MECANISMES D'INFERENCES
Lorsque l’apprenant a défini le concept, le moteur de recherche construit une requête vers la base
des objets pédagogiques. L'annotation proposée connecte systématiquement les objets à leurs
concepts. Cette opération renvoie les identificateurs des objets pédagogiques pertinents au
concept introduit. Pour améliorer le processus de recherche un moteur d’inférence y est
incorporé. Celui-ci se base essentiellement sur les liens sémantiques entre les objets
pédagogiques (cite, similaire-a, traite), leur propriétés (transitivité, symétrie…etc) dans
l'ontologie proposée et sur les règles d’inférence utilisées.
Nous savons qu'OWL possède une base théorique formelle (la logique de description) ce qui
permet l'implantation de logiciels appelés moteurs d'inférences ou raisonneurs. Ces moteurs (ou
raisonneurs) sont capables de traiter une ontologie OWL pour déduire des faits qui ne sont pas
explicitement déclarés [Knublauch, 2004], [Sancho, 2010], [Parsia, 2011]. C'est-à-dire, dans
notre cas, le moteur d’inférence permet d’inférer de nouveaux objets pédagogiques à partir
d'objets pédagogiques jugés pertinents pour une requête de l’apprenant. Les liens sémantiques
entre objets et concepts sont utilisés pour mettre en œuvre des règles de raisonnement, par
exemple dans la règle 1: concept c1 est-partie-de concept c2 et objet x traite le concept c2 nous
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 37
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
pouvons déduire le résultat suivant : objet x traite le concept c1. La table 1 présente les règles
d’inférence utilisées.
Numéro
Règle
Description
Règle 1
partie-de(?c1, ?c2) ∧ traite(?x, ?c2) → traite(?x, ?c1)
Règle 2
pré-requis-de(?c1, ?c2) ∧ a-pour-objet(?c1, ?x) ∧ a-pourobjet(?c2, ?y) → cite(?y, ?x)
Règle 3
a-pour-objet(?c1, ?x) ∧cite(?x, ?y) → a-pour-objet(?c1, ?y)
Règle 4
traite(?x,?c1) ∧ traite(?y, ?c2) ∧ sameAs(?c1, ?c2) → similairea(?x, ?y)
Règle 5
traite(?x, ?c1) ∧ similaire-a(?x, ?y) → traite(?y, ?c1)
Règle 6
similaire-a(?x, ?y) ∧cite(?y, ?x) → cite(?x, ?y)
Règle 7
cite(?x, ?y) ∧cite(?y, ?x) → similaire-a(?x, ?y)
Table 1: Règles d'inférences utilisées
Nous remarquons que dans la règle 3 nous avons utilisé une règle spéciale sameAs(?c1, ?c2) qui
sert à déclarer que les deux instances c1 et c2 de la classe concept de l'ontologie décrite sont les
mêmes. Ceci est nécessaire du fait qu'OWL n'utilise pas l'hypothèse du nom unique.
Figure 2: Architecture du Système
EXEMPLE ILLUSTRATIF DE RECHERCHE D’OBJETS PEDAGOGIQUES
Voici un exemple de recherche d’objets pédagogiques rattachés à une partie des concepts de
l’ontologie de domaine « Base_de_données ».
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 38
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
Un apprenant désire rechercher tous les objets pédagogiques en rapport avec le concept
« Forme_Normale_2 ». Ce concept est lié à d’autres concepts (Formes_Normales,
Forme_Normale_1, Clé, Attribut, BD_Relationelle) par différents liens sémantiques (pré-requis,
partie-de), des objets pédagogiques sont donc attachés à ces concepts grâce a d’autre liens
sémantiques (traite, cite, similaire-a) ou bien par les propriétés (transitivité, symétrique) de tous
ces liens , comme le montre la figure suivante :
Figure 3: Exemple de graphe représentant une partie des concepts liés à des objets pédagogiques
Le résultat de la recherche sur le concept « Forme_Normale_2 » est le suivant : Les objets
pédagogiques OP_40, OP_28, OP_29, OP_30 car ils sont attachés explicitement au concept
recherché. Les objets pédagogiques OP-36 attaché au concept Formes_Normales dont le concept
Forme_Normale_2 en fait partie. Les objets pédagogiques OP_1, OP_100, OP_200, OP_89,
OP_34 attachées aux concepts (clé, Attribut, Forme_Normale_1, BD_Relationelle) qui sont liés
au concept recherché par la relation pré-requis. Enfin les objets pédagogiques 94 et 28 sont
similaires, pour éviter la redondance des objets, l’objet pédagogique 94 n’apparait pas dans la
liste des résultats, mais cet objet (94) cite l’objet pédagogique 95 ce qui implique son apparition
dans la liste de recherche.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 39
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
IMPLEMENTATION
Nous avons implémenté le système en utilsant Protégé 3.4.4 pour la création et l’édition des
ontologies, avec le plugin SWRLTab pour l’édition des règles SWRL. Ce choix a été conditionné
par le besoin d’utiliser certains built-ins SWRL qui sont disponibles seulement dans la version
3.4 de Protégé. Aussi nous avons utilisé Pellet comme moteur d’inférence pour l’exécution des
règles et pour les autres tâches de raisonnement telles que la vérification de la cohérence de
l’ontologie ou sa classification car il est plus complet et plus puissant pour effectuer ces tâches.
Figure 4: Résultat complet de tous les objets pédagogiques trouvés
CONCLUSION
L’approche présentée apporte une certaine intelligence dans le processus de RI, mais aussi plus
de pertinence grâce à l’utilisation des ontologies développées (Thématique, Domaine, Objet
pédagogique) comme technique d’indexation et par l’exploitation des liens sémantiques entre les
concepts et les objets pédagogiques. Par ailleurs, afin d’augmenter l’expressivité de la recherche
pertinente nous avons incorporé un ensemble de règles SWRL en exploitant la sémantique des
liens par des mécanismes d’inférences qui permettent des raisonnements élaborés. Un premier
prototype concrétisant notre approche est développé. Le cours "Base_de_données" de la
formation "Master" a servi de domaine d’application.
Comme perspective nous envisageons enrichir notre outil par la prise en charge du style
d’apprentissage d’un apprenant afin de rapprocher les objets pédagogiques trouvés par notre outil
d’inférence au profil de l’apprenant. Aussi, développer un outil de composition et d’assemblage
de ces objets pour les présenter en document structuré selon les catégories (Définition, Exemple,
Exercice, Illustration) définies.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 40
Session 1 Formation à distance, E-learning et Tutorat : Expériences et réalisation
BIBLIOGRAPHIE
[Behaz, 2009] Behaz, A., Djoudi, M. "Modélisation ontologique pour la création d'un hypermédia
adaptatif". Colloque international Tice Méditerranée Ticemed 2009, Milano Italia, 28 - 29 mai (2009)
[Bouzeghoub, 2005] Bouzeghoub A., Defude B., Duitama J.F., Lecocq C. Un modèle de description
sémantique de ressources pédagogiques basé sur une ontologie de domaine. Sticef Volume 12, (2005).
[Hernandez, 2008] Hernandez N., Mothe J., Ralalason B., Ramamonjisoa B., Stolf P. "A Model to
Represent the Facets of Learning Objects". Interdisciplinary Journal of Knowledge and Learning Objects,
Informing Science Institute, Volume 4, Santa Rosa-USA (2008).
[Horroks, 2004] Horrocks I., Patel-Schneider P. F., Boley H., Tabet S., Grosof B., et Dean M. : SWRL :
A Semantic Web Rule Language Combining OWL and RuleML. W3C MemberSubmission 21 May
(2004).
[Knublauch, 2004] Knublauch H., Fergerson R. W., Noy N. F. et Musen M. A. : The Protégé OWL
plugin :An open development environment for semantic web applications. pages 229 243. Springer,
(2004).
[Psyché, 2003]
Psyché V., Mendes O., et Bourdeau J. "Apport de l’ingénierie ontologique
environnements de formation à distance", In STICEF, Vol. 10, ISSN : 1764-7223 (2003).
aux
[Parsia, 2011]
Parsia B., Sirin E., Grau B. C., Ruckhaus E. et Hewlett D. "Cautiously approaching
SWRL". Url : http://www.mindswap.org/papers/CautiousSWRL.pdf. visité en (2011)
[Sancho, 2010] Sancho G. "Adaptation d'architectures logicielles collaboratives dans les environnements
ubiquitaires. Contribution à l'interopérabilité par la sémantique". These décembre (2010).
[Smith, 2010] Smith M. K., Welty C., et McGuinness D. L. : OWL Web Ontology Language Guide.
W3C Recommendation, février 2004. Url : http://www.w3.org/TR/ owl-guide visité en (2010).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 41
Session 2 Hypermédias éducatifs
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 42
Session 2 Hypermédias éducatifs
An approach to Adaptive Hypermedia System based on thinking Styles:
Implementation and evaluation
Abstract :
Lamia MAHNANE, Mohamed HAFIDI, M.T.Laskri
Networks and Systems Laboratory (LRS), Computing Research Laboratory (LRI)
Department of computer science, Faculty of Engineering Science,
University Badji Mokhtar, ANNABA 23000
[email protected]
[email protected]
[email protected]
Adaptive hypermedia system try to offer an alternative to the non-individualized approach, by
employing a user model built based on parameters derived from human factors. These human
factors, in an educational context, can range from gender differences, through prior knowledge, to
learning styles. Thus, human factors play an important role in the development of adaptive
hypermedia system.
However, recent research has considered thinking styles as another human factor that can be used
to drive adaptation in adaptive hypermedia system.
Therefore, this work aims to measure the performance of a learner with regard to the learning
objectives while integrating the characteristics of the model proposed by HBDI (Herrmann Brain
Dominance Instrument model) model to infer the thinking style of the learner. We consider that
the content and teaching strategy proposed match the learner’s style when its performance factor
is satisfactory. Otherwise, the course design is to be adapted based on the tracks and paths of the
learner.
Keywords :
Hypermedia, HBDI, Adaptation, thinking style, learner model
INTRODUCTION
Hypermedia represents a best method of transmitting information, their use in an educational
setting, have advantages by employing a user model built based on parameters derived from
human factors[Mahnane, 2010a] [Mahnane, 2008b ]. These human factors, in an educational
context, can range from gender differences, through prior knowledge, to learning styles. Thus,
human factors play an important role in the development of adaptive hypermedia system.
However, in an educational hypermedia, the learner must be an active player during his learning.
It is important to him; he can distinguish its strengths and weaknesses throughout his educational
career. This form of education can not provide personalized services for all learners then have
access to the same set of teaching resources and tools, without taking into account the different
thinking styles [Wang, 2010]. The recent research has considered thinking styles as another
human factor that can be used to drive adaptation in adaptive hypermedia system.
Therefore, this work aims to measure the performance of a learner with regard to the learning
objectives while integrating the characteristics of the model proposed by HBDI (Herrmann Brain
Dominance Instrument model) model to infer the thinking style of the learner. We consider that
the content and teaching strategy proposed match the learner’s style when its performance factor
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 43
Session 2 Hypermédias éducatifs
is satisfactory. Otherwise, the course design is to be adapted based on the tracks and paths of the
learner.
THEORY BASE
Thinking style
Sternberg has proposed a theory of thinking style intended to help illuminate the differences in
the way people think, contending that there are different ways that people use their abilities
[Sternberg, 1997]; those preferred ways are constructed as “thinking styles”. Tennant’s definition
of cognitive style [Witkin, 1977] is “an individual’s characteristic and consistent approach to
organizing and processing information”.
Cognitive style is considered to be a central and unchanging part of the individual’s personal and
psychological makeup, it also describes one’s preferred approach to use the information he or she
has perceived and remembered to solve problems.
There are some models for the measurement of cognitive style: Myers-Briggs Type Indicator
(MBTI) [Witkin, 1977], the field dependence-independence model [Witkin, 1977], Cognitive
Style Index (CSI) [Allinson, 1996] [Allinson, 1996], and Sternberg’s Thinking Styles Inventory
[Sternberg, 1997].
The Herrmann Brain Dominance Instrument (HBDI®) is a typical cognitive style measurement
and model similar to MBTI [Myers, 1985]. Among the different proposals for modeling TS, we
choose the HBDI tools since it is the more powerful tools for personal and team success.
HBDI
HBDI® was developed by Ned Hermann [Tennant, 1988], based on his extensive research on
brain dominance, which is natural and normal for all human beings and influences all four
specialized thinking structures of the brain. HBDI® is an assessment tool that quantifies the
degree of a person’s preference for a specific thinking style taking the form of a survey consisting
of 120 questions to be completed by an individual.
In this model, human’s brain is metaphorically divided into four quadrants, and each quadrant has
its “colour” signifying one’s thinking style preference; each “colour” has its corresponding “turn
on” activities. According to [Herrmann, 1995], the preference for the A-quadrant (left cerebral
hemisphere – analytical) means that one’s favourite activities involve logical, analytical and
factual information combined with an ability to perceive, verbalise and express information
precisely; the preference of B-quadrant (left limbic system – sequential) favours organized,
sequential, planned and detailed information, that means the people are conservative in their
actions and like to keep things as they are. In our research, we classify learners being examined
into four groups [Allinson, 1996]: theoretician that has the thinking style of “blue”, organizer that
has the thinking style of “green”, humanitarian (socials) that has the thinking style of “red” and
innovator that has the thinking style of “yellow”. The correspondent “turn-on” activities of each
group are also shown in Table 1.
Our model is inspired by HBDI, because HBDI ® is the only instrument that quantifies a
person’s preference for thinking in four different modes depending on how the brain functions
[Herrmann, 1995]. It is also a tool to encourage a person to understand his or her strengths and
weaknesses, preferences and avoidances.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 44
Session 2 Hypermédias éducatifs
Quadrant
Left cerebral
hemisphere
Color
Blue
Prefered activities and working characteristics
Theoreticians: They like the facts, the details, critical
thinking, the precise definitions, unambiguous
instructions.
Features of work: Works alone; analyze and diagnose;
presents a relational problem by the logic; solves difficult
problems in matrix; likes challenges.
Left limbic
Green
Organiser: They love the instructions step by step, the
system
schemas, checklists, Time Lines, problem solving with
the steps and specific procedures.
Features of work: likes structure; puts in order; plans,
organizes and manages "execution" of projects; preserves
the status quo; attentive to details; integrates information
in a sequential manner.
Right limbic
Red
The socials (Humanitarians): They prefer collaborative
system
learning, group discussions, role-playing, personal
approaches and personal examples.
Features of work: Builds relations before constructing the
project; loves persuade, advise, listen, be part of a team;
expresses his ideas with emotion; sensitive to what other
people think.
Right cerebral
Yellow Innovators: They prefer brainstorm, metaphors,
hemisphere
illustrations, images, summaries, holistic approaches, the
pace (rhythm) alert.
Features of work: Takes risks; experiments; loves variety,
energy, novelty; plans the future, likes to talk about
strategy; uses his intuition, overview, Interrelations.
Table 1 : Classification of “turn-on” activities according to HBDI® model.
Pedagogical approaches
We classify the general pedagogical approaches and their corresponding pedagogical activities in
five categories, as in table 2:
Pedagogical approach
General pedagogical activity
Cognitivist
Presentation of the theoretical concepts and
then the resolution of the exercises (and
solution)
Behaviorist & cognitivist
Discover the theoretical concepts from the
exercises and the case (from example)
Constructivist Learning
Learning from project, in the context of an
individual work (student-centred)
Socio-constructivist
Learning from project, in the context of a
collective work (collaborative learning)
Active pedagogy
The cooperation between the students (each
student communicates with his/her peers to
seek help)
Table 2: Pedagogical approaches and general pedagogical activities
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 45
Session 2 Hypermédias éducatifs
PROPOSED SYSTEM ARCHITECTURE
In this paper, a new personalized education system is presented according to the learning model
based on personality. This module is displayed in figure 2. Our general purpose may be viewed
as being comprised of at least the following three elements:
- Domain Model: As part of our approach, the domain model is designed as a graph of
pedagogical objectives. Each objective is associated with a set of domain concepts and to
explore each concept is it self connected to a set of learning activities that constitute
resources that will handle the learner during the learning. We used several types of
pedagogical activities to introduce a concept namely: presentation of theory, exercises,
practical work (or project).
- Learner Model: The selection of styles of learners is conducted using questionnaire of
HBDI. This tool help to establish a static model of each learner based on the dimensions
of thinking styles (theorist, organizer, humanitarian, and innovator).
- Adaptation Model: Consists of a set of strategies for describing the runtime behavior of
the system as well as how the domain model relates to the user model to specify
adaptation.
Figure 1: Proposed system architecture
RESULTS AND DISCUSSION
We present in what follows (Table 3) some responses of the learners about the main questions of
the questionnaire. This questionnaire includes the questions about the functions of Thinking
Style; the questions about the effect of adaptive course structure and pedagogical activities,
which is how the course adapts to the user’s preference; the questions about the general
impression of system, including the effect of interaction between user and system.
We collected the responses of 10 learners from the aforementioned domains.
We present in what follows (Table 3) some responses of the learners about the main questions of
the questionnaire. This questionnaire includes the questions about the functions of Thinking
Style; the questions about the effect of adaptive course structure and pedagogical activities,
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 46
Session 2 Hypermédias éducatifs
which is how the course adapts to the user’s preference; the questions about the general
impression of system, including the effect of interaction between user and system.
We collected the responses of 10 learners from the aforementioned domains.
Questions
Answers
appropriate
50%
How do you think the domain list
provided by system?
More general
10%
More detailed
40%
When you do thinking style test in
system, do you think the length of
time is suitable?
Very suitable
Suitable
Quite suitable
Not suitable
0(0%)
3(30%)
5(50%)
2(20%)
When you navigate in system, how
do you feel about the navigation
among these modules?
On which level the recommended
activities from system match your
need for pedagogical activities?
Does the function of modification
of the course structure is necessary
for your course?
Do you think it is useful for your
later work when system provides
the information about pedagogical
approaches?
How do you think the interface of
system for generating your
courses?
very convenient
3(30%)
convenient
4(40%)
quite convenient
2(20%)
not convenient
1(10%)
Very good
good
average
weak
2(20%)
very necessary
3(30%)
very useful
4(40%)
necessary
4(40%)
useful
2(20%)
Quite necessary
2(20%)
Quite useful
2(20%)
not necessary
1(10%)
not useful
1(10%)
0(0%)
3(30%)
6(60%)
very interactive
4(40%)
interactive
3(30%)
Quite interactive
2(20%)
not interactive
1(10%)
Table 3: Responses of learners after the experiment
For the question about module of domain, 50.0% think the existing list of disciplines in system is
appropriate while 40.0% think the list should be more detailed, and the rest think that it should be
more general.
The question about the utilisation of thinking style test, 8 learners (80% of the total) thinks the
length of time spent on thinking style test is suitable.
For the question about the navigation among these modules, 70% of the users feel very
convenient or convenient (value ≥ 4) when navigate in the abovementioned modules of system;
besides the 20% of the users who show the average satisfaction degree, 10% feel the navigation
among these modules is not convenient (value ≤ 2).
Once the user fulfilled the test or the questionnaire, the adaptive activities are automatically
recommended by the system. 60% of the respondents appreciate the recommended activities,
30% of the respondents hold the neutral opinions.
Besides, there exist 10% respondents who are not satisfied with the activities by default.
The user’ opinions on module of modification are obviously positive. This function can make
sure to modify the course structure with which the user is not satisfied after viewing it in system.
The negative opinions are discovered from the result for question “do you think it is useful for
your later work when system provides the information about pedagogical approaches?” A
relatively large proportion of learners do not mind whether the pedagogical approach information
being provided in their profile by system. They stated that the information was too general to find
the clear indication for their following activities.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 47
Session 2 Hypermédias éducatifs
CONCLUSION AND FUTURE WORK
In this paper, we presented the implementation of an adaptive hypermedia system of education
centred on the use of psycho-criteria (thinking style). Also, we have given importance to the use
of several types of courses and many types of resources because they must reflect the dimensions
related to the different styles adopted in our approach.
1. The objectives of our approach is to achieve the following purposes:
2. Determine the thinking style of the learner according to a test;
3. Use of this style as a distinguishing characteristic to adapt the course;
4. Determine the appropriate pedagogical approach for each style;
5. Evaluate the performance of learners with respect to adaptation;
In case of failure in the evaluation of treatments are applied such as a change of teaching
approach based on appropriate evidence acquired during the training.
As a future work, more services should be integrated in system:
More pedagogical activities should be explored and integrated into system;
We plan to use Bayesian networks to detect thinking styles, to make the system more adaptive
and dynamic.
REFERENCES
[Mahnane, 2010a] Mahnane, L., Laskri, M .T., " Conception d'un hypermédia adaptatif centré sur le style
d'apprentissage ", Publisher ACM NY, 2010, pp. 117-122, USA.
[Wang, 2010] Wang, K., " "Modèle d’unité d’apprentissage adaptatif", Ph.D. thesis, University of
Technologies, September 20, 2010, Compiègne, France.
[Mahnane, 2008b] Mahnane, L., Laskri, M .T., " Améliorer la qualité d’adaptation dans les hypermédias
éducatifs sur le Web » CEMAFORAD 4, Strasbourg, April 2008.
[Sternberg, 1997] Sternberg, R.J., "Thinking styles", New York: Cambridge University Press, 1997.
[Myers, 1985] Myers,I. B., McCaulley, M..H.,” Manual: A Guide to the Development and Use of the
Myers Briggs Type Indicator”, Palo Alto, CA: Consulting Psychologists Press, 1985.
[Herrmann, 1995] N. Herrmann, "The creative brain", U.S.A: Quebecor Printing Book group, 1995.
[Allinson, 1996] Allinson, C.W., Hayes, J., “The cognitive style index: a measure of intuition-analysis for
organisation Research”, Journal of Management Studies, Vol.33, No.1, 1996, pp 119-135.
[Witkin, 1977] H.A. Witkin, Moore, C. A, Goodenough,D. R. . Cox, P. W., “Field dependent and field
independent cognitive styles and their educational implications”, Review of Educational Research, Vol.47,
pp, 1-64, (1977).
[Herrmann, 1996] Herrmann, N., "The whole brain business book”, New York: 1996, Mc Graw Hill.
[Tennant, 1988] Tennant,M., “Psychology and Adult Learning”, Routledge, 1988.
[Skinner, 1968] Skinner, B.,"The technology of teaching", Des Moines: Meredith, 1968.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 48
Session 2 Hypermédias éducatifs
ALEM : Un Modèle de Référence pour Les Hypermédias Adaptatifs
Educatifs
Saliha Bali ; Dr. Tahar Bouhadada
Laboratoire de Recherche en Informatique (LRI), Département d’Informatique, Université Badji Mokhtar - Annaba Algérie
Zitouna Centre, Commune de Zitouna, W.El-tarf
[email protected]
Résumé :
Les systèmes hypermédias adaptatifs offrent une personnalisation aux différents utilisateurs. Une des
méthodes permettant cette personnalisation est les modèles de référence. Ces modèles permettent de
décrire les hypermédias adaptatifs en permettant de collecter les spécifications et les meilleures pratiques
pour fournir de la documentation et des directives pour une communauté d’usagers. Les modèles de
référence existants sont génériques et ne sont pas dédiés aux systèmes éducatifs. Cet article présente un
modèle de référence qui est spécifique aux systèmes hypermédias adaptatifs éducatifs. Les modèles de
référence existants sont génériques et ne sont pas dédiés aux systèmes éducatifs. Ce modèle est baptisé
ALEM [Tadlaoui, 2010] (Adaptive Learning Environment Model). Il est composé d’un modèle de
domaine, d’un modèle d’apprenant, d’un modèle de structuration de cours et d’un modèle d’adaptation.
L’apport principal de ce modèle est la modélisation du parcours personnalisé de l’apprenant.
Mots Clés :
Systèmes hypermédias adaptatifs, modèles de références, modèle ALEM.
1 INTRODUCTION :
Aujourd’hui, Internet, les intranets d’entreprise ou d’université sont autant d’univers totalement
ou partiellement accessibles qui regorgent d’informations. Pourtant, c’est souvent difficile pour
un apprenant d’obtenir le bon ensemble de documents pédagogiques ou l’information adéquate.
Ceci est dû non seulement à l’hétérogénéité du contenu et de la forme de la matière en ligne mais
aussi au manque d’adaptation des documents aux besoins et aux connaissances de l’utilisateur.
Le but de cette communication est de présenter les différents modèles de références existants
ainsi que l’un des travaux de recherche effectué dans ce domaine.
2 ETAT DE L’ART:
Les modèles de référence décrivant les systèmes hypermédias classiques (non adaptatifs) ont
commencé à apparaitre avant l’existence du Web, notamment le modèle HAM (Hypertext
Abstract Machine) de Campbell et Goodman créé en 1988. Après l’apparition de ce modèle
d’autres ont suivi et le plus connu d’entre eux est le modèle Dexter (Dexter Hypertext Reference
Model) [Halasz, 1994].
Un modèle de référence permet de collecter les spécifications et les meilleures pratiques
pour fournir de la documentation et des directives pour une communauté d’usagers. Il doit
aussi être assez précis pour montrer le savoir faire et assez général pour être malléable. En fait, la
standardisation consiste en l'établissement des définitions et des spécifications de règles
syntaxiques et sémantiques et les descriptions d'environnements. Une norme ne doit être ni
prescriptive, ni exclusive.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 49
Session 2 Hypermédias éducatifs
Le concept de modèle de référence a été discuté au niveau des hypermédias bien avant les objets
éducatifs, tandis que la majorité des hypermédias sont à des fins éducatives.
Pour cette raison, nous proposons de présenter des modèles de référence existants pour les
systèmes hypermédias adaptatifs.
2.1
Dexter
2.2
AHAM
Le modèle Dexter [Halasz, 1994] décrit les structures nécessaires pour définir les liens entre les
items d'information. Il a été conçu pour clarifier les concepts dans les systèmes hypertextes
existants.
Deux niveaux sont présentés dans ce modèle : le composant atomique et le composant
composite. Les composantes sont composées des collections d'autres composantes (atomique ou
composite) et des liens qui connectent ces composantes à leurs fils. Ces composantes sont traitées
comme une composante unique.
En plus, les composantes (atomique ou composite) peuvent être connectées au moyen d’ancres.
Une ancre est une partie de la composante, elle peut être un fragment de texte, des graphiques,
etc. Une composante (atomique ou composite) contient trois parties principales : le contenu, les
attributs sémantiques et les spécifications de présentation.
Enfin, deux types de rapports existent dans ce modèle : les liens via les ancres et les rapports
entre les composantes et leurs descendants.
Le modèle AHAM (Adaptive Hypermedia Application Model) [De Bra, 1999] est un modèle de
référence qui étend le modèle de Dexter pour décrire les systèmes hypermédias adaptatifs. Pour
adapter, AHAM offre trois modèles : le modèle du domaine, le modèle utilisateur et le modèle
d'adaptation.
Le modèle du domaine représente la vue de l'auteur concernant le domaine d'application. Il
décrit la structure d'un système hypertexte adaptatif comme un ensemble fini des concepts le
composant (les concepts et les relations entre les concepts).
Le concept est une représentation abstraite d'un nœud d’information dans le domaine
d'application.
Le modèle utilisateur contient des informations que le système enregistre sur l'utilisateur. Il est
basé sur la connaissance de l'utilisateur sur les concepts. Pour chaque utilisateur, le système
maintient une table où sont conservés les attributs décrivant la connaissance pour chaque concept
dans le domaine.
Le modèle d'adaptation contient les règles à appliquer à l'enseignement dans les modèles
précédents. AHAM utilise une règle d’adaptation du langage qui ressemble à SQL (Simple
Query Language) sauf qu'elle ne contient pas la partie FROM car elle référera toujours au
modèle utilisateur et au domaine d'application.
2.3 Le modèle Munich
Le modèle de référence Munich [Tadlaoui, 2010] est un modèle basé sur le modèle Dexter. Il a
été développé indépendamment du modèle AHAM. Le principal apport de ce modèle est qu’il
utilise un langage graphique pour la description des différents composants d’un SHA.
L’architecture en couche a été remplacée par un diagramme de package UML et la description du
modèle de l’utilisateur, de domaine et d’adaptation a été illustrée par des diagrammes de classes
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 50
Session 2 Hypermédias éducatifs
UML. Ces derniers diagrammes sont aussi utilisés pour décrire les différentes fonctions qui sont
offertes par les trois modèles.
Le modèle Munich apporte les extensions suivantes par rapport à ses deux prédécesseurs :
- Les composants du modèle de domaine ne sont pas reliés seulement par des relations de
navigation (liens), mais aussi par d'autres relations conceptuelles tel que « part de », « pré requis
de » et « variante de » ;
- Le modèle de l'utilisateur inclut un gestionnaire d'utilisateur et un modèle pour chaque
utilisateur du système composé d'attributs (dépendant ou indépendants du domaine) et de valeurs
;
- Les règles sont classées en règles de construction, d'acquisition et d'adaptation (adaptateur de
contenu, de lien et de présentation) ;
- Le modèle d'adaptation modélise aussi le comportement de l'utilisateur (la navigation, les
entrées et l'inactivité de l'utilisateur).
Le modèle de référence Munich est aussi un modèle qui n’est pas utilisé seulement pour les
systèmes hypermédias adaptatifs éducatifs mais aussi pour les autres types de SHA.
 Limites
Bien que les systèmes hypermédias adaptatifs existants aient un potentiel dans la fourniture de
ressources d'apprentissage convenables, ils restent des environnements relativement fermés. En
plus, les modèles de référence existants ont tendance à être génériques et par conséquent
n'abordent pas les problèmes relatifs aux systèmes spécifiques tels que les systèmes
d'apprentissage.
Une des limitations fondamentales est le fait qu'ils considèrent seulement deux acteurs dans le
processus d'apprentissage : l'auteur et l'utilisateur. Nous croyons que c'est trop réductionniste vu
que plus de deux rôles sont impliqués dans ce processus complexe, même si seules deux
personnes peuvent jouer ces différents rôles : du côté enseignement, le concepteur, le tuteur (et
même le système); du côté apprentissage, l'apprenant :
En plus, le domaine est composé de concepts (qui n’ont aucune typologie sur laquelle le modèle
du domaine est basé) connectés par des relations suivant un vocabulaire restrictif qui dans le
contexte d'un environnement ouvert pose problème car il force des sources différentes à utiliser
le même vocabulaire. Enfin, les concepts n'ont pas de formalisme de description facilitant leur
découverte.
Enfin, le modèle utilisateur tient compte uniquement des informations sur les ressources. C'est
souvent un modèle overlay. Les normes actuelles telles que IEEE/PAPI [IEEE/PAPI] et
IMS/LIP [IMS/LIP] ne sont pas utilisées.
À cause de toutes ces limitations, plusieurs modèles ont été proposés. Parmi eux un nouveau
modèle de référence appelé le Modèle Alem, étendant AHAM, pour satisfaire aux besoins.
2.4 Le modèle ALEM
Le modèle ALEM [Tadlaoui, 2010] (Adaptive Learning Environment Model) est une extension
du modèle de référence Munich. Le modèle Munich et AHAM sont assez similaires. Le premier
modélise les SHA du point de vue de l’approche « orienté objet » tandis que le deuxième les
modélise du point de vue de l’approche « base de données ». Le modèle Munich a été choisi
comme modèle de base à cause de son approche de modélisation. L’apport essentiel du modèle
ALEM est la modélisation du cours et du processus pédagogique. Les objectifs principaux qui
ont guidé l’élaboration de ce modèle sont :
1. Décrire les systèmes hypermédias adaptatifs éducatifs existants ou futurs ;
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 51
Session 2 Hypermédias éducatifs
2. Inclure la notion d’activité pédagogique et la notion de processus pédagogique ;
3. Prendre en compte tous les types de représentation du modèle de l’utilisateur (Modèle de
recouvrement, modèle de perturbation, modèle stéréotypé, etc.) ;
4. Modéliser les buts de l’apprenant et les distinguer des buts des concepts du domaine.
Le modèle ALEM est décrit à l’aide d’UML. Ce langage a permis de faire une description
visuelle et riche du modèle. Il a été utile aussi pour bien montrer les concepts du modèle et les
différentes relations entre eux. Les éléments rajoutés à ce modèle par rapport au modèle Munich
sont marqués avec un astérisque (*). Quoique l’architecture du modèle ALEM contient les
mêmes trois couches existantes dans le modèle Munich, elle étend leurs fonctionnalités pour une
meilleure modélisation des systèmes pédagogiques et elle comprend une couche supplémentaire
qui est la couche pédagogique. Comme dans le modèle Munich, on utilise dans ce modèle de
référence l’expression « méta modèle » pour nommer les différents modèles contenus dans
ALEM.
Les différentes couches du modèle ALEM, représentées dans la figure 1, sont les suivantes :
1. La couche contenu de composant (Within Component Layer) contient le contenu et la
structure des nœuds de l’hypermédia, et elle sert aussi à isoler les autres couches des détails
spécifiques aux medias ;
2. La couche de stockage (Storage Layer) stocke les informations sur la structure de
l’hypermédia. Cette couche est composée de trois métas modèles :
 Le méta modèle du domaine décrivant le domaine d’application de l’hypermédia ;
 Le méta modèle de l’apprenant décrivant les caractéristiques de l’apprenant utiles pour la
personnalisation de l’hyperespace ;
 Le méta modèle de l’adaptation décrivant les stratégies et les règles d’adaptation.
3. La couche pédagogique (Learning Layer) est une représentation abstraite du cours. Cette
couche contient le modèle de structuration de cours ;
4. La couche d’exécution (Run Time Layer) est la description de la manière de présentation des
nœuds. Cette couche est responsable de l’interaction avec l’apprenant, l’acquisition des données
de l’apprenant et la gestion des sessions.
Figure 1 : Le Modèle ALEM
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 52
Session 2 Hypermédias éducatifs
2.4.1
Le méta modèle du domaine
2.4.2
Le méta modèle de l’apprenant
Le méta modèle du domaine décrit la structure de l’hypermédia comme un ensemble de
composants.
Le domaine d’application de l’hypermédia est modélisé par la classe Domaine, il est constitué
d’un ensemble fini de composants. La classe composant permet de représenter abstraitement tous
les composants du domaine d’application : les concepts, les pages, les fragments, et les relations
entre composants. Un composant peut être décrit par plusieurs descripteurs à l’aide du
formalisme LOM [IEEE/LOM]. La classe but sert à représenter les objectifs pour lesquels le
composant est créé. Un but peut être réalisé lui-même par d’autres buts.
Le méta modèle du domaine permet aussi de décrire, par le biais de la classe spécification de
présentation, la manière de présenter un composant ou une relation à l’utilisateur final. Les
composants page et fragment sont contenus dans la couche contenu de composant. Une page est
constituée d’un ou plusieurs fragments. Un fragment appartient à un canal de média (Audio,
Image, texte, etc.). Chaque canal est renseigné par des propriétés (Volume audio, style de texte,
etc.) qui sont utilisés pour la personnalisation de la présentation.
Le composant relation représente un mécanisme de lien entre les différents composants du
domaine. Une relation peut être :
Un lien de navigation : c’est le lien qui permet à l’utilisateur de se diriger d’une page à une autre
pour parcourir l’hypermédia. Ce lien relie les pages et les fragments ;
Une relation sémantique : elle est utilisée pour exprimer n’importe quel type de liens
sémantique (pré requis de, est similaire, est une version de, basé sur, et, ou, avant, après, est
important dans, etc.) pour relier tout type de composants ;
Une relation structurelle : elle est utilisée pour exprimer la relation de composition entre
concepts, pages et fragments. Parmi les relations structurelles possibles on retrouve : est un, fait
partie de et définit le concept.
Une relation peut contenir un ou plusieurs spécificateurs pour permettre la description des
relations réflexives, binaires ou n-aires. Chaque spécificateur pointe vers une ancre d’un
composant.
Le méta modèle de l’apprenant décrit la structure interne d’un modèle de l’apprenant. Un
apprenant est modélisé par un identificateur (LID) et un ensemble d’attributs. Avec ces attributs
le système hypermédia adaptatif permet de représenter les caractéristiques qui sont pertinentes
pour l’application. On peut distinguer différents types d’informations contenus dans un modèle
d’apprenant : nom, âge, connaissances, background, expérience, buts, etc., classifiées dans sept
catégories.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 53
Session 2 Hypermédias éducatifs
Figure 2 : Le méta modèle de l’apprenant.
Les valeurs assignées aux attributs représentent les croyances du système au sujet de l’apprenant.
Les caractéristiques de l’apprenant sont les suivantes : information personnelle, connaissance
dépendante du domaine, connaissance indépendante du domaine, finalité, préférence physique et
caractéristique cognitive (capacité cognitive, préférence cognitive). Le modèle ALEM permet de
prendre en compte la notion de stéréotype (classe stéréotype). Ces stéréotypes ont des
caractéristiques avec des valeurs par défaut qui sont utilisées principalement dans l’initialisation
des valeurs des caractéristiques de l’apprenant.
2.4.3
Le méta modèle d’adaptation
Le méta modèle d’adaptation de ALEM, décrit comment l’adaptation de lien et de contenu est
effectuée et comment le modèle de l’apprenant est mis à jour.
L’adaptation est faite en utilisant les informations du modèle de domaine, du modèle de
l’apprenant, et l’interaction de l’apprenant. L’opération d’adaptation est réalisée par le moteur
d’adaptation. L’élément de base utilisé pour modéliser l’adaptation est la règle (classe règle) qui
détermine comment les pages sont construites et comment elles sont présentées à l’apprenant.
Une règle est constituée de deux parties : une condition et une action. Les deux parties d’une
règle contiennent des expressions qui sont constituées des éléments et des opérateurs logiques.
Ces éléments sont principalement soit une caractéristique d’un apprenant ou un composant.
Une règle peut être appliquée après ou avant la génération de la page suivant l’attribut phase de la
classe règle qui peut prendre comme valeur ‘post’ ou ‘pre’.
Une règle peut appartenir à l’une des classes suivantes : règle d’adaptation, règle d’acquisition.
Un SHA peut avoir des règles d’adaptations prédéfinies (classe règle générique, créée par le
concepteur du système). Si ces règles ne suffisent pas, d’autres nouvelles règles (classe règle
spécifique, créée par les auteurs du système hypermédia) peuvent être définies.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 54
Session 2 Hypermédias éducatifs
Le comportement de l’apprenant, incorporé dans le méta modèle d’adaptation, est classifié selon
les actions de l’apprenant : navigation, entrée et inactivité. Une règle est déclenchée soit par le
comportement de l’apprenant ou par une autre règle.
Ce modèle représente les règles d’une manière générale et il n’est pas un formalisme de
représentation de règles. La syntaxe des règles permises dépend du système hypermédia.
Figure 3 : Le méta modèle d’adaptation.
2.4.4
Le méta modèle de structuration de cours
Un cours est l’ensemble des activités pédagogiques choisies pour représenter une matière
spécifique pour répondre à une finalité bien précise. Dans le modèle ALEM, la structure d’un
cours est modélisée sous forme d’un arbre ET/OU.
Le modèle de structuration de cours est composé de quatre types de nœuds :
- Finalité : c’est l’objectif final qu’un apprenant doit atteindre en fin de cours.
- But : c’est l’élément de l’arbre qui définit les buts intermédiaires entre la finalité et les activités.
- Activité : c’est un but de plus bas niveau ou un but opérationnel. Elle définit une tâche que
l’apprenant doit effectuer. Elle doit être réalisée pour satisfaire un but. Une activité est reliée avec
des composants définis dans le modèle du domaine ;
- Composant : c’est l’élément sur le quel une activité est exécutée. Il représente les ressources
pédagogiques. Il peut être soit un concept, une page ou un fragment. Le méta modèle de
structuration de cours permet de représenter le modèle de structuration de cours. A partir d’un
arbre de cours, le système génère une séquence d’activités, que l’apprenant doit suivre pour
atteindre la finalité. Cette séquence est appelée plan (parcours pédagogique). Dans ce modèle, un
projet pédagogique est défini comme étant un package qui contient une finalité et un plan et qui
est affecté à un apprenant précis. Un apprenant peut avoir plusieurs projets en cours.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 55
Session 2 Hypermédias éducatifs
2.4.5 Le processus de génération du parcours adapté (plan)
Après que l’apprenant, ait choisi une finalité, le système doit exécuter les étapes suivantes pour
générer le parcours adapté :
1- Mettre à jour le modèle de l’apprenant avec la valeur de la finalité choisie ;
2- Sélectionner un sous réseau du modèle de domaine qui satisfait cette finalité ;
3- Eliminer du réseau résultant les composants qui sont déjà acquis par cet apprenant ;
4- Générer l’arbre du modèle de cours :
a. Positionner les composants (concepts, page et fragments) en bas de l’arbre (feuilles de l’arbre);
b. Positionner leurs buts strictement supérieurs dans le niveau n-1 de l’arbre et les nommer
comme activités ;
c. Ajouter dans les niveaux les plus inférieurs de l’arbre (niveau < n-1) les buts de plus haut
niveau ;
d. Ajouter dans le niveau un (racine de l’arbre) la finalité.
5- Choisir un cheminement parmi les différents chemins possibles pour atteindre la finalité en se
basant sur les règles ;
6- Mettre à jour le modèle de l’apprenant par les valeurs du projet, les activités, les buts et le
plan.
CONCLUSION
Malgré les différences existantes dans la population des utilisateurs (différentes connaissances,
différents buts, etc.) des hypermédias classiques, ces derniers ne fournissent pas des pages
adaptées à ces utilisateurs ; à leurs profils et à leurs exigences. Plusieurs travaux sur les SHA ont
été effectués afin de palier ces problèmes en se concentrant sur le modèle utilisateur pour adapter
le contenu et les liens qui sont présentés à un utilisateur donné.
Les auteurs ont introduit un modèle de référence pour les systèmes hypermédias adaptatifs
éducatifs, appelé ALEM. L’architecture de ce modèle est similaire à celles des modèles AHAM
et Munich. Le grand apport de ce modèle est la modélisation du parcours personnalisé de
l’apprenant.
Les perspectives de ce travail consistent à coupler le modèle ALEM avec les spécifications du
consortium IMS Global IMS-LD [IMS-LD] et LIP [IMS/LIP] en vue d’une meilleure
interopérabilité sémantique.
RÉFÉRENCES BIBLIOGRAPHIQUES
[De Bra, 1999] De Bra, P.; Houben,G. & Wu, H. : “Aham : a dexter-based reference model for adaptive
hypermedia”. In HYPERTEXT ‘99: Proceedings of the tenth ACM Conference on Hypertext and
hypermedia: returning to our diverse roots, pp.147-156, New York, NY, USA (1999).
[Halasz, 1994] Halasz F., Schwartz M.: “ The Dexter Hypertext Reference Model ”. Communications of
the ACM 37(2) (1994).
[IEEE/PAPI] IEEE Public and Private Information (PAPI). jtc1sc36.org/doc136n0186.pdf, 2002.
[IEEE/LOM] IEEE Learning Technology Standard Committee, Learning Object Metadata (LOM),
http://ltsc.ieee.org/wg12/.
[IMS-LD]
IMS
Glocal
Learning
consortium,
Learning
Design
(LD),
http://www.imsglobal.org/learningdesign/ldv1p0/imsld_infov1p0.html.
[IMS/LIP] IMS Glocal Learning consortium, Learner Information Packaging (LIP),
http://www.imsglobal.org/profiles/lipinfo01.html.
[Tadlaoui, 2010] Tadlaoui M., CHIKH A., Bouamrane K., 2010 : “ALEM: Un Modèle de Référence pour
les Applications Web Adaptatif Educatif ”, The First International Conference on E-LEArning For All
Hammamet, Tunisia, (2010).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 56
Session 2 Hypermédias éducatifs
Intégration d’un module de télé-expérimentation dans un hypermédia
intelligent d’apprentissage à distance
Fairouz KHADRAOUI
Laboratoire LaSTIC
Département d’informatique,
Université de Batna
[email protected]
Said TALHI
Laboratoire LaSTIC
Département d’informatique,
Université de Batna
[email protected]
Résumé
Partant du fait que dans très nombreux domaines, notamment en sciences expérimentales, les
expériences de laboratoire jouent un rôle essentiel dans le processus d’apprentissage et
amènent une dimension importante à tout enseignement théorique, nous proposons dans cet
article un prototype d’un module de télé-expérimentation (laboratoire virtuel) que nous
intégrons dans un hypermédia intelligent d’apprentissage à distance asynchrone. Le système
hypermédia intelligent qui repose sur les techniques des systèmes à base de connaissances et
les technologies hypermédias, consiste en un canevas générique que les enseignants
instancient à travers un environnement auteur.
Mots clés
Hypermédias éducatifs, Systèmes hypermédias intelligents, objet d’apprentissage,
laboratoire virtuel
INTRODUCTION
Les hypermédias intelligents ont considérablement évolué et ont ouvert un nouvel axe de
recherche en intégrant un nouveau concept : celui de la dynamicité et on parle alors de
«systèmes hypermédias adaptatifs dynamiques» [1], [2], [4], [7]. La principale caractéristique
de ces systèmes est d’offrir un hypermédia virtuel, le système dans ce cas n’est donc pas
constitué de pages hypertextes prédéfinies. Ces dernières sont construites dynamiquement à
partir des objets d’apprentissage et doivent adapter leur offre de formation de manière
dynamique, en fonction des règles pédagogiques et des réactions des apprenants. Le
«générateur de cours» est le moteur du système hypermédia dynamique et a pour but de
générer un «cours virtuel personnalisé» à partir de fragments de contenus du « modèle du
domaine » et des informations extraites du «modèle de l’apprenant ».
Aussi, dans le cadre des cursus traitant des sciences expérimentales, l’apprenant est amené à
manipuler et à réaliser des expériences de laboratoire dans le but de comprendre des
phénomènes particuliers. Ces phénomènes font appel, en fonction de la discipline étudiée, à
des principes physiques, chimiques, électriques, etc. L’expérimentation dans un cadre réel
amène une dimension au phénomène que la théorie ne peut prévoir et s’avère très formatrice
pour le futur praticien.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 57
Session 2 Hypermédias éducatifs
Notre travail de recherche se situe dans le contexte des systèmes hypermédias adaptatifs
dynamiques en général et les objets d’apprentissage en particulier. Les travaux sur les objets
d’apprentissage et les métadonnées étant assez coûteux en temps et visent à permettre
l’interopérabilité et la réutilisation de ces objets dans différents contextes [3], [8].
Dans ce papier, nous présentons un modèle d’hypermédia intelligent dans lequel nous
proposons une méthode de génération automatique de curriculum. Pour la sélection des objets
d’apprentissage à présenter à l’apprenant, cette méthode se base sur les « métadonnées » de
ces objets d’apprentissage, sur le « modèle de l’apprenant », sur le « graphe de prérequis des
objectifs d’apprentissage » et sur le « graphe de prérequis des concepts ». Nous proposons
également le module de télé-expérimentation que nous avons intégré dans ce système
hypermédia.
LE SYSTEME HYPERMEDIA INTELLIGENT
Le système hypermédia intelligent HILearnS (Hypermedia Intelligent Learning System) est
conçu sur la base de deux paradigmes conjugués à savoir celui des systèmes hypermédias et
celui des systèmes à base de connaissances. Nous avons donc essayé de conjuguer les
bénéfices des deux paradigmes dans le but d’adapter le cours aux besoins et capacités
intellectuelles de chaque apprenant. La technique dite « planification d’enchaînement de
cursus » [5], [11], forme un premier niveau d'adaptation adopté dans notre système. Elle
consiste à fournir à l’apprenant l’enchaînement le plus approprié des objets d’apprentissages
pour le guider dans l’hyperespace et donc diminue les phénomènes de désorientation et de
surcharge cognitive dont il peut être victime. Une deuxième forme d’adaptation qui n’est pas
décrite dans ce papier concerne l’adaptation des liens et l’adaptation des contenus au sein
même d’un objet d’apprentissage [1], [2].
Notre modèle d’hypermédia intelligent repose sur la pédagogie d’objectifs d’apprentissages.
Pour structurer la matière à enseigner (i.e. le module d’enseignement), nous utilisons une
hiérarchie à trois niveaux d’objectifs d’apprentissage définie dans [16] : les objectifs
généraux (OAG), les objectifs spécifiques (OAS) et les objectifs opérationnels (OAO). Cette
hiérarchie nous a permis de considérer trois niveaux d’abstraction du module d’enseignement
: les parties (satisfaisant aux objectifs généraux), les chapitres (satisfaisant aux objectifs
spécifiques) et les objets d’apprentissage hypermédias (oah) (satisfaisant aux objectifs
opérationnels). Ces derniers sont les unités de transfert évaluables.
Le système HILearnS organise donc le processus d’apprentissage autour de ces composants
hypermédias (les oah). Les oah sont censées recevoir, par instanciation, toutes sortes de
connaissances du domaine, sous toutes les formes de médias permises par les langages
hypermédias tels que HTML, XML, etc.(texte, image, son, vidéo, script, applet) [6].
Reposant sur la tactique (présenter, montrer, faire), les oah de cours présentent d’abord la
théorie sur le sujet à enseigner (présenter) puis enchaînent avec des exemples permettant de
(montrer) à l’apprenant comment appliquer la théorie présentée en utilisant des exemples
concrets. Les oah d’évaluation permettent quant à eux de mesurer l’atteinte des objectifs
opérationnels par l’apprenant, et ce, en le poussant à s’exercer (faire) lui-même en résolvant
des problèmes d’applications de la théorie étudiée.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 58
Session 2 Hypermédias éducatifs
La gestion des oah dans le canevas du système hypermédia est assurée par un système à base
de connaissances basé sur cinq paquets de règles qui constituent les plans d’enchaînement en
fonction de la situation dans laquelle peut se trouver un apprenant, et qu’il convient
d’instancier pour chaque système d’apprentissage hypermédia créé par le mode auteur [18].
Ces paquets de règles assurent les fonctions suivantes : 1.Négociation des objectifs
d’apprentissage avec l’apprenant ; 2.Estimation des acquis à l’issue de la phase de
négociation ; 3.Planification des enchaînements des oah ; 4.Recherche, filtrage et affichage
des oah et 5.Evaluation de l’apprenant.
Les objets d’apprentissage hypermédias
Types d’oah : Un objet d’apprentissage hypermédia (oah) (Learning Object) est une structure
exécutable par l’apprenant. C’est une petite unité de contenu centrée sur les objectifs à
atteindre pour apprendre un certain nombre de concepts [3]. Dans HILearnS, nous définissons
quatre types distincts d’oah :
Les oahs de présentation de connaissances sans évaluation : qui se limitent à la présentation
des notions et concepts du module d’enseignement sans essayer de mesurer leur acquisition
par l’apprenant (résumé module, résumé partie, résumé chapitre, introduction oah, conclusion
oah, etc.).
Les oah de fixation des connaissances avec évaluation : qui tentent de juger du degré
d’atteinte de leurs objectifs d’apprentissage. A ces oah évaluables sont associées des «oah
d’évaluation» permettant une évaluation formative de ces oah.
Les oah d’évaluation : qui tentent de mesurer l’atteinte des objectifs fixés pour les oah
évaluables. Ces oah sont conçus selon la spécification Question & Test Interoperability
(QTI) de l’IMS [15].
Les oah de remédiation : qui sont conçus par l’auteur en corrélation étroite avec les oah
d’évaluation. Elles consistent en des apports ciblés de connaissances pour faire face aux
erreurs commises par l’apprenant en cours des activités d’évaluation.
Les objectifs d’apprentissage
L’enchaînement des OA par le système est effectué sur la base d’un réseau de prérequis
proposé par l’auteur du module d’enseignement. Un lien de prérequis entre deux objectifs
OA1 et OA2 (dans le sens OA1 vers OA2) définit d’une part une précédence souhaitée par
l’auteur entre les deux objectifs, en proposant que l’apprentissage du deuxième objectif OA2
ne puisse s’effectuer qu’après l’atteinte (ou la réussite) du premier objectif OA1, et d’autre
part, un lien de progression indicative ou un lien potentiel de remédiation. Cette dernière
fonctionnalité signifie que le système peut choisir un OA qui est prérequis à un OA sur lequel
l’apprenant n’a pas réussi, afin de proposer à ce dernier un apport de connaissances qui
portent sur l’OA prérequis [19].
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 59
Session 2 Hypermédias éducatifs
En tenant compte de la hiérarchie des OA, le réseau de prérequis est composé de trois niveaux
de sous réseaux d’OA. Le sous réseau des OAG, les sous réseaux des OAS et les sous réseaux
des OAO (voir Figure 1).
Figure 5: Réseau de prérequis des objectifs d’apprentissage
Génération automatique du curriculum
Le curriculum est une liste ordonnée d’oah construite par le système pour fournir à un
apprenant particulier les connaissances nécessaires pour atteindre les objectifs visés. La
génération automatique du curriculum est effectuée selon les trois étapes suivantes :
Une liste ListOA des OA à atteindre est construite sur la base des choix de l’apprenant lors de
la phase de négociation et/ou sur la base du contenu du modèle de l’apprenant. Si l’apprenant
a choisi un parcours basé sur les concepts, une liste des concepts à apprendre ListCP est
d’abord formée. Pour chaque concept appartenant à cette liste, les OA qui lui sont attachés
sont ajoutés à la liste ListOA ;
La liste ListOA est ensuite transformée en une liste ordonnée d’oah de cours ListOAH
contenant la meilleure séquence des oah conçus pour atteindre les objectifs visés. Le
séquencement se base sur le réseau de prérequis des OAs et sur le contenu du modèle de
l’apprenant ;
La liste ListOAH est enfin transformée en un curriculum en ajoutant les oah d’évaluation et
de remédiation nécessaires à la mise à jour du modèle de l’apprenant.
MODULE DE TELE-EXPERIMENTATION
Les environnements de laboratoires virtuels et de laboratoires à distance sont venus pour
rendre accessibles via le réseau Internet des environnements graphiques de simulation ou des
installations réelles de laboratoire. La conception et la réalisation d’un bon produit de
laboratoire virtuel nécessitent au préalable une analyse approfondie de toutes les activités
d’un laboratoire réel ainsi que les objectifs attendus de chacune d’elles.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 60
Session 2 Hypermédias éducatifs
Laboratoires réels
Par la suite, dans cet article, on désigne par laboratoire réel (conventionnel ou traditionnel)
l’endroit où l’étudiant peut conduire, en présentiel et en manipulant des instruments réels, des
expériences afin de comprendre un ou des phénomènes particuliers.
Phases d’une activité de laboratoire
Toute activité expérimentale au sein d’un laboratoire peut être répartie chronologiquement en
quatre phases différentes (Figure 2) [25] :
- Définition, mise en contexte, spécification : Consiste à la définition du problème objet de
l’expérimentation ainsi que la formulation de la solution à apporter au problème traité.
- Planification, conception, sélection : Durant cette phase, l’étudiant doit élaborer un plan
détaillé pour son expérience tout en sélectionnant les produits et les équipements répondant à
ses besoins.
- Réalisation, expérimentation : Selon les spécifications et le plan élaboré, l’étudiant doit
réaliser son montage expérimental. Il doit également savoir collecter de l’information utile à
la documentation.
- Traitement, exploitation, communication : Cette phase concerne le calcul des résultats à
partir des données précédemment
collectées. Elle consiste également la
représentation des résultats pour
faciliter l’interprétation.
Le mécanisme de rétroaction
(feedback) consiste aux retours en
arrière lors d’une activité
expérimentale. Le feedback vise entre
autres la correction des anomalies ou
encore la révision des étapes
précédentes.
Figure 6: Phases d’une activité de laboratoire
Buts pédagogiques
Toute expérimentation vise à développer chez l’apprenant un certain nombre d’attitudes [25]
propres au travail de laboratoire :
- Démarche scientifique :Savoir douter ; faire différence entre croyance et connaissance ; partir
de ce qui est connu ; prouver ; documenter les résultats et la démarche.
-Rigueur scientifique :Adopter une démarche systématique et logique ; faire preuve de
précision ; tenir compte de tous les détails.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 61
Session 2 Hypermédias éducatifs
- Ethique scientifique :Développer le sens de honnêteté ; de l’humilité (accepter de reconnaître
ses limites et ses erreurs) ; accepter de remettre en question ses croyances et certitudes.
- Travail procédural :Suivre une procédure pour réaliser une expérience (démarches
séquentielles comprenant des branchements).
- Travail collaboratif :Former et gérer un groupe ; distribuer les tâches ; négocier ; mettre en
commun les résultats ; débattre ; structurer l’interaction.
- Travail de synthèse :Analyser le problème sous différents angles ; chercher des solutions
multiples ; comparer les différentes approches ou solutions ; faire des choix.
Laboratoire Virtuel/à distance
Définition et classification
Nous pouvons définir [24] un laboratoire virtuel comme : Logiciel de simulation d'une
expérience de laboratoire dont les données de rendement ne peuvent être distinguées des
données d'une expérience physique réelle. Actuellement le terme ‘Laboratoire virtuel’ est
employé pour différents sortes de systèmes informatiques. Les laboratoires virtuels peuvent
être classifiés en 5 catégories [24]:
Logiciels de simulation (Simulation Softwares) : ce sont des simulations classiques qui
contiennent certains éléments des expériences de laboratoire et généralement accessibles
localement [27].
Logiciels de simulation via le Web (cyber labs) : ce sont des simulations classiques qui
contiennent certains éléments des expériences de laboratoire et accessibles via Internet
(WEB). Ils prennent généralement la forme d’Applets JAVA. [26]
Laboratoires virtuels (virtual laboratories): ce sont des simulations qui tentent de modéliser les
expériences de laboratoire aussi étroitement que possible.
Laboratoires de réalité virtuelle (VR labs) : ce sont des simulations des expériences de
laboratoire utilisant les techniques de la réalité virtuelle [28].
Laboratoires à distance (remote laboratories) : ce sont des expériences réelles commandées à
distance par l’intermédiaire d’un réseau tel que l’Internet [21].
Avantages:
Les avantages peuvent être répartis en trois classes différentes [23]:
- Pédagogiques
Des statistiques [23] montrent que les rappels des étudiants sont 20% de ce qu'ils voient (lu dans
des livres), 20% de ce qu'ils entendent (des conférences), 40% de ce qu'ils voient et entendent
(observant une démonstration) mais 75% de ce qu'ils voient, entendent et pratiquent. Un
laboratoire virtuel viserait pour ce chiffre 75% ou plus haut.
Des supports d’enseignement additionnels peuvent être incorporés à un laboratoire virtuel, tel
qu’une explication de pré-laboratoire ou une évaluation de post-laboratoire.
Un laboratoire virtuel peut être employé pour simuler les activités qui seraient impraticables,
prennent beaucoup du temps ou coûtent trop dans le monde réel [23].
Les expériences faites en classe peuvent parfois introduire des phénomènes parasites qui viennent
altérer les résultats .Ce qui peut démotiver les étudiants. C’est là que la simulation par
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 62
Session 2 Hypermédias éducatifs
ordinateur peut donner le meilleur d’elle-même. En plus, l’étudiant peut aussi vérifier des lois
dans des situations tout à fait impossibles à obtenir dans la réalité [22].
Un laboratoire virtuel peut modéliser des situations où la connaissance des fonctionnements
internes est importante, comme l'enseignement des fonctionnements du corps humain.
Un laboratoire virtuel peut avoir un concept flexible de temps [23]. L'étudiant peut ralentir le
temps pour observer soigneusement des événements rapides, comme il peut l’accélérer.
Des scénarios « What if ..? » peuvent être largement modélisés [23]. Les étudiants peuvent aller
à un point dans une expérience et changer un paramètre sans devoir répéter l'expérience
entière.
- Financiers
L'enseignement d'un grand nombre d'étudiants dans les laboratoires conventionnels peut coûter
dans les produits chimiques, les composants, l’équipement du laboratoire ainsi que le coût de
personnel [22]. Il devient donc avantageux d’envisager l’utilisation d’un laboratoire virtuel
qui peut remplacer le matériel réel coûteux par un autre simulé. en plus l'équipement virtuel
ne peut être accidentellement cassé [23].
Les considérations de sûreté et les coûts d'assurance peuvent rendre quelques activités trop chères
d’être réellement exécuter [23]. Par exemple les expériences sur des matériaux hautement
explosifs ou radioactifs.
- Organisationnels
Un laboratoire conventionnel est souvent seulement disponible pendant des sessions
programmées. Cependant, un laboratoire virtuel/ à distance peut être disponible probablement
24 heures sur 24.
Les laboratoires à distance offrent aux universités la possibilité de partager des équipements
onéreux
Risques
Quelques habiletés peuvent être perdues, par exemple les étudiants dans un laboratoire virtuel de
l'électronique ne pourraient jamais éprouver les problèmes associés à une puce endommagée
et par conséquent n'apprendra pas comment dépister ces problèmes.
Dans une expérience, il faut toujours manipuler des instruments de mesure ou maîtriser des
techniques spécifiques telles que l’utilisation du microscope en biologie ou de l’oscilloscope
en physique. Ces habiletés peuvent difficilement être développées à l’aide d’un logiciel.
Présentation du module de télé-expérimentation
Pour mettre en œuvre un premier prototype de laboratoire virtuel, on a pris comme discipline
expérimentale la physique et le célèbre TP d’un système masse-ressort (pendule élastique)
comme expérience à implémenter. L’objectif de l’expérience est de déterminer par la
méthode statique la raideur K d’un ressort et étudier aussi l’influence de la masse M et la
raideur K sur l’élongation X d’un ressort. Son protocole expérimental consiste à : mesurer,
pour chaque masse, l’élongation du ressort à l’équilibre, collecter les résultats (masse,
élongation) dans un tableau, tracer le graphe masse-élongation et déduire la valeur de la
raideur K du ressort expérimenté.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 63
Session 2 Hypermédias éducatifs
L’interface de l’expérience est constituée de deux espaces alternatifs : un espace pour les
manipulations (Figure 3) et un autre pour l’analyse et l’interprétation des résultats (Figure 4).
Figure 7: Espace Manipulation
Figure 8: Espace Analyse
CONCLUSION
Dans cet article, nous avons présenté un système hypermédia intelligent pour l’apprentissage
à distance sur internet. Pour concrétiser les choix fondamentaux de notre conception, nous
avons expérimenté pour le moment les prototypes de HILearnS et ATHILearnS localement au
sein de notre département pour la construction et l’apprentissage du module «Bases de
données».
L’expérimentation est faite avec un nombre restreint d’étudiants et d’enseignants, en vue de
leur validation. Un questionnaire est alors distribué aux étudiants et aux enseignants pour
donner leurs avis sur un certain nombre de points concernant aussi bien les objets
d’apprentissage hypermédias eux-mêmes que le processus d’apprentissage et le processus de
collaboration dans son ensemble. Les réponses sont recueillies et elles sont en phase
d’analyse. Mais dans l’ensemble nous notons que la plupart des étudiants et enseignants sont
satisfaits quant à l’interactivité offerte par le système et le niveau d’adaptation offert aux
niveaux de connaissances des apprenants.
Le module de télé-expérimentation présenté dans cet article ne constitue qu’un prototype
d’implémentation. Notre vision dans ce contexte est de conduire des développements de
laboratoires virtuels afin de contribuer à l’émergence d’un modèle générique.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 64
Session 2 Hypermédias éducatifs
BIBLIOGRAPHIE
[1] Behaz A., Djoudi M. Génération dynamique de documents hypermédias adaptatifs dans un environnement
numérique de travail . Revue Africaine de la Recherche en Informatique et Mathématiques Appliquées (ARIMA),
ISSN 1638-5713, Vol.3, novembre 2005, pp. 25-53.
[2] Behaz A., Djoudi M. Création dynamique de documents hypermédias adaptatifs. 10ième Colloque International
sur le Document Electronique, CIDE'10, 2 - 4 juillet 2007.
[3] Bourda Y. Helier M. Métadonnées et XML : Application aux objets pédagogiques. Conférence TICE 2000,
Troyes, octobre 2000.
[4] Brusilovsky, P. “Adaptive Educational Hypermedia: From generation to generation”, Proceedings of 4th Hellenic
Conference on Information and Communication Technologies in Education, Athens, Greece, Sept 29 – Oct 3, 2004,
pp.19-33.
[5] Brusilovsky P. and Vassileva J. Course sequencing techniques for large-scale Web-based education. International
Journal of Continuing Engineering Education and Life-long Learning, Vol.13 (1/2), 2003, pp. 75-94.
[6] De la Passardière, B., Giroire, H., XML au service des applications pédagogiques, Revue Sciences et Techniques
Educatives, vol 8, n° 1, Hermes, Paris, 2001, pp 99-112.
[7] Delestre N. METADYNE, un Hypermédia Adaptatif Dynamique pour l'Enseignement. Thèse de l'Université de
Rouen, Soutenue le 20 Janvier 2000.
[8] Hamel, C.J., & Ryan-Jones D. Designing Instruction with Learning Objects. International Journal of Educational
Technology, 3(1), 2002.
[9] Khentout, C., Harous, S., Douidi, L., Djoudi, M., Learning and Navigation Assistance in a Hypermedia,
International Journal of Instructional Media, vol. 33, n° 4, 2006.
[10] Ltsc, Draft for Learning Object Metadata (LOM 6.1). 2004, http://ltsc.ieee.org/wg12/
[11] Mohan P., Greer J., McGalla G. Instructional Planning with Learning Objects. Workshop on Knowledge
Representation and Automated Reasoning for E-Learning Systems. In Proc. Of the 18th International Joint
Conference on Artificial Intelligence, Acapulco, Mexico, (2003).
[14] Saleh, I, Bouyahi, S. Enseignement ouvert et à distance. Hermes, Paris, 2004, pp. 149-167.
[15] Smythe, C. IMS question & test interoperability : an overview. Final specification version 1.2, IMS, février
2002.
[16] Tagliante, C., « L'évaluation », Édition Clé international , France, 1991.
[17] Talhi S, Djoudi M, Batouche M. Intégration des technologies d’intelligence dans une plate-forme d’EAD, 3ième
colloque euro méditerranéen pour l'approfondissement de la formation à distance, Cemaforad’3, ISET de Sousse,
Tunisie, 13-15 novembre, 2006.
[18] Talhi, S., Djoudi, M., Batouche, M., Authoring Groupware For Intelligent Tutoring Systems. Information
Technology Journal, vol. 5, n° 5, 2006, pp. 860-867.
[19] Talhi S., Djoudi M., Ouadfel S., Zidat S. Un tuteur intelligent hypermédia pour le soutien en apprentissage à
distance. 3ième conférence en Environnement Informatique pour l'Apprentissage Humain, EIAH 2007, Lausanne,
Suisse, 27-29 Juin, 2007.
[20] Urban M. S. Barriocanal E. G. On the integration of IEEE-LOM metadata instances and ontologies. Learning
Technology Newsletter, vol. 5 (1), 2003.
[21] C. St-Pierre, J. Bastien, M. Duguay, J. Warzée. Laboratoires à distance et laboratoires virtuels.7ème Journées
Internationales de Technologie (JIT). Beyrouth, Liban, 2-5 mai 2000
[22] S. Malaison. Apprentissage de la physique à distance : de nouveaux outils informatiques. Clic : Bulletin
Collégial des Technologies de L’Information et des Communications (Février 98).
[23] G. Stimson, B. Tompsett. The potential contribution of virtual and remote laboratories to the development of a
shared virtual learning environment. Joint Information Systems Committee (JISC), University of Hull, Octobre 1997
[24] U. Harms. Virtual And Remote Labs In Physics Education (Extended abstract). Second European Conference
on Physics Teaching in Engineering Education (PTEE), Budapest, 2000.
[25] S. Pierre, Vers un modèle générique de Laboratoires Virtuels En Sciences et en Technologies (Rapport final),
Bureau des technologies de l'apprentissage (BTA). 2001.
[26] http://ressources.univ-lemans.fr/AccesLibre/UM/Pedago/physique/02/index.html
[27] E. Damiani, J. Hounsou, P. Houngue, F. Frati, B. Odjo, R. Tchokpon. Enseignement à distance avec les
Laboratoires Virtuels « Open Source » : Expériences de Collaboration Internationale”, ISDM n°39 - TICE
méditerranée Milano 2009, 655, 11 pages.
[28] A. Douar, S. Harous, M. Djoudi, D. Mechta. Modélisation d'un environnement virtuel pour les Télé-TP par la
réalité virtuelle. International Conference on Computer Integrated Manufacturing CIP’2007, 3–4 Novembre 2007.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 65
Session 3 Traces & Adaptation de l’Apprentissage
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 66
Session 3 Traces & Adaptation de l’Apprentissage
Gestion de l’expérience d’apprentissage à base de traces pour
l’adaptabilité dans un EIAH
Samia Ait Adda (1), Amar Balla (2), Catherine Faron Zucker (3)
Département Informatique, Faculté de Génie Electrique et Informatique
Université Mouloud MAMMERI de Tizi-Ouzou, Algérie(1).
Ecole National Supérieur d’informatique ESI, Alger, Algérie (1) , (2)
Université Sophia-Antipolis, Nice, France (3)
s_ait_adda(1),a_balla(2){@esi.dz}, [email protected]
Résumé :
Nous avons constaté que l’un des enjeux actuels de l’adaptation de l’apprentissage est de
comprendre le comportement et attitude de l’apprenant qui utilise un EIAH, ce qui nécessite
des environnements informatiques capables de s’adapter à l’apprenant. Des informations sont
déduites telles que les compétences et les connaissances de l’apprenant et qui seront fournies
à l’enseignent. Il serait donc plus intéressant d’offrir selon les niveaux des apprenants, des
contenus personnalisés et un parcours plus adapté, afin de maîtriser effectivement la gestion
des connaissances à transmettre. C’est ce que nous allons développer au niveau de cet article
en se basant essentiellement sur l’expérience d’apprentissage qui sera sous forme de trace
d’activité pédagogique.
Mots clés :
Trace d’apprentissage, Raisonnement à Partir d’un Cas, Adaptabilité, Scénario pédagogique.
INTRODUCTION
La personnalisation et l’adaptation des environnements informatiques d’apprentissage
humaine (EIAH) sont très utilisées, elles permettent à l’apprenant d’interagir avec le système
et devient donc actif dans le processus d’apprentissage.
De ce fait la résolution du problème d’adaptation des EIAH est essentiellement dépendante de
la capacité de produire des traces pertinentes et exploitables de l’activité individuelle ou
collective de l’apprenant qui interfère avec un EIAH.
Des travaux sont réalisés sur les traces et l’observation de l’apprenant dans l’EIAH, qui seront
éclaircis dans des sections ultérieures de cet article. Donc nous commençons d’abord par la
définition de la notion d’adaptation et ces techniques puis nous placerons notre problématique
au niveau des scénarios d’apprentissage qu’on définira par ailleurs, enfin nous exposerons la
démarche du travail qui tient essentiellement du Raisonnement à Partir d’un Cas (RàPC)
[Cram, 2007].
L’ADAPTATION DES SCENARIOS D’APPRENTISSAGE
Différentes approches sont étudiées et présentées dans la littérature pour l’adaptation des
systèmes. Dans cet article nous proposons une approche d’adaptation structurelle [De-Bra,
1999] (de navigation) dans une situation d’apprentissage.
Le type d’adaptation qui nous intéresse notamment pour les systèmes d’apprentissage, est
celle de navigation. La navigation adaptative guide l'utilisateur en adaptant la structure de
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 67
Session 3 Traces & Adaptation de l’Apprentissage
navigation selon le modèle d'utilisateur, une technique adaptative de navigation détermine un
niveau particulier des conseils accordés à l'utilisateur. Avant de l'appliquer, des ressources
(contenu) sont évaluées et rangées selon une mesure de pertinence qui utilise un modèle
d'utilisateur. Les techniques les plus communes sont : Guidage direct (direct guidance), le Tri
(sorting), Masquage (hiding) des liens et Annotation (annotation). Dans notre cas d’étude,
nous allons nous inspirer sur les deux premières techniques pour réaliser l’adaptation des
ressources pédagogiques selon le profil apprenant.
Par conséquent, la problématique de la conception des situations d'apprentissage par
l'enseignant occupe une place stratégique dans le champ des TIC. Donc, après s'être focalisé
sur les questions de création, de mutualisation et de réutilisation des ressources, les recherches
en ingénierie pédagogiques ([Pernin, 2004] [Paquette, 2002]), insistent sur le besoin de
prendre davantage en compte l'activité de l'apprenant et replace la notion de scénario
d'apprentissage au centre des débats. Cependant, le problème qui persiste serait toujours
l’évolution des scénarios d’apprentissage due aux besoins de les adapter au profil des
apprenants, utilisateurs de ce scénario.
Le scénario est aperçu comme une spécification car, il va guider le déroulement de l’activité
dans l’environnement informatique pour lequel il a été médité et conçu ([Pernin, 2004]. Plus
précisément, le scénario est l’expression de l’activité prescrite par l’enseignant alors que la
trace d’exécution du scénario est l’expression de l’activité effective lors de l’utilisation par les
acteurs, on parle alors du dual de tâche et activité. Une analyse comparant la tâche prescrite
par le scénario et la tâche effective lors de l’utilisation par les apprenants participe à
l’adaptation du processus d’apprentissage au profil de l’apprenant.
L’observation du déroulement de la situation d’apprentissage va permettre à l’enseignant
d’avoir un retour d’information sur les activités des apprenants et permettre l’adaptation du
scénario. Ces observables peuvent aussi permettre à l’enseignant de positionner l’avancement
de l’apprenant dans le scénario, voir sa progression et toucher à ses insuffisances. Pour mieux
comprendre où situer l’observation (traçage), la section suivante donne une vue d’ensemble
du concept « trace d’apprentissage » et son rôle pour l’adaptation et la régulation dans un
EIAH.
TRACE D’APPRENTISSAGE
J-P. Pernin [Pernin, 2005] définit une trace d’apprentissage comme un indice de l'activité des
acteurs d'une situation d'apprentissage, qu'elle soit ou non instrumentée. Il complète sa
définition en indiquant qu'il s'agit d'un résultat obtenu au cours ou au terme d'une activité,
d'un événement ou d'un ensemble d'évènements relatifs au déroulement de la situation
d'apprentissage. Une trace est une trace d'activité, d'utilisation, d'interaction. Il ne lui est pas
associé d'interprétation sur la situation d'apprentissage. On parle alors de traces primaires,
brutes, de base ou de « bas niveau ».
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 68
Session 3 Traces & Adaptation de l’Apprentissage
Actions
Collecte
Evenements
Structuration
trace
primare
Analyse et exploitation
Adaptation
Reingenerie
Régulation
Figure.1. Processus de collecte et gestion de trace.
Par ailleurs, une trace d’apprentissage peut être temporaire si l’observation est directement
faite puis traitée par un être humain ou bien enregistrée si elle est collectée et mémorisée à
l'aide d'un instrument technique (papier-crayon, vidéo, caméra, Keylogger, log server, etc.).
Après être collectées, les traces enregistrées sont structurées dans un niveau d’informations
plus évolué afin d’être exploitées pour l’observation, l’évaluation et la régulation, comme
illustré sur la figure 1. Les traces primaires et les indicateurs (trace agrégée ayant une
signification sémantique) [Ait-Adda, 2008] peuvent enfin être exploitées afin d’établir un
diagnostic et une éventuelle prise de décision. En fonction de son rôle, chaque acteur de la
situation d’apprentissage (concepteur du cours, tuteur, apprenant ou analyste) pourra :
- Analyser et adapter les caractéristiques identifiables (activités observables) ;
- Etablir un diagnostic sur les résultats et les progrès observées (activités d’évaluation) ;
- Agir sur la situation d’apprentissage (activités de régulation).
C’est à ce dernier type d’activités que nous nous intéressons.
DEMARCHE DU TRAVAIL
Nous nous sommes fixés comme objectif d'étudier sur une durée l’interaction d’un groupe
d’apprenants en situation d'apprentissage avec un cours (scénario d’apprentissage) sur un
thème et présentant un objectif pédagogique. Nous mettons à la disposition de l’apprenant un
outil d’observation, qui sera activé par lui-même, permettant d’extraire son activité durant ses
sessions d’apprentissage sous forme de fichiers trace dont la structure est détaillée dans le
paragraphe 4.2. Ces traces seront analysées et sauvegardées dans une base de traces servant
d’expérience aux cas à venir : le système se basera sur cette expérience pour guider les
apprenants dans leurs navigations et adapter ainsi leurs parcours. Les cas enregistrés seront
ceux où le score (note de l’évaluation durant l’apprentissage) dépasse la moyenne (cas
pertinent). Dans ce qui suit, nous développerons la solution adoptée pour exploiter cette
expérience sauvegardée.
Méthodologie :
Notre approche est orientée apprenant, l’objectif est d’observer le comportement de
navigation d’un apprenant dans un environnement d’apprentissage, plus exactement lors de
son parcours dans un scénario pédagogique et d’essayer de prévoir les prochaines actions à
entreprendre en réutilisant des activités de navigation passées (expérience) qui sont similaires
à celles du profil de l’apprenant actif.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 69
Session 3 Traces & Adaptation de l’Apprentissage
Nous proposons à cet effet une méthode de RaPC pour deviner l’ensemble des pages
susceptibles d’être pertinentes à l’apprenant (la pertinence dans notre cas est la navigation qui
mène au succès) lorsque le modèle apprenant ne répond à aucune de ses requêtes c’est-à-dire
lorsque l’apprenant est bloqué et demande de l’aide ou des recommandations.
Il est évident qu’il est possible de représenter la navigation de l’apprenant comme un graphe
de pages dans lequel les comportements des apprenants se traduisent par différents types de
parcours. Généralement le parcours d’apprentissage, pour une durée précise T, est spécifié
comme étant un graphe orienté, de ce fait nous pouvant représenter un parcours
d’apprentissage pour une durée T par G(V, E) tel que : V représente l’ensemble des pages que
constituent le parcours visitées et E l’ensemble de lien reliant les différentes pages visitées sur
le web.
V= {P1, P2,……..………….Pn},E= {I1,1,………… .………In,m}
où Ii,j : indique un lien raccordant la page Pi à la page Pj.
Etant donné deux pages P1 et P2, notre objectif est de créer un lien dynamique (ce lien
n’existait pas auparavant) sur la page courante P1 pour accéder à la page P2 sélectionnée par
le système comme répondante aux besoins de l’apprenant.
La prédiction de la page à visiter ou de l’action à accomplir est fondée sur l’analyse de
similarité entre la navigation courante de l’apprenant et celles passées par d’autres apprenants
(expériences antérieures). On parle d’un « apprentissage collectif » d’apprenants.
Structure du fichier trace de navigation
Il existe dans la littérature trois approches de collecte de traces : des approches orientées
utilisateur, d’autres orientées serveur et celles basées sur des logiciels spécifiques de collecte.
Dans notre situation, pour avoir une conception complète de toute l’activité de l’apprenant,
nous avons opté pour l’approche de collecte orientée utilisateur. Il s’agit de tracer toutes les
interactions de l’apprenant, à travers un outil d’observation installé sur sa machine et qui sera
activé par sa propre volonté (remédier au problème d’éthique). En conséquence, les traces
générées seront structurées et sauvegardées dans un fichier XML, ce fichier comporte les
champs suivants :

Information sur l’apprenant : identifiant de l’apprenant dans l’environnement
d’apprentissage et l’adresse IP.

Id de session : identifiant de la session d’apprentissage,

Les pages consultées : l’ordre de la page, son rang, l’URL, le type de la page et la date
consultation,

SCORE : note obtenus aux évaluations effectuées durant la session d’apprentissage. Ce
score est récupéré depuis le modèle de données de l’apprenant.
La construction de la navigation est faite comme suit : observer les successions des URL
(pages) inscrites par un apprenant, chaque page visitée est scénarisée par un nœud, à chaque
fois qu’un apprenant demande de l’aide ou une recommandation, le système cherche un cas
répondant à son profil ayant effectué les mêmes activités de navigation (un historique
similaire) pour prévoir le chemin ou l’action à prendre selon ce qui est révélé comme cas.
Les problèmes qui SE posent suite à ce procédé sont celui de la détection de la phase
historique du cas cible et celui de la mesure de la similarité entre le cas cible et le cas source.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 70
Session 3 Traces & Adaptation de l’Apprentissage
Degré de similarité :
Pour calculer le degré de similarité d’un cas source à un cas cible, plus exactement de
l’historique du cas cible, il faut d’abord reconnaitre la partie du cas cible qui nous intéresse.
Pour ce faire, nous procédons comme suit :
Si le problème se pose sur une page source d’URL X au rang i dans l’historique, alors on
effectuera une recherche dans le document XML du cas cible jusqu’au rang i. et Si l’URL de
la page de rang i est égale à X, la limite de l’historique à considérer dans le cas cible est donc
trouvée, sinon on cherche dans le voisinage du rang i une page dont l’URL est égale à X.
Après avoir retrouvé la partie historique du cas cible, il s’agit maintenant de comparer les
deux historiques de navigation. Pour ce faire, on transposera les contenus de chaque fichier
XML dans une matrice d’adjacence S[n,n] pour le cas source et C[n,n] pour le cas cible où n
est le nombre de pages contenues dans le cours.
Initialement la matrice (qu’elle soit cible ou source) est à 0 et à chaque fois qu’une page P j est
visitée à partir d’une page Pi, la case M[i,j] sera incrémentée (on prend en considération le
nombre d’occurrences de visite de la page).
Pour chercher la similarité des deux matrices, nous comparons leurs cases de même indice
(qui portent les mêmes indices i et j). Nous initialisons une variable réelle Sim à 0.
 Si S[i,j]=C[i,j]
alors
Sim=Sim+1
(1)
 Sinon:
1. Si S[i,j]=0 (la transition de i vers j n’existe pas dans la navigation) et C[i,j]≠0, alors
la variable Sim ne changera pas
2. Si S[i,j] ≠ 0 et C[i,j]=0, alors la variable Sim ne changera pas non plus.
3. Si C[i,j]≠0 et S[i,j] ≠ 0, alors on calcule l’écart type entres les deux cases et qui
égale :
E=1-
| [,]
[,]
[ , ]|
[,]
(2) et
Sim=Sim+E
(3).
L’opération est itérée sur les n*n cases des matrices C et puis Sim= ∗
(4).
Plus Sim est proche de 1, plus la similarité est grande entre les deux cas.
Le cas ayant la plus grande similarité avec le cas source est utilisé pour suggérer le pas de
navigation suivant à l’utilisateur.
Lorsque plusieurs cas ont le même degré de similarité maximale avec le cas courant, nous
calculons l’indice de confiance de la page courante avec les différentes pages et actions
définies dans chaque cas similaire.
Indice de confiance
Si deux cas répondent à un cas problème (les deux cas mènent au succès, mais avec des
actions de navigations différentes) nous calculons le degré de confiance entre la page source
et les différentes pages cibles comme suit :
Soit une matrice M[n,n] où n est le nombre de nœuds (pages) du scénario d’apprentissage :
=
⋮
⋮
∀ i,j∈N:M[i,j]=1 À l’initialisation
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 71
Session 3 Traces & Adaptation de l’Apprentissage
La valeur reliant deux pages M[i,j] s’appelle indice de confiance et l’initialisation de cette
matrice est faite lors de la création du cours. Cet indice change au fur à mesure que le cours
est consulté par des apprenants, donc à chaque fois qu’un apprenant transite d’une page i vers
la page j la valeur de cette case augmente (s’incrémente).
Par conséquent, quant un conflit de décision surgisse entre une page source et au plus d’une
page cible, celle où le dégrée de confiance est plus élevée est prise. A noter que la page
sommaire est exclut si elle est sélectionnée par l’indice de confiance, puisque sa consultation
est toujours suggérée et mise automatiquement à la disposition de l’apprenant par le système
d’apprentissage.
EVALUATION
Pour évaluer notre solution, nous élaborons un cours avec une page d’accueil possédant
quatre liens correspondant aux quatre pages de contenu pédagogique et une évaluation
effectuée vers la fin de la navigation du cours.
Durant le test, six apprenants consultent ce cours, leur parcours est sauvegardé dans un fichier
trace XML (Cf. § 4.2.) grâces au collecteur de trace (outil d’observation). Trois parmi ces six
apprenants ont eu un parcours réussi (Score >10), leurs parcours sont décrits sur la table 1 :
Rang
1
2
3
4
5
6
7
Apprenant A
P1
P3
P1
P2
P4
P3
/
Apprenant B
P3
P1
P4
P1
P2
P3
P4
Apprenant C
P1
P4
P2
P1
P3
P4
/
Table 1 : parcours navigation des apprenants
Supposons maintenant qu’un nouvel apprenant X voudra visiter ce même cours, que serait
alors sa page cible depuis la page P2 du rang 3 ? Sachant que son parcours suit la séquence
(P3, P1, P2) qui est conceptualisée par cette matrice d’adjacence :
Mx
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
La démarche de travail consiste à extraire d’abord un historique similaire. Par conséquent, il
faudrait reprendre le parcours de chaque apprenant (A, B, C) jusqu’à la page P2 au voisinage
du rang 3 depuis leurs fichiers traces respectifs. Le résultat de leurs navigations est interprété
par leurs matrices d’adjacences :
Appa
=
0
0
1
0
1
0
0
0
1
0
0
0
0
0
0
0
Appb
=
0
0
1
1
1
0
0
0
0
0
0
0
1
0
0
0
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Appc
=
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
Page 72
Session 3 Traces & Adaptation de l’Apprentissage
La mesure de similarité Sim calculée pour chaque matrice est égale à 0,13 pour l’apprenant A
et B et 0 pour l’apprenant C. En conséquence, nous nous trouvons avec deux cas d’historiques
similaires (entre A et B), ainsi le choix de la page cible se décidera grâce à la matrice de
confiance.
1
2
2
2
3
1
1
2
3
3
1
2
2
1
4
1
On remarque bien que Mconf[2][3]>Mconf[2][4], donc la page cible prédit et à suggérer pour
l’apprenant X sera la page P3.
CONCLUSION
Nous avons vu à travers ce document le besoin d’observer les interactions de l’apprenant avec
l’environnement d’apprentissage, plus exactement lors de son parcours dans un scénario
d’apprentissage prescrit. L’expérience enregistrée nous sert de cas pour améliorer la structure
du cours selon le type de navigation entrepris par l’apprenant.
Nous nous sommes appuyés sur l’approche du raisonnement à partir de cas afin de pouvoir
calculer des recommandations et suggestions aux apprenants, leur montrant ainsi les chemins
de navigation possibles qui mènent au succès.
La technique d’adaptation que nous avons mise au point dans notre solution permet une
scénarisation dynamique du parcours de l’apprenant, répondant ainsi à ses attentes et besoins
particuliers.
REFERENCES BIBLIOGRAPHIQUES
[Ait-Adda, 2008] : Ait-Adda S., Bousbia N., Balla A.: « Détection des comportements
d’apprenant à base d’indicateurs de parcours » 1ère conférence international du web et de
l’information, ICWIT08 Sidi Bel Abasse 29,30 juin 2008, Algérie.
[Cram, 2007] : Cram, D., Fuchs, B., Mille, A., et Prié, Y., « Raisonner à partir de l’expérience
tracée : application à un environnement collaboratif », Projet PROCOGEC, Livrable T3.1,
37p.2007
[De-Bra, 1999] P. De-Bra, « Design Issues in Adaptive Web-Site Development, Proceedings
of the Second Workshop on Adaptive Systems and User Modelling on the World Wide Web»,
pp. 29-39, Toronto and Banff, Canada, 1999.
[Paquette, 2002] : Paquette G., « L’ingénierie pédagogique : Pour construire l’apprentissage
en réseau » Québec, PUQ, 2002.
[Pernin, 2004] Pernin J.P., Lejeune A., « Dispositifs d'apprentissage instrumentes par les
technologies : vers une ingénierie centrée sur les scénarios », actes du colloque TICE 2004,
Compiègne, France, oct. 2004, p.407-414
[Pernin, 2005] : Pernin J.P., « CSE, un modèle de traitement de traces. Rapport interne de
recherche »
CLIPS-IMAG
2005.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 73
Session 3 Traces & Adaptation de l’Apprentissage
Système de Réutilisation des Traces Numériques : SRTn
Soumia Felkaoui *, Yacine Lafifi*, Hassina Seridi-Bouchelaghem**
* Laboratoire LabSTIC, Département d’Informatique, Université de Guelma, BP 401, Guelma 24000, Algérie.
** Laboratoire LabGED, Université de Badji Mokhtar BP 12, 23000Annaba. Algérie.
Résumé :
L’objectif de ce travail est d’étudier les traces numériques d’activité des apprenants dans des
systèmes d’apprentissage à distance. En effet, le but fondamental est de réutiliser ces traces
afin d’aider les apprenants, en cherchant des situations identiques à ces apprenants. De ce fait,
Un Système de Réutilisation des Traces numériques est proposé (SRTn). Le système SRTn
transforme les traces collectées et modélisées en épisodes. Le calcul de similarité entre les
épisodes permet de choisir les traces (dans la base de traces) similaires aux traces de
l’apprenant en cours. Enfin, le système SRTn visualise les traces pertinentes à l’apprenant qui
a demandé l’aide du système.
Mots clés : Réutilisation des traces, Trace numérique, Interaction, EIAH, Profil d’apprenant,
Scénario d’apprentissage.
1. Introduction
Dans le cadre de l’utilisation des EIAH (Environnement Interactif pour l’Apprentissage
Humain), l’apprenant ne se trouve pas face à face avec son enseignant, pour lui déterminer
ses questions et interrogations sur les connaissances présentées. Il n’est pas non plus en
mesure de savoir si la démarche entreprise dans la construction du cours s’adapte au niveau
des apprenants. C’est pourquoi, il est nécessaire de rassembler un ensemble d'informations sur
l’apprenant, afin qu’on ait un bilan de l’utilisation du système d’apprentissage et pour assurer
l’individualisation de la formation et son amélioration. L’objectif d’un système
d’apprentissage est donc, de fournir un contenu ou un schéma adapté pour les apprenants.
Pour atteindre cet objectif, de nombreuses recherches sur l’analyse et l’interprétation des
activités réalisées par les apprenants durant leurs interactions avec l’environnement de
formation ont été menées. Ces travaux portent sur le recueil et l'interprétation en cours de
session, d'informations appelées « traces ».
Les traces d’apprentissage ou les interactions avec le système d’apprentissage effectuées par
les apprenants, sont de grande importance dans ce cas. En effet, ce sont les observables ou les
enregistrements de l’interaction de l’apprenant dans le système d’apprentissage. Elles sont
collectées, enregistrées, analysées et visualisées. Ces traces peuvent être importantes et
sujettes à une réutilisation par le système.
Pour cela, nous proposons un système de réutilisation des traces des apprentissages, intégré à
un EIAH. Ce système consiste à proposer aux apprenants de suivre les traces similaires des
apprenants qui ont réussi à atteindre leurs objectifs (réussi un test d’évaluation par exemple).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 74
Session 3 Traces & Adaptation de l’Apprentissage
Il s’occupe donc à sélectionner les traces pertinentes de l’ensemble de traces collectées et
représentées.
Cependant, notre objectif et de définir les règles inhérentes à toute réutilisation et répondre à
un certain nombre de questions à savoir comment réutiliser les traces, pour qui cette
réutilisation sera bénéfique et quelles traces vont être réutilisées ?
Ce papier est structuré comme suit. Dans la première section, nous présentons les principes
de la réutilisation des traces ainsi que quelques travaux existants. En outre ; Nous montrons
dans la deuxième- section l’architecture du système proposé ainsi qu’une description
détaillée de ses composants dans la troisième section. Enfin, nous donnons une conclusion
dans la quatrième section.
2. Réutilisation des traces d’apprentissage
Certains travaux sont centrés sur la problématique de réutilisation de traces d’apprentissage.
Pour montrer l’intérêt et l’importance de la réutilisation des traces d’apprentissage dans les
EIAH, nous exposerons des travaux, où la réutilisation participe par excellence.
Dans la première catégorie, on trouve la représentation LifeLine de [Plai et al., 96] qui
permet facilement au lecteur de remettre en contexte des éléments ponctuels d’une histoire ou
de corréler certains évènements grâce à des lignes de vie superposées sur un axe temporel
linéaire horizontal.
D'autres formats de l'expérience d'utilisation peuvent être mis à disposition de l'utilisateur.
Dans l'EIAH Simple, les apprenants échangent des segments vidéo de leurs actions permettant
de partager plus facilement leur expérience [Plai et al., 99].
Avec PadPrints, une carte de navigation représente cette histoire. Parfois, c'est l'expérience
d'utilisation de plusieurs utilisateurs qui est visualisée [High et al., 98].
Le système FootPrints [Wexe et Maes, 99] permet aux utilisateurs de laisser des
annotations en format texte sur les éléments significatifs de l'environnement pour les
utilisateurs futurs. La visualisation des traces d’une activité pédagogique proposée, permet de
mettre en avant des périodes significatives de l’activité où l’apprenant est en difficulté grâce à
des zones d’ombre.
Les études faites avec l’environnement DREW (Dialogical Reasoning Educational Web
tool) [Séjo et al., 04] montrent que les apprenants exploitent les traces d’activité (chat de
DREW en particulier) au profit des processus réflexifs de l’apprentissage. C’est en situation
collaborative que les élèves sont capables de revenir sur leurs traces, et de co-construire un
diagramme qui organise et hiérarchise les arguments élaborés pendant l’activité pédagogique.
Il est intéressant dans le cas de cette étude de voir à quel point les auteurs de la trace
deviennent alors acteurs d'un certain nombre de transformations de celle-ci : sélection,
suppression, réduction, construction.
Le modèle MUSETTE (Modélisation des Usages et des Tâches pour Tracer l’Expérience)
est un modèle générique de traces. Il permet de décrire l’utilisation qui est faite d’un système
informatique [Lafl et al., 05]. Ce modèle peut être appliqué au domaine des EIAH. Il se
compose du modèle d’utilisation qui comprend l’ensemble des objets observables du système
et des opérations que l’on peut effectuer sur ces objets [Lafl et al., 05].
Le projet EPICéA (Évaluation de Processus Interactifs de Capitalisation d'Épisodes
d'Apprentissage) [Olla, 03] a pour objectif de concevoir et d’évaluer sur les plans cognitif et
ergonomique un environnement d’apprentissage en ligne intégrant un module de
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 75
Session 3 Traces & Adaptation de l’Apprentissage
raisonnement à partir de cas (RÀPC par la suite). Le but de ce projet est d’associer des
connaissances théoriques en intelligence artificielle, concernant notamment le RÀPC, à
l’expérience de S3R dans le domaine de la formation en ligne et à distance. L’idée est de
capitaliser l’expérience d’apprentissage des apprenants pour enrichir le système au fil des
différentes utilisations qui en sont faites, pour l’apprenant lui-même (à partir de ses
utilisations précédentes du système) ou pour d’autres apprenants en situations d’apprentissage
similaires auxquels le système fait profiter de l’expérience des premiers apprenants.
Dans le cas de l'EIAH PIXED [Heraud, 04], l'apprenant peut voir l’état de son parcours
pédagogique grâce à un réseau notionnel annoté permettant de construire un "chemin
d’expérience" pour le guider dans ses choix de ressources pédagogiques. Ce chemin
d’expérience est une représentation transformée de la trace d’apprentissage selon un objectif
d’orientation de l’activité d’apprentissage. Cette représentation explicite et structurée du passé
de l’activité favorise l’auto évaluation, l’auto interrogation sur certains concepts
précédemment abordés, et la révision si nécessaire.
ATER [Sett, 11] est une application implémentant la notion de systèmes à base de traces
modélisées (SBT). ATER permet de collecter, transformer, requêter, visualiser et de partager
des traces modélisées en tant que représentations de connaissances. ATER supporte
l’expression de modèles de trace comme ontologies OWL décrivant des concepts et relations
structurant les éléments de la trace. Les traces décrites par un modèle de trace ontologique
sont constituées d’instances (individus) représentant leurs observés.
2.1. Discussion
Les travaux sur MUSETTE portant sur la réutilisation d’expérience concernant des
domaines assez variés : personnalisation de tableaux de bord pour la supervision de systèmes
industriels, consultation de cours en ligne, conception assistée par ordinateur. Tous ces projets
s’appuient sur la notion d’épisode, dont la notion de cas d’utilisation peut être vue comme une
extension. D’autres travaux sur l’annotation de documents audiovisuels, dans le cadre du
projet RECIS-SESAME, s’intéressent à la notion de modèle de tâche et de traces d’utilisation
[Cham et al., 04].
Dans le projet EPICéA, l’évaluation du prototype intégrant le RÀPC comprendra deux
étapes. Les auteurs de ce projet, ont estimé d’une part l’impact de l’intégration du RÀPC sur
l’apprentissage humain. Cette évaluation s’appuiera sur la comparaison, en contexte
expérimental écologique, des résultats d’apprentissage obtenus en utilisant soit e-Cursus, soit
le prototype intégrant le RÀPC [Olla, 03]. Les choix concernant le plan expérimental n’ont
pas encore été faits. D’autre part, une évaluation cognitive et ergonomique de l’interface a été
réalisée, qui se fera suivant deux axes : l’utilité et l’utilisabilité du prototype. L’utilité est
l’adéquation entre les fonctions fournies par le système et celles nécessaires à l’utilisateur
pour mener à bien les tâches qu’il doit remplir [Olla, 03]. L’utilisabilité concerne l’adéquation
entre la manière dont une tâche est réalisée par un utilisateur et le profil cognitif de cet
utilisateur [Olla, 03].
Dans Pixed, les enseignants peuvent représenter les connaissances du domaine dans le
cadre d'une structure conceptuelle globale et définir des stratégies tutorielles, en terme de
modes de parcours de cette structure, visant à permettre l'acquisition par l'apprenant de la
connaissance ainsi représentée [Heraud, 04]. Pixed intègre des valeurs attachées aux nœuds
du réseau dans son modèle d’apprentissage de l’apprenant.
Bien que la plateforme ATER soit fonctionnelle et permette d'offrir un certains nombre de
services pour la gestion du cycle de vie des traces, des modèles et des ressources associés, elle
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 76
Session 3 Traces & Adaptation de l’Apprentissage
n'est actuellement pas utilisée dans aucun projet. Ce projet de développement peut même être
considéré comme un échec puisque aucun développement futur n'est prévu que ce soit pour
faire évoluer les fonctionnalités de la plateforme ou maintenir, tester et corriger son code.
Dans ATER, la collecte n'est pas générique et doit être codée spécifiquement pour chaque
application. Elle peut être exécutée en temps réel ou en différé et permet de passer d'une ou
plusieurs sources de collecte quelconques à une trace première stockée dans une base de
traces RDF.
En effet, l'implémentation actuelle de la plateforme ATER est un prototype de recherche et
elle est loin d'être un produit fini. Le prototype ATER présenté n'est toujours pas en version
stable ou finale et certains modules ou fonctionnalités doivent être corrigées ou complétées
.L'extension de la plateforme et la prise en main de son code source est une tâche fastidieuse.
3. Structure du système proposé (SRTn) :
Nous présentons notre proposition qui concerne la réutilisation de traces d’apprentissage.
Nous proposant dans ce sens un système appelé : Système de Réutilisation de Traces
numériques (SRTn).
3.1. Architecture générale
La figure (Fig.1) montre l’architecture générale du système SRTn. Le système est constitué,
d’une manière ascendante, des composants et outils suivants :
- Un collecteur de traces : sert à collecter différentes sources de traçage (logs, BDD, fichier
XML…etc.). Au niveau de cette étape, les traces premières collectées seront modélisées
selon le modèle de trace proposé (détaillé dans la section 3.2).
- Un transformateur de traces: sert à transformer les traces modélisées en épisodes à l’aide
d’un algorithme de transformation.
- L’ensemble des épisodes obtenus, sera stocké dans une base de connaissances. Cette
dernière est prêt à recevoir aussi les traces modélisées et les traces dé-modélisées.
- Le système SRTn comporte aussi un autre composant qui est le dé-modélisateur de traces,
sert à représenter les traces dans un format bien défini, afin de les visualiser aux apprenants.
Fig.1 : Architecture générale du système SRTn.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 77
Session 3 Traces & Adaptation de l’Apprentissage
3.2. Processus de collecte de traces
La première étape dans SRTn est la collecte et le filtrage des traces numériques. Dans notre
contexte, une trace numérique est issue de l’observation d’une activité (Fig.2), elle représente
une signature d’un processus interactionnel d’un apprenant. L’objectif de cette étape est de
dresser une liste de traces numériques effectivement collectées sur divers systèmes.
Fig.2 : collecte, filtrage et modélisation de traces.
3.3. Processus de transformation de traces
Le processus de transformation de traces premières (Fig.3) sert à reformuler ces derniers en
des autres appelons épisodes. En effet ce processus est un Schéma XML permettant de
représenter les épisodes, selon un algorithme de recherche dans le modèle de traces pour en
extraire les différents éléments de l’épisode.
Fig.3 : Diagramme de transformation de traces.
3.3.1. Structure générale d’un épisode :
Un épisode est un vecteur constitué de plusieurs champs (Fig.4). Il est constitué des éléments
(ou bien champs) suivants :




id : identifiant, de type numérique pour identifier les épisodes.
obj : est l’objectif d’apprentissage, représente le degré de maitrise de l’objet
d’apprentissage associé.
OA : la liste des Objets (l’objet) d’Apprentissage visités par un apprenant avant la
résolution des tests d’évaluation. (Ensemble d’objets d’apprentissage, bien définit
par l’auteur (enseignant) OAi)
AP : Activité d’aPprentissage : chaque objet contient un ou plusieurs activité
d’apprentissage mise en œuvre par l’enseignant (Ensemble des activités
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 78
Session 3 Traces & Adaptation de l’Apprentissage



d’apprentissage bien définit par le concepteur : APi) ; Par exemple : chapitre d’un
cours, test… .
prof : Profil cognitif de l’apprenant. (Excellent, très bien, bien, moyen ou faible)
test : un test d’évaluation qui peut être un QCM,…
chemin proposé : Chemin des traces à visualiser dans la base de traces.
id
obj
prof
OA
AP
test
Chemin proposé
Fig.4 : Structure générale d’un épisode.
3.4. Mesure de similarité entre épisodes
Afin de comparer entre les épisodes, nous utilisons deux étapes pour mesurer la similarité
entre eux. La première se base sur la table d’index et la deuxième se base sur les éléments
constituant l’épisode.
3.5. Visualisation de traces
La visualisation des traces consiste pour un utilisateur à explorer une trace ou une base de
traces, de façon plus au moins interactive. La visualisation des traces numériques (traces
d’évaluation, traces de communication et traces d’apprentissage), permet aux apprenants de
voir l’historique des activités d’autres apprenants. Le système SRTn offre un outil de
visualisation des traces, par exemple : nom de la ressource traitée par un apprenant à un
moment donné, nombre d'accès à la ressource, durée de consultation de la ressource,
historique du parcours des ressources, nombre de pages de cours visitées, temps de réponse à
une question, résultats de tests d’évaluation, détails sur les choix et les parcours de formation
suivis…etc.
3.6. Modem de traces
Nous avons lancé le nom modem à deux étapes de traitement de traces: modélisation de
traces collectées et la visualisation de celle-ci. L’utilité de ce modem de traces est de
simplifier deux tâches primordiales dans notre travail :
a) La réutilisation des traces d’apprentissage collectées : la modélisation des traces
donne une structure uniforme aux différents types de traces collectées, ce qui facilite leur
exploitation et précisément leur réutilisation ultérieur.
b) La visualisation de traces : ou la dé-modélisation de traces qui donne la possibilité de
présenter les traces dans un format claire et compréhensible avec les apprenants (axe de
temps), toute en les construisant à partir du modèle de traces approprié.
4. Conclusion et futur travail
Le travail de recherche présenté dans cet article s’inscrit dans le domaine des
environnements interactifs d’apprentissage humain (EIAH). Notre recherche porte plus
particulièrement sur : la généralisation d’une aide individualisée pour les apprenants.
L’approche choisie pour aider les utilisateurs ou plus particulièrement les apprenants est la
réutilisation de traces numériques qui consiste à, construire, mémoriser et interpréter des
épisodes similaires afin de proposer une séquence d’étapes adaptées (visualisation de traces
pertinentes) dans le cadre de l’épisode en cours.
Dans notre contribution, nous nouds sommes engagés à réaliser deux buts essentiels : le
premier était comment choisir les traces les plus similaires à la situation de l’apprenant en
cours (qui demande l’aide du système SRTn), tandis que le deuxième était comment visualiser
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 79
Session 3 Traces & Adaptation de l’Apprentissage
ces traces de façon facile à comprendre par l’apprenant. Pour cela, nous avons suggéré un
modèle de traces qui facilite la réutilisation des traces, et proposé une structure bien définit,
de
+l’épisode, extraite du modèle de traces. Les épisodes sont indexés et mémorisés dans une
base de traces.
Ainsi, nous avons lancé le modem de traces, qui est le responsable de la modélisation des
traces collectées, et de la visualisation des traces pertinentes à la situation en cours. Le
système SRTn est en cours d’implémentation en utilisant le langage Php. Nous comptons dans
le futur expérimenter le système sur un échantillon réel des étudiants universitaires et valider
les formules utilisées pour le calcul de la similarité entre les épisodes.
Bibliographie
[Cham et al., 04]: Champin P-A, Prié Y., Mille A., MUSETTE: a Framework for Knowledge
Capture from Experience. EGC'04, Clermont Ferrand, (2004).
[Heraud, 04] : Jean-Mathias HERAUD, PIXED : UNE APPROCHE COLLABORATIVE DE
L’EXPERIENCE ET L’EXPERTISE POUR GUIDER L’ADAPTATION DES
HYPERMEDIAS. Thèse de doctorat de L'UNIVERSITÉ LYON I, (2004).
[High et al., 98] : Hightower R., Ring L., Helfman J., Bederson B. & Hollon, J. Graphical
multiscale web histories: A study of PadPrints. Proc. of Hypertext '98, p. 58-65. (1998).
[Lafl et al., 05] : Laflaquière Julien - Champin Pierre Antoine - Prié Yannick - Alain Mille,
« Approche de modélisation de l’expérience d’utilisation de systèmes complexes pour
l’assistance aux tâches de veille informatiquement médiées ». Conférence : a représentation
orientée utilisation des informations (le représentation de l’information selon les usages
potentiels), (2005).
[Olla, 03] : Megali OLLAGNIER-BELDAME, Comment intégrer la réutilisation des
expériences d’apprentissage en FOAD ? Le projet EPICéA. Colloque Environnements
Informatiques pour l’Apprentissage Humain (2003).
[Plai et al., 96]: Plaosant C., Milach B., Rose A., Wido S., Shneiderman B. Lifelines:
visualizing personal histories. CHI’96: Proceedings of the SIGCHI conference on Human
factors in computing systems. ACMPress, NewYork, NY, USA, p. 221–227. (1996).
[Plai et al., 99]: Plaisant C., Rose A., Rubloff G., Salter R., Shneiderman B. The Design of
History Mechanism and Their Use in Collaborative Educational Simulations. Proceedings of
the Computer Support for Collaborative Learning. Palo Alto, CA, p. 348-359. (1999).
[Séjo et al., 04] :Séjourné A., Baker M., Lund K., Molinari G. Schématisation argumentative
et co-élaboration de connaissances: le cas des interactions médiatisées par ordinateur. Actes
du colloque international "Faut-il parler pour apprendre?". E. A. Théodile Lille 3 (Ed.),
Arras, France. (2004).
[Sett, 11] : Lotfi Sofiane SETTOUTI : Système à base de traces Modélisées : Modèles et
langage pour l’exploitation des traces d’Interactions. Thèse de doctorat de L’Université
Claude Bernard Lyon 1.14 Janvier (2011).
[Wexe et Maes, 99]: Wexelblat A., Maes P. Footprints: History-rich tools for information
foraging. Proceedings of ACM CHI 99 Conference on Human Factors in Computing Systems,
p. 270-277. (1999).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 80
Session 3 Traces & Adaptation de l’Apprentissage
Invocation et découverte sémantique des activités d'apprentissage
A. Boublenza1, W. Abderrahim2, F. Hadjila1, E.A. Ouraiba3, M.A. Chikh1
1 Laboratoire GBM, Département d‘informatique, Université Abou Bekr Belkaïd. Tlemcen
- Algérie.
2 Laboratoire TTL, Département de télécommunication, Université Abou Bekr Belkaïd. Tlemcen
- Algérie.
3 Laboratoire d'Informatique, Université du Maine (LIUM - EA 4023)
- France
Résumé. Le couplage de la technologie des services web et des ontologies, dans le domaine
du e-learning peut apporter des contributions majeures. L’une des problématiques actuelles du
e-learning est l'invocation et découverte d'une séquence d'activités d'évaluation (exercices en
ligne, qcm...) selon le besoin des enseignants. Pour atteindre ce but, nous proposons un
système semi-automatique pour la composition d’activités d’évaluations. Ce système utilise une
mesure de similarité sémantique afin de calculer la proximité des concepts de la requête par
rapport à ceux des activités d’évaluations, le deuxième filtre de recherche est le niveau de
difficulté de l’activité. Ce système est testé par un évaluateur avec un exemple qui concerne la
création d'un examen en ligne dans le domaine des réseaux informatiques, et l’évaluateur est
non seulement satisfait du résultat obtenu.
Mots clés: E-learning, services Web, Processus d’apprentissage, Mesures de similarité,
Ontologies, Objet pédagogique, LOM.
I. INTRODUCTION
A la fin du siècle dernier, nous avons assisté à l’émergence de deux tendances conjointes,
d’une part le rôle essentiel de la connaissance dans la société du savoir et d’autre part
l’introduction massive des technologies de l’information et de la communication (TIC) dans la
plupart des activités humaines. L’enseignement via les TIC en particulier le e-learning est
considéré, outre les plans social et économique, comme une innovation sur les plans
technologique et culturel [1-2].
De nombreuses solutions logicielles ont été proposées pour la réalisation des
environnements e-learning telles que les LMS (Learning Management System) et les LCMS
(Learning Content Management System). Cependant, les acteurs (administrateurs, enseignants
et apprenants) de ces systèmes ont présenté des besoins de plus en plus accrus en termes
d’adaptation, de parcours selon les exigences et profils d’utilisateurs, de partage et de
possibilités de réutilisation des contenus et des fonctionnalités. Ce qui a incité l’expansion de
ces systèmes vers des environnements distribués en utilisant souvent les ontologies, le web
sémantique et les web services pour satisfaire les exigences des acteurs [3-5]. Le nombre de
plateformes e-learning, qui sont basées sur les web services, est de plus en plus croissant [6-8].
L’objectif de ce travail est de proposer un système qui recherche et qui compose des
activités d’évaluations, selon les besoins des tuteurs, et en utilisant un matching sémantique du
contenu. Ce système accède aux activités d’apprentissages à travers les services web, afin
d’assurer l’interopérabilité, et d’éviter les problèmes d’hétérogénéité des plateformes. On note
aussi que, le matching sémantique de la requête du tuteur avec les métadonnées de l’activité
d’évaluation, se fait à l’aide de la mesure « cosine » [9].
II. LES SERVICES WEB
Le service Web est une nouvelle technologie, initiée par IBM et Microsoft, puis en partie
normalisée par le W3C, maintenant elle est acceptée par l’ensemble des acteurs de l’industrie
informatique sans exception.
Selon IBM, les services Web représentent la nouvelle vague des applications web. Ce sont
des applications modulaires, auto-contenues et auto-descriptives qui peuvent être publiées,
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 81
Session 3 Traces & Adaptation de l’Apprentissage
localisées et invoquées depuis le web. Les services Web effectuent des actions allant de
simples requêtes à des processus métiers complexes [10]. Les services Web sont basés sur
l’architecture orientée services (notée SOA pour Services Oriented Architecture). Les
principaux acteurs que l'on retrouve dans une telle architecture sont :
 Le fournisseur du service qui crée le service Web, puis publie son interface ainsi que les
informations d'accès au service, dans un annuaire de services Web ;
 L'annuaire de service rend disponible l'interface du service ainsi que ses informations
d'accès, pour n'importe quel demandeur potentiel de service ;
 Le client du service accède à l'annuaire de service pour effectuer une recherche afin de
trouver les services désirés. Ensuite, il se lie au fournisseur pour invoquer le service ;
Ces trois éléments de l’architecture interagissent entre eux selon quatre types d’opérations :
les opérations de déploiement, de publication, de recherche et d’invocation (voir figure 1).
Figure 1.
Architecture SOA
III. L’APPORT
SÉMANTIQUE
Les informations échangées sur le web deviennent de plus en plus importantes. En plus les
utilisateurs ont toujours besoin de rechercher des applications web qui remplissent un critère
bien déterminé (des exercices en lignes, des services de réservation, d’achat…). Ceci ne peut
être réalisé que si nous annotons sémantiquement le contenu en utilisant par exemple
les ontologies.
A. Définition de l’ontologie
Gruber [11] définit l’ontologie comme étant une spécification explicite d’une
conceptualisation. La conceptualisation est le résultat d’une analyse du domaine étudié, et
l’abstraction du monde de ce domaine. Cette conceptualisation est représentée dans une forme
concrète, où les concepts, les relations ainsi que les contraintes sont explicitement définis dans
un format et langage formel.
Une ontologie est un ensemble structuré sous la forme d’un graphe orienté qui contient :
 des nœuds représentant le vocabulaire d’un domaine particulier ;
 des arcs représentant les relations nommées entre les concepts.
B. Implémentation de l’ontologie
Dans ce travail, nous utilisons une ontologie du domaine représentée en OWL, un langage
formel basé sur XML, qui permet d’expliciter de manière formelle les concepts qui la
composent.
La figure 2 montre une partie de l’ontologie de domaine qui concerne les réseaux de
communication de données.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 82
Session 3 Traces & Adaptation de l’Apprentissage
Figure 2.
Structure d’une partie de l’ontologie
IV. MODÉLISATION DES ACTIVITES D’EVALUATION
Depuis 1996, le groupe LTSC de l’IEEE développe au niveau international des standards et
des guides de bonnes pratiques concernant les technologies liées à l’apprentissage. Parmi ces
travaux, le standard LOM (Learning Object Metadata) [12] est le plus reconnu. Il définit une
structure garantissant l’interopérabilité de la description d’un objet pédagogique. En effet, un
objet pédagogique doit être autonome, c’est-à-dire indépendant du support de diffusion et de la
plate-forme d’apprentissage.
LOM permet de décrire un objet pédagogique à l’aide de métadonnées. Il est actuellement
le plus utilisé pour favoriser le partage et la réutilisation des objets pédagogiques. Pour des
raisons de simplicité, nous avons adopté uniquement deux attributs du modèle LOM comme
filtre de recherche : Keywords et difficulty.
La figure 3 montre un exemple d’une activité d’évaluation codée en XML, ainsi que ses
meta-données (keywords, difficulty).
<?xml version="1.0"
encoding="UTF-8"?>
<question nom="Q25">
<enonce>Quelle est la taille
d’une adresse IPv6?
</enonce>
<nbChoix>4</nbChoix>
<choix num="a">32 bits</choix>
<choix num="b">48 bits</choix>
<choix num="c">64 bits</choix>
<choix num="d">128 bits</choix>
<numChoixJuste>d</numChoixJuste>
</question>
Figure 3.
<metadata>
…..
<keywords>
<keyword>IPV6 </keyword>
<keyword> adressage </keyword>
</keywords>
< difficulty> Easy< /difficulty>
…..
</metadata>
Exemple d’une activité d’évaluation A et les méta-donné associées
V. LES MESURES DE SIMILARITÉS
Le problème de similarité sémantique entre concepts a fait coulé beaucoup d’encre, surtout
dans les domaines de l’intelligence artificielle, la psychologie, la linguistique…etc. différentes
approches ont été présentées dans la littérature pour réaliser cet objectif.
Les mesures de similarités sémantiques peuvent être utilisées dans notre problématique pour
rechercher les objets pédagogiques. Plus précisément en comparant la requête de l’enseignant
avec les meta-données des objets pédagogiques.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 83
Session 3 Traces & Adaptation de l’Apprentissage
De façon générale, on a trois types d’approches de similarité [13] les approches basées sur
les arcs [14-16], Les approches basées sur les nœuds [17-18], et nous notons aussi la présence
des mesures basées sur les espaces vectoriels [19-20] et qui sont adaptés au contexte
sémantique telles que «cosine». Formellement:
cosine (v1, v2)= (∑ v1(i)*v2(i))/(||v1||*||v2||)
V1,V2 : sont des vecteurs contenant les fréquences de concepts (issus d’une ontologie).
VI. APPROCHE PROPOSÉE
La figure 4 montre l’architecture générale de l’approche proposée.
Figure 4.
Architecture globale du système
Dans cette architecture deux types d’utilisateur sont distingués : utilisateur tuteur et
utilisateur apprenant, chacun d’entre eux peut dialoguer avec le système selon un scénario
possible via l’interface utilisateur que nous avons nommée (e-Questionnaire Sur les Réseaux)
représenté dans la figure 5.
Figure 5.
Interface utilisateur
A. Scénario 1 : utilisateur tuteur
Après l’authentification du tuteur, il est invité à définir le nom du QCM, le nombre de
questions, les mots clés (keyword) noté R.c ainsi que le niveau de difficulté noté R.nd pour
chaque question et enfin la valeur du seuil α pour calculer la mesure de similarité, cette requête
sera renvoyé par la suite à un système médiateur.
Le système médiateur traite les requêtes introduites afin de répondre à l’utilisateur tuteur.
Le processus de recherche est réalisé selon l’algorithme suivant :
1. soit R.c ={Ir1,Ir2,…Irn} les concepts (ou keywords) de la requête R.
2. augmenter chaque élément de l’ensemble R.c avec tous ses ascendants (subsumants)
dans l’ontologie de domaine. Par exemple si R.c ={c1 et c2 } et si c1 possède {c3 ,c4}
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 84
Session 3 Traces & Adaptation de l’Apprentissage
comme subsumants, et c2 possède {c3,c4,c5} comme subsumants, alors R.c= {c1/1,
c2/1, c3/2, c4/2, c5/1}(parce que c4,c3 ont deux occurrences).
3. pour toutes les activités d’évaluations A, modélisées avec l’ensemble A.c
(sachant que A.c ={Is1,Is2,…Isp} représente les concepts (ou keywords) de l’activité
d’évaluation A.)
Faire
• augmenter chaque élément de l’ensemble A.c avec tous ses ascendants (subsumants)
dans l’ontologie de domaine.// meme chose que l’étape2.
• Resultat1= {A, tel que (cos(R.c, A.c) ≥ α}, le α est choisi pendant l’expérimentation
par l’utilisateur, il varie entre 0.5 et 1.
Fin_faire
4. pour toutes les activités d’évaluations A appartenant à Resultat1 :
• retenir les activités A telles que A.nd=R.nd (cad celles qui ont un niveau de difficulté
compatible avec celui de R) cet ensemble est appelé resultat2
5. retourner resultat2
Le tuteur sélectionne interactivement une activité parmi l’ensemble resultat2, et ré-exécute
le même algorithme pour répondre aux requêtes suivantes afin de générer le questionnaire.
Par la suite, le système invoque le service web SetQCM, qui accepte comme entrées, les
activités d’évaluations et les métadonnées correspondantes, il retourne comme sortie un
document XML contenant le QCM.
B. Scénario 2 : Utilisateur apprenant
Après l’authentification du l’apprenant, il choisit le QCM à traiter, en invoquant le service
web GetQCM, ce dernier accepte comme entrée le nom du QCM (ie le document XML du
QCM) et renvoie son contenu de manière itérative. GetQCM fait appel à un web service
désigné GetActivity qui renvoie le contenu d’une seule activité à la fois. L’apprenant aura à la
fin le taux de réussite ainsi que la correction du QCM.
La section suivante montre les performances obtenues, en utilisant deux requêtes R1 et R2.
VII. EVALUATION ET EXPÉRIMENTATION DES RESULTATS
Pour évaluer le système nous avons créé 100 activités d’évaluations annotés avec LOM, et
deux requêtes (qui représentent le besoin du tuteur).
Nous supposons aussi la présence d’un évaluateur humain qui indique les activités
adéquates pour chaque requête du tuteur. Cette information sera utilisée pour calculer les
critères de rappel et de précision.
Les taux de précision et de rappel sont donnés par les formulations suivantes :
Taux de précision = R+ / M
Taux de rappel = R+ / R
Où
R : le nombre des exercices pertinents dans toute la collection.
M : le nombre des exercices sélectionnés par le système.
R+ : le nombre des exercices pertinents sélectionnés par le système.
Figure 6.
Performances des requêtes R1 et R2 en fonction du seuil α
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 85
Session 3 Traces & Adaptation de l’Apprentissage
En observant les performances de l’approche proposée en fonction du seuil dans la figure6,
on constate qu’il y a une corrélation directe entre le seuil et la précision, et une relation
inverse avec le rappel. Nous notons aussi que le seuil optimal qui donne le meilleur
compromis entre le taux de rappel et le taux de précision est de 0.6. Ces résultats peuvent être
consolidés en multipliant le nombre de requêtes et en variant les ontologies de domaines. De
manière générale, les résultats obtenus sont très satisfaisants, parce que l’utilisateur choisissait
uniquement une seule question parmi toutes les possibilités et pour chaque requête qu’il a
envoyée, il avait parmi les propositions la question qu’il désirait.
VIII.
CONCLUSION
Dans ce travail, nous avons proposé une approche basée sur les services Web et les
ontologies dédiée au domaine d’e-Learning, et plus particulièrement l’invocation et la
découverte sémantique des activités d'apprentissage pour générer un questionnaire en ligne.
L’application était testé par un utilisateur novice dans le domaine du e-Learning, non
seulement il était satisfait des résultats obtenu, mais aussi par la simplicité de l’application et
la transparence des interactions client /serveur.
Nous pouvons citer plusieurs perspectives à ce travail, en premier lieu nous suggérons
l’utilisation des autres attributs du modèle LOM, nous proposons aussi l’intégration de cette
approche de recherche dans les systèmes de recommandations d’objets pédagogiques, et à la
fin nous suggérons l’utilisation des autres mesures de similarité comme moyens de filtrage
pour faire une comparaison plus objective.
REFERENCES
[1]
[2]
Bellier S., (2001), “Le e-learning”, Editions Liaisons, Paris.
BenRomdhane E, Skik H. (2007). “e-learning : élément de réflexion autour d’une expérience en
blended learning développée dans le milieu universitaire”. ESC Tunis Assistant - ESCE Tunis.
[3]
Brusilovsky P.(2004). “KnowledgeTree: A distributed architecture for adaptive elearning”. Proceedings of The Thirteenth
International World Wide Web Conference, 2004 New York, NY, 17-22 May, ACM Press, pp. 104113.
[4]
Dolog P., Henze N., Nejdl W., Sintek M. (2004), “Personalization in Distributed eLearning
Environments”. The Thirteen International
World Wide Web Conference, New York, USA. ACM.
[5]
Boudali F., Balla A., Amrouche H. (2008), “Découverte personnalisée des web services elearning”.
[6]
Ivan M. (2005). “Des services web pour le e-Learning”. e-TI - la revue électronique des
technologies d'information, Premier Numéro. [7] Vossen G, Westerkamp P. (2003). “E-Learning as
a Web Service”. Seventh International Database Engineering and Applications
Symposium (IDEAS'03).
[8] Xiaohong Q, Anumit J. (2005). “Web Service Architecture for e-Learning”.
[9]
Chen F., Farahat A. et Brants T. (2004), “Multiple Similarity Measures and Source-Pair
Information in Story Link Detection”. In
Proceedings of HLT 2004.
[10] Ponge J (2004), “Comptabilité et substitution dynamique des Web Services”, Mémoirede
fin d’étude, Université Blaise Pascal
Clermont II, Juillet 2004
[11] Gruber T.R. (1993), “Toward Principles for the Design of Ontologies used for Knowledge
Sharing”. In International Journal Human- Computer Studies 43, p.907-928. Substantial revision
of aper presented at the International Workshop on Formal Ontology, March,
1993, Padova, Italy. Available as Technical Report KSL 93-04, Knowledge Systems Laboratory,
Stanford University.
[12] IEEE-LTSC, “1484.12.1-2002 IEEE Standard for Learning Object Metadata”, 2002, 40p.,
ISBN: 0-7381-3297-7
[13] Thabet Slimani T., Ben Yaghlane B., Mellouli K. (2007), “Une extension de mesure de similarité
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 86
Session 3 Traces & Adaptation de l’Apprentissage
entre les concepts d’une ontologie”.
SETIT 2007 4rth International Conference: Sciences of Electronic, Technologies of Information
and Telecommunications March 25 29, 2007 –Tunisia.
[14] Rada R., Mili H., Bichnell E. et Blettner M. (1989), “Development and application of a metric on
semantic nets”. IEEE Transaction
on Systems, Man, and Cybernetics: pp 17-30.
[15] Lee J.H., Kim M.H. et Lee Y.J. (1993), “Information Retrieval Based on Conceptual
Distance in IS-A Hierarchy”. Journal of
Documentation 49, pp. 188-207.
[16] Wu Z. et Palmer M. (1994). “Verb semantics and lexical selection”. In Proceedings of the 32nd
Annual Meeting of the Associations for
Computational Linguistics, pp 133-138.
[17] Jiang J. et Conrath D. (1997), “Semantic similarity based on corpus statistics and lexical
taxonomy”. In Proceedings of International
Conference on Research in Computational Linguistics, Taiwan.
[18] Leacock C. et Chodorow M. (1998), “Combining Local Context and WordNet Similarity
for Word Sense Identification. In
WordNet: An Electronic Lexical Database”, C. Fellbaum, MIT Press.
[19] Salton G. et McGill M.J.(1983), “Introduction to modern information retrieval. McGraw-Hill. New
York.
[20] Baeza-Yates R., Ribeiro-Neto B. (1999), “Modern Information Retrieval. ACM Press; AddisonWesley: New York.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 87
Session 3 Traces & Adaptation de l’Apprentissage
Aspects of Integrated, Personalizable and adaptable e-learning
Asma Bezza
Ecole nationale Supérieure
d’Informatique (ESI),Algiers,
Algeria
[email protected]
Farhi Marir
London Metropolitan
University, UK
[email protected]
Amar Balla
Ecole nationale Supérieure
d’Informatique (ESI),Algiers,
Algeria
[email protected]
Abstract :
There are special forms of personalization of content in Knowledge Management, which
concern dynamical, context-dependent adaptation of knowledge-objects to concrete needs and
requirements in a given situation. Examples of usage of these forms are recommender systems
and digital libraries. There have been only few research work concerning the dynamic creation
of content on an ad-hoc basis in the field of e-Learning. In this paper we present the results of
the investigation conducted to understand how dynamic, contextualized, personalized adaptation
of learning content can be applied to e-Learning.
Mots Clés :
Adaptive e-learning, content personalization, Knowledge management.
INTRODUCTION
With the development of information technology, an incredible increase in the quantity and
variety of digital information is made available to users. Personalization and adaptation aims to
remedy that.
According to Victor Manuel García Barrios [García, 2007], the personalization is an
adaptation based on specific characteristics related directly to the user, while adaptation means
adaptation to other entities within the context of adaptive systems, which do not belong to the
user. The personalization aims to deliver the appropriate information to users’ preferences,
interests, or more generally their profile.
In the field of knowledge management, there have been many researches about forms of content
personalization [Tochtermann, 2002] concerning the dynamic adaptation, depending on the
context of the objects of knowledge to fulfill the needs and requirements in a given situation.
Examples of the use of these forms are recommender systems and digital libraries
[Tochtermann, 2001], [Hicks, 2001]. While there have been a few investigations concerning
the dynamic creation of content on an ad-hoc basis in the field of e-Learning.
In this paper we will present a literature review on research work undertaken on the content
personalization in the domain of Knowledge Management (KM) and present the results of the
investigation we have conducted to understand how dynamic, contextualized, personalized
adaptation of learning content can be applied to e-Learning. This paper is organized into three
sections as follows:
In the first section, we present a review of research work on content personalization in the field
of KM. The second section includes a survey of work on forms of personalization of
content used in the field of e-Learning. The third section presents the different perspectives on
the works of personalization in e-Learning.
2. PERSONALISATION WITHIN KM
A prerequisite for providing the users with personalized services and information is to rely on
their profiles representing their needs and preferences. Fadila Bentayeb et al [Bentayeb, 2009]
proposed to characterize the profile by two perspectives:
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 88
Session 3 Traces & Adaptation de l’Apprentissage
The implication of the user: either explicitly through direct interaction with the system, or
implicitly through automatic adaptation of the system to the user profile.
The system functions related to the profile: consist initially to define the profile, then to
exploit it for a better consideration of the user.
User implication
Implicit
Explicit
Learning
Captio
n
Adaptation
Configuration
Parametrisation
System functions
Figure 1: Principles of personalization [Bentayeb, 2009]
Figure 1 presents the four principles of personalization, involved by them:
Parameterization: consists of the definition of the profile, requires the direct intervention of the
user.
Learning: defining the profile with the implicit implication of the user.
Transformation: exploitation of the profile with automatic induction.
Recommendation: the exploitation of the profile is done with the explicit implication of the user.
2.1 Literature revue
The personalization has been the subject of numerous works in the field of KM. Among these
works, Ferran et al [Ferran 2005] described a personalization system for research in digital
libraries based on the use of ontologies that enable the integration of new services to those
already exist.
Among the work emerging on the data warehouse field, there are those of Bellatreche et al
[Bellatreche, 2005]. They have been inspired by the techniques of information filtering based
on user profile to refine the query by adding predicates. Then the user provided
with results focused on his center of interest, by asking him to give his preferences and
constraints of visualization.
Ravat et al [Ravat, 2008] proposed an approach of personalization of multidimensional data. A
weight fixed by the user is associated with data expressing his preferences. Based on these
weights, the data were identified as relevant. In addition, Jerbi et al [Jerbi, 2008] proposed a
qualitative approach to personalization by exploiting orders (qualitative representation of
preferences), which are not expressed in absolute terms but relative to a given context
analysis. This permit to take into account the fact that preferences may vary from one context to
another analysis.
Jerbi et al [Jerbi, 2010] have presented an approach on how to personalize the content OLAP (On
Line Analytical Processing) to better serve the analytical needs of policy makers who share the
same Multidimensional Database (MDB). The approach is to store a single MDB and add
profiles that describe the individual perception of MDB's for each user. Such content
personalization enables personalized access to information based on preferences and context
analysis of each decision maker.
Feng Qiu and Cho Junghoo [Qiu, 2006] have described how a system can learn the personal
preferences of a user automatically based on the navigation history and how the preferences can
be used during the time of the request to classify research results for a specific user.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 89
Session 3 Traces & Adaptation de l’Apprentissage
Alfred Kobsa et al [Kobsa, 2007] examined how the constraints of confidentiality may affect
personalized Web-based. The system dynamically selects the methods of personalization when
running respecting the privacy concerns of current users and the privacy laws and regulations
that apply to them. They continue their work by describing four implementations of their system
[Kobsa, 2009]. [Kobsa, 2010] propose not to submerge users by asking them their preferences.
Each user is only required to provide first a small set of decisions of confidentiality, then the
system constructs a Cross System Personalization (CSP) model of privacy for each user that can
predict his decisions Privacy unspecified.
[Kobsa, 2011] have examined whether information about the preferences of a social circle
could help users make informed choices about their own privacy preferences, present an
experiment exploring the effects of these indices on the choice of privacy settings. Their results
show that social cues from the navigation attitudes and privacy practices may serve as additional
guidance useful when specifying privacy preferences of a user of a social circle.
2.2 Balance sheet
Regarding the work on the personalization of content in the field of knowledge management,
it differs mainly in how to determine the profile of user to works that are based on the
configuration of the user's profile, and those which adapt automatically without the intervention
of the user to the profile.
The analysis of these works has shown that the determination of the preferences can be a tedious
task, since it is sometimes linked to a certain degree of subjectivity. This study highlighted the
interest of adaptive systems.
Also, we noticed the usefulness of social networks in providing privacy information that can be
used for the specification of preferences and interests of users, which facilities the
personalization.
3. PERSONALIZATION WITHIN E-LEARNING
Although the works in the field of KM for personalizing and creating dynamic content have been
much developed. In this section, we are interested in researches less numerous and more recent in
the field of E-Learning, Enabling us to bring out research perspectives about personalization in elearning.
3.1 Presentation and illustration of the works
Due to the need to provide more flexibility to better meet the needs of the users. Moulin et
al [Moulin, 2000] presented a model for the dynamic creation of activities and therefore a real
adaptivity of this course to the learner, through the definition of several levels of educational
documents written in XML and hence reusable in different forms. The style sheets allow the
transformation during the course elaborated dynamically.
Tochtermann et al [Tochtermann, 2003] treated the dynamic concepts of personalization by
providing scenarios in which the user context is stable and unchangeable over time. As they
presented also scenarios for dynamic personalization. In order to investigate the navigation
behavior of users of e-Learning environment, Enric Mor et al [Mor, 2004] presented an approach
of controlled personalization [García, 2007] that the user has the full control of the learning
process (under the direction of the teacher or tutor). They set a calendar for a student including
a basic
Schedule of
the
activities
necessary to
complete
the
course. Mor et
al [Mor, 2005] continued their work by describing the behavior of students browsing a virtual elearning environment.
A project named PERSONA developed by Gomes et al [Gomes, 2006], to satisfy the need for
personalization in e-learning systems. They proposed two models of personalization: the online
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 90
Session 3 Traces & Adaptation de l’Apprentissage
personalization and the offline personalization. The online personalization monitors
the interaction learner-system in real time, trying to adapt the content and navigation paths
depending on the model of the student. The system uses a reasoning engine to
determine adaptations to make. While in the offline personalization, the system collects data from
students, and then analyzes this data to recommend changes to the content developers in
the course content. This is performed using data mining tools.
Let us also mention the work of Melia et al [Melia, 2006], who proposed a solution using the
recovery of user model by taking advantage of the power of ontologies in their presentation that
is very accurate and can capture great detail. This allows the content creator learning to
record details of user information.
Thyagharajan et al [Thyagharajan, 2007] proposed an approach of personalization of eLearning based on the user profile that is modeled in a learner model then the learning content is
delivered to the learner using the web services to ensure the reusability. The
content model of learner is modelled explicitly, it is created based on information provided by the
user.
Apostolopoulos et al [Apostopoulos, 2007], presented a Framework focuses on the profile of
the session. The key of the proposed architecture is the dynamic creation of user session by
detection and management of information and parameters that are either from profiles stored or
dynamically modified each user session with the middleware and the concern of the user.
A modeling approach of the user profile is developed by Menacer et al [Menacer, 2008]. The
approach is based on fuzzy logic techniques for enforcement purposes in the context of elearning process in order to define personalized content for different categories of users.
Graf et al [Graf, 2010] presented an adaptive mechanism that can generate LMS (Learning
Management Systems) they adjust during the learning styles of learners.
3.2. Synthesis
In order to compare different research works, we set this work in Table 1, against the principles of
personalization shown in Figure 1 in the previous section:
Profile definition
Profile exploitation
Learning
Parameterization
Transformation
Recommendation
[MEL
2006]
[GOM
2006]
[TOC
2003]
[MOR
2004]
[TYA
2007]
[MEN
2008]
[MOU
2000]
[APO
2007]
User
information integrated
directly in the ontology
forms of student of
inscriptions, studentinteraction system, syst
em administrator
A reasoning engine in
the case
of online personalization
-
The rules of
the adaptation model
Questions, Forms
A calendar to follow
Interviews + analysis and
tests
Consultation of the
student model
-
Using fuzzy logic
Forms and questions
data mining tools in
the case of off-line
personalization
-
-
Table 1 : Positioning of work against the principles of personalization presented in the figure 1
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 91
Session 3 Traces & Adaptation de l’Apprentissage
FROM THIS
TABLE, WE FIND THAT LEARNING IS UNLIKELY USED IN E-LEARNING, EVEN
AS IT FACILITATE THE TASK OF THE USER. SIMILARLY, THE RECOMMENDATION IS CARRIED BY
ONLY A FEW WORKS. FINALLY, WORKS HAD DONE IN E-LEARNING COVERED MORE THE
CONFIGURATION THAN THE ADAPTATION. TO REFINE THE READING OF THE DIFFERENT WORKS, WE
PROPOSED A GRILL ANALYSIS BASED ON CRITERIA DERIVED FROM THE STUDY OF ANLI
[ANLI, 2006]:
 PROFILE: DETERMINES WHETHER THE PERSONALIZATION SYSTEM IS BASED ON THE NOTION
OF PROFILE OR NOT.
 COLLECT OF INFORMATION: DETERMINES HOW USER INFORMATION ARE COLLECTED, IT CAN
BE EXPLICIT OR IMPLICIT.
 PERSONALIZATION OBJECT: SPECIFY THE LEVEL OF PERSONALIZATION, IT CAN FOCUS ON
CONTENT, PRESENTATION OR INTERACTION.
 PERSONALIZATION EVOLUTIONARY: WE DISCUSS TWO ASPECTS. FIRST, THE MODE
OF UPDATE: INDICATES THE POSSIBILITY THAT THE PROFILE IS UPDATED EITHER BY CHANGING
THE VALUES OF THE CRITERIA, OR BY MODIFYING THEIR STRUCTURES. THE SECOND ASPECT
IS THE EXTENSIBILITY OF THE PROFILE THAT IDENTIFIES THE SYSTEM'S ABILITY TO EXPAND
THE PROFILE AND USE IT WITH NEW NON PRE-ESTABLISHED CRITERIA.
 PROFILE EXPLOITATION: FOR A TRANSFORMATION OF THE SYSTEM OR A RECOMMENDATION
MADE BY THE SYSTEM.
 TYPE OF PERSONALIZATION: IS TAKEING INTO ACCOUNT THE SCOPE FOR PERSONALIZATION
(COGNITIF OR SOCIAL).
WE HAVE ALSO ADDED OTHER CRITERIA WHICH WE HAVE DEEMED PERTINENT TO EXAMINE THE
VARIOUS ASPECTS OF PERSONALIZATION:
 CREATION OF CONTENT: SPECIFIES WHETHER THE PERSONALIZATION SYSTEM THAT TAKES INTO
ACCOUNT STATIC CONCEPTS (KNOWN AS STATIC PERSONALIZATION) OR IT TAKES INTO ACCOUNT
DYNAMIC CONCEPTS (DYNAMIC PERSONALIZATION).
 USER CONTEXT: INDICATES THE INCLUSION OF THE USER CONTEXT [APOSTOPOULOS, 2007]. IT IS
CONSIDERED ANY INFORMATION THAT CHARACTERIZES THE ENVIRONMENT OF AN APPLICATION
OR SERVICE.
PROF
ILE
COLLECT
OF
INFORMAT
ION
PERSONALIZ
[MO
U
2000]
[TOC
2003]
[MO
R
2004]
[GO
M
2006]
[MEL
2006]
[APO
2007]
[THY
2007]
YES
-
CONTENT +
YES
-
PRESENTAT
ION
CONTENT
YES
EXPLICIT
YES
[ME
N
2008]
[GRA
2010]
ATION
OBJECT
PERSONALIZATION
EVOLUTIONARY
UPDATE
METHOD
EXTENS
IBILITY
PROFILE
EXPLOITATIO
N
TYPE OF
PERSONALIZ
ATION
CONTE
USER
CONT
EXT
NT
CREATI
ON
VALUE
NO
RECOMMAN
-
STATI
NO
-
-
-
COGNITIF
DYNA
NO
CONTENT
VALUE
YES
RECOMMAN
COGNITIF
MIC
STATI
C
EXPLICIT
CONTENT
STRUCTU
YES
TRANSFORM
COGNITIF
STATI
NO
YES
EXPLICIT
CONTENT
STRUCTU
YES
TRANSFORM
COGNITIF
-
NO
YES
EXPLICIT
CONTENT
RE
VALUE
COGNITIF
STATI
YES
YES
EXPLICIT
CONTENT +
YES
NO
RE
NO
-
NO
EXPLICIT
INTERACTI
ON
CONTENT
STRUCTU
-
-
CONTENT
-
-
RE
DATION
DATION
ATION
ATION
TRANSFORM
ATION
TRANSFORM
ATION
C
C
NO
COGNITIF
C
STATI
C
TRANSFORM
-
-
NO
-
COGNITIF
STATI
NO
ATION
C
NO
Table 2 : Comparison of work in field of e-learning
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 92
Session 3 Traces & Adaptation de l’Apprentissage
4. DISCUSSION AND PERSPECTIVES
We note that the implicit techniques to collect information have not been exploited to the level of
e-learning. This means that in most cases the user has to parameterize the system by specifying
his preferences. This explicit approach can be sometimes a tedious task related to some
subjectivity. So far, the social aspect of the personalization in the data warehouse has not been
exploited in the field of learning. The proposed approach is often a cognitive approach, where the
user is considered individually, withdrawing on the experience of other users.
Also, we observe that the works are generally proposed to use the profile to change the system.
The recommendation remains virtually unexplored aspect except for a single research
work. Finally, we note that the proposed works so far have not addressed the aspect of dynamic
creation of personalized content, and that the different work we have addressed did not take into
account the user context except one recent study.
Specifically, we plot the points which we considered relevant to improve personalization in eLearning: The first concerns the automatic construction of user profiles in the e-Learning. This
has been widely studied, particularly in RI (Retrieval Information).
The study of the works has shown that the first interesting point is the definition of mechanisms
to make the collection of user features automatic [Kobsa 2010] and transparent to it. This
approach aims to define an adaptive e-Learning.
We propose the following improvements: adding other aspects to the content of the learner
profile; the first aspect is the history of navigation and information captured from the user
behavior. Taking account of the history of navigation was addressed by Feng Qiu et
al [Qiu, 2006] to automate the process of building the user's profile, taking into
account the browsing history. The other aspect is learning styles, this aspect has been
discussed by Garcia et al in 2010 [García, 2010].
The second point which is very interesting has not been addressed in the e-learning as it is widely
used especially in IR, is the inclusion of the social environments of learning taking into account
the user group to which belongs a decision maker. In this context, the contribution of the social
web including social personalization e-learning. The works proposed by Kobsa et al [Kobsa,
2011] and Koutrika et al [Koutrika, 2008] are interesting leads.
The third point concerns the taking into account the context of the user. A user context includes
information about the current context of the learner, it concerns its current location, time, and
even the emotional state of the user. This aspect has been poorly considered in the field of eLearning, work has considered this aspect is that of Apostolopoulos et al [Apostopoulos, 2007].
The fourth point is the dynamic creation of content, which was addressed by Tochetermann et al
[Tochtermann, 2003], this aspect should be considered in the future work in the by dynamic
personalization of content of learning systems.
Bibliographie
[Anli, 2006] Anli, A. “ Méthodologie de développement des systèmes
d’information
personnalisés personnes ”. Thèse de doctorat, Université de Valenciennes et du HainautCambresis, (2006).
[Apostopolos, 2007] Theodore Apostolopoulos and Anna Kefala, “Content and e-Learning
Provision Services Management Framework: Architecture and Session Profile”, Innovations in
e-learning, instruction technology, assessment, and engineering education of M. Iskander,
Springer, Pages 61-66 (2007).
[Bellatreche, 2005] Bellatreche, L., A. Giacometti, P. Marcel, H. Mouloudi, et D. Laurent. “A
Personalization Framework for OLAP Queries ”. In DOLAP 05, pp. 9–18 (2005).
[Bentayeb, 2009] F. Bentayeb, O. Boussaid, C. Favre, F. Ravat, O. Teste, “Personnalisation
dans les entrepôts de données : bilan et perspectives ”, 5èmes journées francophones sur les
Entrepôts de Données et l'Analyse en ligne (EDA 09), Revue des Nouvelles Technologies de
l'Information, Vol. B-5, 7-22, Montpellier, Juin (2009).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 93
Session 3 Traces & Adaptation de l’Apprentissage
[Ferran, 2005] Núria Ferran, Enric Mor et Julià Minguillón, “Towards personalization in digital
libraries through ontologies”, Journal Library Management, Volume 26, pages : 206 – 217
(2005).
[García, 2007] Victor Manuel García Barrios, “Personalization in Adaptive E-Learning Systems,
A Service-Oriented Solution Approach for Multi-Purpose user Modelling Systems”, Faculty of
Computer Science, Graz University of Technology, Graz, Austria, May (2007).
[Graf, 2010]Sabine Graf, Kinshuk and Cindy Ives, “A Flexible Mechanism for Providing
Adaptivity Based on Learning Styles in Learning Management Systems”, 10th IEEE
International Conference on Advanced Learning Technologies, pages 30-34, Sousse, july
(2010).
[Gomes, 2006] Paulo Gomes, Bruno Antunes, Luis Rodrigues, Arnaldo Santos, “Jacinto
Barbeira and Rafael Carvalho, Using Ontologies for eLearning Personalization”, third
conference on Computer Science Education, Coimbra, Portugal (2006).
[Hicks, 2001] J. Westbomke, A. Kussmaul, A. Raiber, M. Haase D. Hicks, S.Lindstaedt, “
Knowledge Management within Digital, Libraries by means of Personalization ”, 2eme
conférence internationale sur la gestion des connaissances (I-KNOW'02), Graz, Autriche, Juillet
11-12 (2002).
[Jerbi, 2008] Jerbi, H., F. Ravat, O. Teste, et G. Zurfluh. “Management of Context-Aware
Preferences in Multidimensional Databases”. In ICDIM 08, pp. 669-675 (2008).
[Jerbi, 2010] Houssem Jerbi, Franck Ravat, Olivier Teste, Gilles Zurfluh, “ Personnalisation du
contenu des bases de données multidimensionnelles ”, Congrès Informatique des Organisations
et Systèmes d'Information et de Décision (INFORSID 2010), Marseille, Association INFORSID,
p. 327-344, mai 2010.
[Kobsa, 2007] Yang Wang and Alfred Kobsa, “Respecting User’s Individual Privacy
Constraints in Web Personalization”, 11th International Conference in User Modeling, Corfu,
Greek, 157-166. Berlin- Heidelberg-New York: Springer Verlag, (2007).
[Kobsa, 2009] Yang Wang and Alfred Kobsa, “Performance Evaluation of a Privacy-Enhancing
Framework for Personalized Websites”, Proceeding of the 17th International Conference on
User Modeling, Personalization an Adaptation, Trento, Italy, (2009).
[Kobsa, 2010] Yang Wang and Alfred Kobsa, “Privacy in Cross-System Personalization,
Intelligent Information Privacy Management Symposium”, Stanford University, CA, March
(2010).
[Kobsa, 2011] Sameer Patil, Xinru Page, Alfred Kobsa, “With A Little Help From My Friends:
Can Social Navigation Inform Interpersonal Privacy Preferences?”, Proceedings of the ACM
Conference on Computer Supported Cooperative Work, Hangzhou, China, (2011).
[Koutrika, 2008] G. Koutrika et Morfonios, K. “ ”OLAP Cubes for Social Searches: Standing
on the Shoulders of Giants? In WebDB, 2008
[Melia, 2006] M Melia, E Holohan, D McMullen and C Pahl, “An Investigation into the use of
Ontologies in Personalization and Learning Content Creation”, International Conference on
Advanced Learning Technologies(ICALT06), , IEEE Computer Society Press, Kerkrade, The
Netherlands, (2006).
[Menacer, 2008] Corrado Mencar, Ciro Castiello, and Anna Maria Fanelli, “A Profile Modelling
Approach for E-Learning Systems”, Lecture Notes in Computer Science,
Volume: 5073, Pages: 275-290, (2008).
[Moulin, 2000] Claude MOULIN, et Jean-Christophe PAZZAGLIA, “ Création dynamique
d’activités adaptées dans un environnement d’apprentissage a distance ”, TICE : Technologies
de l'Information et de la Communication dans les Enseignements d'ingénieurs et dans l'industrie.
Colloque international No2, Pages 179-183, Troyes, FRANCE (18/10/2000).
[Mor, 2004] E. Mor and J. Minguillôn. “E-learning personalization based on itineraries and
long-term navigational behavior”, In Proceedings of the Thirteenth World Wide Web
Conference, volume 2, pages 264–265, New York City, NY, May (2004).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 94
Session 3 Traces & Adaptation de l’Apprentissage
[Mor, 2005] Joan Marc Carbô, Enric Mor, Julià Minguillôn, “User navigational behavior in elearning virtual environments”, Proceeding in WI '05 Proceedings of the IEEE/WIC/ACM
International Conference on Web Intelligence, pages 243 – 249 (2005).
[Qiu, 2006] Feng Qiu and Junghoo Cho, “Automatic Identification of User Interest For
Personalized Search”, Proceedings of the 15th international conference on World Wide Web
WWW 06, pages 727- 737 (2006).
[Ravat, 2008] Ravat, F. et O. Teste (2008). “ Personalization and OLAP Databases. New Trends
in Data Warehousing and Data Analysis ”, Volume 3, pages 71–92 (2008).
[Thyafharajan, 2007] K.K. Thyagharajan and Ratnamanjari Nayak, “Adaptive Content
Creation for Personalized e-Learning Using Web Services”, Journal of Applied Sciences
Research, 3(9): pages: 828-836, (2007).
[Tochtermann, 2001] David Hicks, Klaus Tochtermann, “Personal digital
libraries and
knowledge management”, Journal of Universal Computer Science 7 (7), pages 550-565 (2001).
[Tochtermann, 2002] Klaus Tochtermann, “Personalization in knowledge management”,
Metainformatics, pages: 29-41 (2002).
[Tochtermann, 2003] Armin Ulbrich, Dolly Kandpal and Klaus Tochtermann, “First Steps
towards Personalization Concepts in eLearning”, Wissensmanagement, (2003).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 95
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 96
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Evaluation Automatisée d’Apprenants Basée sur la Notation Granulaire
de l’Approche ODALA+
Farida Bouarab-Dahmani*— Malik Si-Mohammed**
Département Informatique, Faculté du Génie Electrique & Informatique
Université Mouloud Mammeri de Tizi-Ouzou (15000), Algérie
* [email protected], **[email protected]
Résumé :
Ce papier présente une approche d’évaluation d’apprenants utilisant un processus de notation
automatisé et granulaire intégré à la méthode ODALA+. Celle-ci étant une extension, par ajout
de deux modules, l’un pour le calcul de profil apprenant et l’autre pour la génération d’exercices
adaptés; de l’approche ODALA (Ontology Driven Auto-evaluation Learning Approach) que
nous avons déjà proposée et évaluée dans nos précédents travaux. Le principe de la notation
granulaire adoptée permet de relativiser les notes et paramètres de notations d’un apprenant par
rapport au «granules de connaissances» du domaine enseigné. Les «granules de connaissances »
sont introduits dans l’approche ODALA et représentent les composantes élémentaires appelées
items de connaissances dans l’ontologie proposée pour un domaine d’enseignement. Selon
l’approche ODALA+, le processus d’évaluation commence par la correction de solutions
rédigées par l’apprenant, ensuite on procède au calcul progressif de notes et paramètres. Après la
mise à jour du modèle de l’apprenant, l’étape de calcul de profil et puis la génération d’exercices
adaptés peuvent être lancées selon le besoin. Ce procédé permet aux enseignants de réagir et
d’ajuster leurs enseignements et aux apprenants d’avoir un apprentissage adapté. L’approche
proposées a été testé pour trois domaines d’enseignement en informatique : l’algorithmique de
base, les bases de données relationnelles et la recherche opérationnelle. Les expérimentations,
avec des jeux de tests et/ou avec de vrais étudiants, de la notation granulaire en tant que procédé
«manuel» et en tant que module automatisé intégré à des prototypes de système d’auto
apprentissage à distance ont donnés des résultats intéressants.
Mots Clés :
Evaluation des apprenants, notation automatisée d’apprenants, notation granulaire, évaluation
automatisée, EIAH
1. INTRODUCTION
L’évaluation intégrée à l’apprentissage vise à informer l’élève et l’enseignant de l’état
d’avancement de cet apprentissage en cours, afin d’en améliorer l’efficacité et de pallier ses
déficiences. Les travaux qui ont porté sur l’évaluation en tant que partie intégrante du processus
d’apprentissage permettent d’introduire une certaine catégorisation pouvant faciliter l’adaptation
de l’évaluation aux objectifs recherchés. En effet, une évaluation peut être d’un type différent
selon le moment où elle est effectuée, et selon l'utilisation qui en est faite ensuite. Nous pouvons
ainsi distinguer cinq types d’évaluation, les quatre premiers types étant cités dans [Bisault &
Lavarde 95] :
 l'évaluation pronostique consiste à déterminer si l’apprenant sera apte ou non à suivre un
apprentissage déterminé, un exemple approprié pourrait en être un concours d'entrée dans un
établissement,
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 97
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage




l'évaluation diagnostique repère les difficultés particulières à un apprenant ou à un groupe
d'apprenants, ce qui se rencontre particulièrement dans les tests proposés aux élèves en
difficulté dans des établissements spécialisés,
l'évaluation formative, par contre, n'est pas utilisée pour porter un jugement sur l'élève mais
pour que l'enseignant puisse adapter son cours, ou adopter une autre approche par rapport au
contenu d'enseignement qu'il souhaite transmettre en fonction des résultats qu’il obtient en
termes d’acquisition appropriée des connaissances par les apprenants,
l'évaluation sommative, qui est le type d’évaluation le plus fréquemment rencontré,
correspond à l’évaluation d’un apprentissage précis de l'apprenant. Il s’agit typiquement
d’un contrôle de connaissances dont le résultat se matérialise par une note, une qualification,
le passage dans la classe supérieure, etc.,
Enfin, pour être le plus complet sur ce point, et bien qu’il s’agisse là d’une catégorisation
différente, nous avons l’auto-évaluation, correspondant aux cas où l’apprenant (qui est
généralement un adulte) définit lui-même ses objectifs et ses normes a priori, pour pouvoir
procéder à l’évaluation du travail accompli [Ellis 07]. Il y a aussi l’évaluation certificative
qui se fait en fin de formation pour dresser le bilan des connaissances et des compétences de
l’apprenant. Ce bilan a pour fonction essentielle la délivrance d’un diplôme ou d’un certificat
attestant des capacités de ce dernier.
Si l’essentiel est d’aider l’apprenant à repérer, analyser et comprendre ses erreurs pour ne plus
les commettre, l’évaluation doit disposer d’un modèle théorique rendant possible cette analyse.
Dans les environnements informatiques d’apprentissage humain (EIAH), la problématique et
l’intérêt sont d’avoir une évaluation automatisée pour renforcer les possibilités d’autoapprentissage. Or les systèmes qui ont abordés ce problème en e-learning ou dans les EIAH de
types tuteurs intelligents proposent des méthodes et techniques pour un domaine spécifique à
priori [Jean 00] [Horacek & Wolska 06] et rarement avec un modèle de notation automatisé
tenant compte de l’utilisation de questions ouvertes résolues librement par l’apprenant. Or de
fait, l'évaluation des connaissances et des compétences de l'apprenant en résolution de problèmes
demeure un aspect fondamental de tout système de formation [Labat 02].
Dans le contexte de l’auto-apprentissage auquel nous nous intéressons, il s’agit de réfléchir une
combinaison rendant possible une évaluation sommative et formative (calculs de notes et «
inventaire » des compétences acquises) sans exclure la possibilité d’une évaluation pronostique
(pour les sessions initiales des nouveaux apprenants) et l’évaluation diagnostique pour une
éventuelle recherche d’une difficulté particulière, en cas d’échec scolaire par exemple, relative à
un élément du domaine à enseigner. Il convient toutefois de relever que quelle qu’en soit
l’appellation, tous les types d’évaluation correspondent de fait à une approche diagnostique dont
le résultat est une appréciation quantitative et/ou qualitative de l’atteinte des objectifs d’un ou
plusieurs intervenants au sein du processus observé.
Dans un EIAH destiné à l’auto apprentissage, le diagnostic est défini comme étant le processus
assuré par un module automatisé permettant d’analyser et/ou de détecter les erreurs éventuelles
dans le comportement et/ou les réponses des apprenants. Selon que l’analyse porte sur le
comportement ou les réponses, on distingue dans [Wenger 87] les deux types de diagnostics
suivants : le diagnostic comportemental qui porte sur le comportement de l'apprenant dans
l'utilisation du logiciel, observé par le logiciel lui-même. On retrouve ce type de diagnostic dans
le système ROBOTEACH [Després & Leroux 97] et dans [Baker & al 04] par exemple. Le
deuxième type est le diagnostic cognitif qui cherche à identifier les connaissances des
apprenants portées dans un modèle de l'apprenant. Dans ce cas, on cherche à détecter ce que
l’apprenant a acquis (ou n’a pas acquis) par analyse et correction de ses solutions. C’est ce que
nous retrouvons par exemple dans PEPITE [Jean 00] et [Horacek & Wolska 06]. Pour ce qui
nous concerne, nous nous intéressons à ce dernier type de diagnostic.
Après une brève introduction à ODALA+ dans le deuxième point, la notation granulaire et son
utilisation dans le processus d’évaluation d’ODALA+ sont successivement présentés au niveau
des points trois et quatre. Ensuite, avant de conclure, nous discutons les tests d’évaluation de
nos propositions au niveau du cinquième point.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 98
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
2. L’APPROCHE D’EVALUATION BASEE ONTOLOGIE ODALA+
L’approche d’évaluation ODALA [Bouarab-Dahmani & al. 2009a] propose une méthodologie et
des techniques pour le développement d’un système d’évaluation basé sur l’ontologie du
domaine d’enseignement Onto-TDM3. Cette approche met à la disposition des concepteurs
d’EIAH en mode apprentissage par l’exercice un moyen d’aborder le développement du
système d’évaluation selon deux points de vue : celui du concepteur et celui de l’utilisateur
[Bouarab-Dahmani 10]. L’approche ODALA+ est l’extension d’ODALA pour le développement
d’un système d’évaluation avec génération d’exercices adaptés au profil apprenant. Cette
extension consiste en l’ajout de deux étapes concernant respectivement le calcul de profil
apprenant [Bouarab-Dahmani & al. 11a] et la génération d’exercices adaptés [BouarabDahmani & al. 11b] en plus des quatre étapes comprenant : analyse de la forme, analyse du
fond, calcul de notes et mise à jour du modèle de l’apprenant.
3. LA NOTATION GRANULAIRE EN APPRENTISSAGE PAR L’EXERCICE
La notation est la partie de l’évaluation qui exprime un bilan quantitatif de la correction des
solutions proposées par un apprenant. Elle est basée sur le calcul d’un ensemble de
paramètres qui permettront au pédagogue d’apprécier correctement les capacités de
l’apprenant par rapport aux objectifs pédagogiques fixés. La notation doit aussi avoir une
méthode pour donner la capacité d’appréciation de l’apprenant à différents niveaux de détails
du domaine enseigné.
Le processus de notation automatique que nous proposons se fonde sur le principe de la
notation granulaire et sur un ensemble de formules polynomiales utilisant les résultats du
diagnostic des erreurs à la suite de la résolution d’exercices par l’apprenant.
La notation granulaire est inspirée par le concept de note granulaire lui-même issue du concept
de notion granulaire donc d’item de connaissance que nous avons déjà défini pour la
représentation de domaines d’enseignement [Bouarab-Dahmani & al. 08]. La note granulaire est
calculée pour un item de connaissance (IC) quand celui ci est évalué par un exercice résolu par
l’apprenant durant une session d’apprentissage.
Partant de cette note que nous appelons note d’IC dans un exercice, nous calculons, par « effet
miroir » par rapport à la décomposition du domaine à enseigner (cf. Figure 1), des notes donc
des appréciations de l’apprenant par rapport à d’autres composantes du domaine notamment les
exercices, les notions de plus haut niveau de la hiérarchie de décomposition du domaine, …
Nous appelons ce phénomène, la propagation de l’évaluation de l’apprenant dans le domaine.
Ainsi un exercice donné, est noté en utilisant la notation de chaque IC qu’il évalue. De même, on
déduit, après résolution d’un ou plusieurs exercices, ce que nous appelons l’indice de
compréhension [Bouarab-Dahmani & al. 10] correspondant à chaque IC. Cet indice, important
dans la mesure où le but du processus de notation est d’apprécier la maîtrise de chaque IC, est
calculé d’une façon incrémentale, c’est à dire que tout nouvel exercice traité par l’apprenant
3
Ontology for Teaching Domain Modelling
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 99
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
référençant le même IC, permet d’en obtenir une notation plus précise, après application d’une
fonction de calcul.
La notation granulaire donne à l’enseignant ou en général au superviseur de l’enseignement le
pouvoir d’apprécier la progression de l’apprenant à des niveaux de détails différents selon le
besoin, un peu comme la fonction «Zoom » de certains éditeurs qui font voir de plus prés
certains détails au moment voulu. La mise en œuvre de cette notation granulaire est réalisée
grâce à un ensemble de formules polynomiales de calculs. Parmi ces formules de calcul de
notes [Bouarab-Dahmani & al. 09b] [Bouarab-Dahmani 10], nous avons les deux exemples
suivants :

Note d’un IC par rapport à un exercice (note granulaire) : Nij, qui est la note de l’IC ICi
évoqué dans l’exercice Exoj, dépend du nombre NDij d’erreurs détectées sur cet IC, et du
nombre total NTi d’erreurs référencées dans la base d’erreurs et qui sont reliées à cet IC.
Ainsi pour chaque exercice résolu par l’apprenant et qui évalue cet item IC, celui-ci aura
une note. La formule proposée est la suivante :
jN
IndN Li  (  ( IndN
(L - 1)j
/ N )) Avec 0 <= Nij <= 1 et NTi >0
j 1
Figure 1. « Effet Miroir » entre notes calculées et hiérarchie de décomposition du domaine
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 100
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage

Note d’une notion : La note d’une notion dépend des notes de ses notions composantes
définies par l’ontologie. Ainsi les notes des notions du premier niveau de l’arbre de
composition d’un domaine (qui a pour feuilles les items de connaissances) vont se calculer
à base des notes des IC. En posant l’hypothèse (du moins à ce stade de nos recherches) que
les composantes d’une notions ne sont pas pondérées autrement dit ont toutes le même
degré d’importance pour la notion, NNLj, la note de la notion j du niveau L de l’arbre de
composition du domaine est la moyenne des notes de ses composantes du niveau L-1
donnée par la formule suivante :
NN
Lj

i  NICj

NN
(L - 1)ij
/NICj ; NICj étant le nombre de composantes de la notion j.
i 1
Nous noterons toutefois que la note d’une notion avant la fin de l’apprentissage de tout le
domaine peut être incomplète.
4. EVALUATION AUTOMATISEE BASEE SUR LA NOTATION GRANULAIRE
Le modèle de l’apprenant permet de disposer d'informations sur les aptitudes, les
connaissances et les lacunes propres à chaque apprenant. L’objectif de la construction de ce
modèle est donc de guider le tuteur à prendre les décisions d’enseignement les mieux
adaptées à l’apprenant [Tchétagni & Nkambo 02]. Le processus d’adaptation correspond
essentiellement à un filtrage de ressources [Bouzeghoub & al. 05] qui se base sur un ensemble
de paramètres relatifs à l’état des connaissances de l’apprenant, à ses comportements et
préférences, ainsi qu’aux objectifs des sessions d’apprentissage. Dans ce cadre, le processus
d’évaluation que nous venons de présenter permet d’obtenir des informations sur l’état des
connaissances de l’apprenant au fur et à mesure de l’apprentissage.
Nous proposons donc de répercuter les informations ainsi obtenues (erreurs détectées, indices
de compréhension de l’apprenant, notes, …) sur le modèle de l’apprenant à travers la définition
de différentes structures. Parmi ces structures, nous avons notamment les matrices suivantes :




La matrice des erreurs : qui affecte, pour chaque apprenant, sa liste des codes des erreurs
détectées pour chaque exercice résolu.
La matrice de compréhension des IC : affecte, pour chaque apprenant, la valeur de son
indice de compréhension relativement à chaque IC.
La matrice d’exercices : qui indique pour chaque exercice et chaque apprenant la note
obtenue.
La matrice finale de compréhension des notions : indique pour chaque notion et chaque
apprenant l’indice de compréhension de la notion à la dernière session.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 101
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
D’autre part, par le phénomène de propagation, nous pouvons avoir une estimation des acquis de
l’apprenant, ce qui permet de faire de l’évaluation sommative en se basant objectivement sur
toutes les composantes du domaine déjà enseignées.
5. MISE EN PRATIQUE ET EVALUATION DE NOS PROPOSITIONS
Il est évident que la synthèse des notes granulaires donc correspondants à différents items de
connaissances, pour différents apprenants et différentes sessions est un travail à automatiser. En
effet, il est pratiquement impossible pour un enseignant humain, en dehors d’une évaluation
diagnostic concernant un cas particulier d’apprenant en difficulté face à certaines notions, de
réaliser cette synthèse. En effet 100% des enseignants auxquels nous avons demandé l’avis sur
la possibilité de réaliser cette synthèse (soit environ 200 enseignants de notre université) ont
répondu par non. Cependant, 100% des enseignants pensent que ce serait très intéressant,
notamment pour une évaluation formative et diagnostique des apprenants.
D’autre part, nous avons appliqué le principe de la notation granulaire (en ayant un barème
détaillé et relatif aux notions) lors de la correction manuelles des copies des étudiants pour les
différents modules suivants : algorithmique et programmation Pascal, bases de données, exposé
de travaux pratiques, statistiques et probabilité, informatique générale,… pour différents cursus
(ingénieurs, DEUA, Licence LMD et Master LMD) et nous avons estimé le taux de satisfaction
des étudiants à 97 % contre 60 % si on n’adopte pas le principe de la notation granulaire.
Notre approche a aussi fait l’objet d’implémentation sous formes de prototypes
respectivement réalisés pour les domaines d’application choisis parmi les modules de la
discipline informatique. Ce sont :



Le système WebSiela (Système Intelligent d’Enseignement d’un Langage Algorithmique via
le Web) est un environnement d’auto-apprentissage à distance d’un pseudo-langage
algorithmique en Français pour des débutants en programmation du premier cycle
universitaire. Ce système est à son quatrième prototype pour à chaque fois intégré une
amélioration ou extension suite aux différentes expérimentations [Bouarab-Dahmani & al.
08] [Bouarab-Dahmani & al. 09b] auxquelles il était soumis.
Le système RDB-E-Learn (Relational DataBases E-learning) est un environnement d’autoapprentissage à distance destiné, à ce niveau de réalisation essentiellement pour des
exercices sur l’algèbre relationnelle donc pour la manipulation d’une BDDR. Ce système est
à la version 3 et en cours d’extensions suite aux différentes experimentations [BouarabDahmani & al. 10].
Le Système E-Learn-RO destiné pour le e-learning de la recherche opérationnelle est, à sa
première version, destinée pour la théorie des graphes. Son évaluation est en cours de
finalisation.
Les deux premiers prototypes ont été expérimentés avec des jeux de tests et avec de vrais
étudiants et ont donné des résultats intéressants.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 102
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
6. CONCLUSION
Nous avons présenté dans cet article une évaluation automatisée utilisant le principe de la
notation granulaire. Cette proposition est une partie de l’approche ODALA+ qui est une
approche d’évaluation basée ontologie particulièrement applicable pour l’apprentissage par
l’exercice. Parmi les apports de cette approche, nous avons le processus de notation automatisée
utilisant le phénomène de propagation de notes lui-même basé sur des notes granulaires. Ces
dernières sont affectées à des granules de connaissances faisant partie du domaine
d’enseignement qui sont présentés à l’apprenant avant de lui générer des exercices évaluant ses
connaissances.
Les résultats de cette évaluation permettent d’une part de détecter les points d’echec des
apprenants relativement aux composantes du domaine ce qui permet à l’équipe pédagogique de
réagir rapidement et avec précision sur la base des lacunes observées. En effet, nous avons
observé lors de nos expérimentations que la motivation des étudiants est visiblement plus grande
à l’apprentissage quand on leurs présente les bilans des sessions où les notions acquises et celles
non acquises sont montrées. Ainsi, les apprenants se mettent en concurrence avec eux même vis
a vis du système automatisé d’auto-apprentissage pour diminuer le nombre des non acquis.
Parmi les perspectives de recherches immédiates, le développement d’un module d’évaluation
formative utilisable pour différents domaines et indépendant de la correction automatique, qu’un
enseignant peut actionner, partant des erreurs d’un apprenant, pour avoir une vue détaillée ou
synthétique sur la progression de ses apprenants.
7. BIBLIOGRAPHIE
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[Bisault & Lavarde 95] : Bisault J., Lavarde, A. Le mémoire en IUFM : Théorie et pratique,
Beauvex cedex, CDDP Oise, 1995, 104 p, ISBN2903729700.
[Baker & al 04] : Baker, R. S., Corbett, A. T., & Koedinger, K. R. 2004. Detecting student
misuse of intelligent tutoring systems. ITS 2004, LNCS 3220, 531-540.
[Bouarab-Dahmani & al. 08] : Bouarab-Dahmani F., Si-Mohammed M., Comparot C. &
Charrel. P. J. Evaluating the learner’s state of knowledge when he/she is learning by doing,
IADIS International Conference IADIS CELDA 2008, Freiburg, Germany, October 13-15,
2008.
[Bouarab-Dahmani & al. 09a] : Bouarab-Dahmani F., Si-Mohammed M., Comparot C. &
Charrel P. J. ODALA, an ontological model for automated evaluating of learner knowledge:
Application to Teaching of Algorithms, E-case-2009 (E-education Track) International
Conference, Singapore, Janvier 08-10, 2009. Article classé “distingué” avec un certificat du
comité de la conférence.
[Bouarab-Dahmani & al. 09b] : Bouarab-Dahmani F., Si-Mohammed M., Comparot C. &
Charrel P. J. Learners automated evaluation with the ODALA approach, ACM-SAC2009
(Human Computer Interaction Track) International Conference, Honolulu, Hawaii, USA,
March 08-12, 2009.
[Bouarab-Dahmani & al. 10] : Bouarab-Dahmani F., Si-Mohammed M., Comparot C. &
Charrel P. J. Automated Evaluation of Learners with the ODALA Approach: Application to
Relational Databases E-learning, International journal of computational intelligence systems,
IJCIS, Vol.3, N. 3, (September 2010), 357-369, published by Atlantis press.
[Bouarab-Dahmani 10] : Bouarab-Dahmani F. Modélisation basée ontologies pour
l’apprentissage interactif - Application à l’évaluation des connaissances de l’apprenant.
Thèse de DOCTORAT en informatique soutenue à l’UMM de Tizi Ouzou en 2010.
[Bouarab-Dahmani & al. 11a] : Farida Bouarab-Dahmani, Malik Si-Mohammed, Pierre Jean
Charrel & Catherine Comparot. Calcul de Profil Apprenant pour une Génération d’Exercices
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 103
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Adaptés en E-Learning by Doing, international conference on information systems and
technologies, ICIST’2011, Tebessa, Algerie, Avril 24-26, 2011.
[9] [Bouarab-Dahmani & al. 11b] : Farida Bouarab-Dahmani, Malik Si-Mohammed, Catherine
Comparot, Pierre-Jean Charrel. Adaptive Exercises Generation using an Automated
Evaluation and a Domain Ontology: The ODALA+ Approach, International journal of
emerging technologies in learning, IJET, Vol.6, Issue 2, June 2011, 4-10,
doi:10.3991/ijet.v6i2.1562.
[10] [Bouzeghoub & al. 05] : Bouzeghoub A., Defude B., Duitama J.F., Lecocq C. Un modèle de
description sémantique de ressources pédagogiques basée sur une ontologie de domaine,
Revue Sticef, volume 12, 2005.
[11] [Després & Leroux 97] : Després C., Leroux P. Raisonner sur la trace : Analyse de sessions
avec l'application ROBOTEACH, Actes des 5èmes journées EIAO de Cachan, Hermès, pp.
277-288, 1997.
[12] [Ellis 07] : Ellis H. J.C. An Assessment of a Self-Directed Learning Approach in a Graduate
Web Application Design and Development Course, IEEE Tansactions on education, Vol. 50,
N° 1, February 2007.
[13] [Horacek et Wolska 06] : Horacek H., Wolska M. Handling errors in mathematical formulas,
in ITS 2006, LNCS 4053, PP 339-348, 2006.
[14] [Jean 00] : Jean S. Pépite, un système d’assistance au diagnostic des compétences ”, thèse
de doctorat de l’Université du Maine, 2000
[15] [Labat 02] : Labat J. M. EIAH : Quel retour d’information pour le tuteur, Conférence TICE,
2002, P. 81-87, Novembre 2002.
[16] [Tchétagni & Nkambou 02] : Tchétagni J . M. P., Nkambou R. Hierarchical representation
and evaluation of the student in an intelligent tutoring system, ITS 2002, LNCS 2363, pp
708-717.
[17] [Wenger 87] : Wenger E. Artificial Intelligence and Tutoring Systems, Computational and
Cognitive Approaches to the Communication of Knowledge, Morgan Kaufmann Publishers
Inc., Los Altos, 1987.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 104
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Meaningful Evaluation of Learners’ Algorithmic Solutions
Anis Bey, Tahar Bensebaa
Laboratory of Research in Computer Science (LRI)
University of BadjiMokhtar, Algeria
[email protected] , [email protected]
Abstract: Learning to program is a relevant subject for students of Computer Science. In this
paper, we present an assessment method based on “Learning by doing” approach to improve
algorithmic skills of students. An approach of program understanding is used for modeling. The
aim of this approach is to provide a formative and diagnostic assessment in order to empower
learners to acquire algorithmic problem-solving skills. Even if it has been conceived for
algorithmic competencies assessment, this approach can easily be adapted to any field for
assessing a procedural knowledge.
Keywords:
Diagnostic and formative assessment, program understanding approach, algorithmic problemsolving skills.
1
INTRODUCTION
Algorithm is a domain which fosters, especially, acquisition of a method of work and reflection,
and development of analyze abilities, of abstraction, of anticipation and logic [Müldner, 2003].
It is the kernel of any training of a computer scientist. It is also a material which has often been a
source of problem for teachers and students. For teachers, because they have to find adequate
methods to do assimilating abstract concepts to students who are only in their initiation phase.
For students, algorithm, unlikely to other sciences such as physic, doesn’t offer for beginner an
artless model viable of computer, which they can use it as a base to construct mental models
more sophisticated. On the contrary, the experience student with this seems to favor an
anthropomorphic modeling, which do not allow student to understand the brute error return
which it confronted in the beginning of her/his algorithmic practice [Caignaert, 1988].
This finding is not recent. Since longtime, many experienced teachers in many universities have
been in spite of their experience confronted to difficulties of their students face this material.
Consequently, a very high dropout rate or failure is engendered during programming course, at
the first cycle of university, which varies between 25 and 80% around the world as evidenced by
Kaasboll in [Kaasboll, 2002] and many students need to retake the course.
This situation drove several specialists to study and to strive to understand the reasons of this
problem [Soloway, 1983]
[McCracken, 2001][Lister, 2008].They show up that these difficulties are related principally to
the nature of this field and situated mainly at the abstraction level of its concepts. This
abstraction prevents students to rely on real model to assimilate.Developing solutions to
algorithmic problems constitutes a major challenge for novices taking a CS1 course. Students
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 105
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
have difficulties in formulating an idea for a solution, recognizing similarities among problems,
and identifying familiar subtasks in a compound problem; consequently, they frequently end up
with incorrect and cumbersome algorithms [Deek, 2000][Robins, 2003]. Unfortunately, students
are often overwhelmed by the many new ideas and details they need to comprehend in this short
period of time.
At our university, the problem is more eloquent. The alarming failure rate (about 70%) of
students in algorithmic material had finished by constituting a bottleneck in their progression at
the 2nd to the 3rd year of license (the first cycle of university Computer Science CS). The study
done by [Bensalem, 2010], initiated by the research group in TEL of Laboratory of Research in
Computer Science, confirm all the inherent difficulties and that students have a difficulty to get
around. For this reason, we recommended to address to Information and Communication
Technology ICT in order to improve the training quality and to search how constraints of
classroom formation can be creatively liberating and thus reduce the drop-out rate. In this sense,
our research group advocated the development of a TEL environment of algorithm able to
supervise and to accompany disoriented students in algorithm.
In this paper, we will discuss our research framework where we will introduce the difficulties of
algorithmic and assessment in algorithmic. After that, in section 3, we propose our approach and
the demarche followed for modeling and developing the assessment approach.
The fourth section presents the improvement of the approach. The paper is ended by a
conclusion and a future work.
2
RESEARCH FRAMEWORK
The project where inscribes this work aspires the improvement of learning algorithmic at the
university of BadjiMokhtar Annaba in Algeria. Based on learning by solving problem, this
project aims to conceive a learning environment dedicated. It has as major goals giving
responsibility to learners and bringing them to take aware of their insufficiencies in knowledge
to understand, to practice for algorithmic thinking and to train for algorithmic problem solving
skills.
In this project, we look after the assessment of competencies of algorithmic conception. For
learner, this requirement to acquire problem solving skills is fundamental [Deek, 1998][Ragonis,
2005]. The survey shows that many existent environments learning for algorithmic are focused
on programming, i.e. how to write a set of instruction to resolve a problem, and that in the few
works about algorithmic, assessment has been misconstrued and sometimes reduced to its simple
expression (Multiple Choice Questions ‘MCQ’ …). Even if several methods and tools have been
devoted to the assessment in TEL environment, they suffer insufficiency. This insufficiency is
characterized either by inefficacity, doubtful result, or by uniqueness, i.e. they can’t be applied
into all fields (e.g. we can’t assess algorithmic skills using MCQ). However, the positive impact
of an appropriate assessment on learning is guaranteed [Lasnier, 2000][Bull, 1999][Durand,
2006]. With an appropriate assessment we mean an effective assessment which aims depth
learning, detection of progress and learners gaps.
It’s important to remember that assessment holds a preponderant place in large number of
pedagogical activities [Lorrie, 2000]. Assessment in learning at classroom or in a Technology
Enhanced Learning (TEL) environment was always source of ambiguity among evaluator and
learner, and sometimes among evaluators themselves. Thus, assessment is rarely considered
because it is often absent and obsolete [Woods, 1995]. Nevertheless, it is an integrate process in
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 106
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
pedagogy. Furthermore, assessment is not restricted to attribute a mark, although this is
important as far as we want to quantify skills. Evaluation constitutes a guide hall for learner’s
progression and intervenes in the interaction level between teacher and learner to optimize the
transfer and the purchase of knowledge, skills and practices. It overtakes so theoretical
framework. So, its importance is capital.
In addition, algorithmic is characterized by the multitude of solution for a given problem. This
characteristic increases exponentially the assessment process in learning systems; it’s a difficult
task to expert of field to find all possible solution for a given problem in order to integrate them
in the solution basis (indeed, expert human always forgets them).
Through this ensemble of obstacles that we can measure the size of difficulties toward pass
round to strive for automatic assessment of algorithmic competencies.
3
AN APPOACH OF UNDERSTANDING PROGRAMS
DIAGNOTIC ASSESSMENT
FOR FORMATIVE-
Program understanding has been frequently defined as a recognition process of program plans in
a fragment of source code [Quilici, 1994][Kozaczynski, 1994][Wills, 1990].Research works on
program understanding have as goals to identify conceptual information and to develop concepts
and extraction tools from existent and operational systems. Two types of extraction concepts
have been identified: program plans and program slice. The first linked to tasks implemented by
a program, the second concerns the execution behavior of a program.
Our aim is the definitional aspect of a solution and the manner for solving problem. The
comprehension oriented task constitutes an interesting approach for our problem. This approach
requires knowledge basis containing a set of standard forms (tasks description). These standards
forms are represented under canonical form using the formalism of plan. A program plan
corresponds to a fragment of code which achieves a stereotyped action.
In program diagnostic approaches based on the concept of plan, a program is seen like a set of
tasks to make. The set of implicit tasks in the program constitutes the conception of the last one.
Semantically, a program contains implicitly a high level of abstract concepts and contains
explicitly language concepts.
Indeed, every task corresponds to an abstract concept. We call a program plan a description of
correspondences between a task and its sequence of instructions [Quilici, 1994]. In other words,
a program plan is a recognition rule of an abstract concept from language concepts specified in
source code.
A plan is defined as following:
Plan
c (list of attributs)
Consist of
cc1, cc2... ccn
Such that
e1, e2... er
Where:
C: represents the name the plan with a list of attributes;
Consist of: regroups components of the plan;
Such that: constraints representing the different dependences between the different components
of the plan,
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 107
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
In our case, the plan becomes a description of correspondence between a task (problem to
resolve) and its operation sequence instead a sequence of instructions, i.e. instead using only
instructions like a component in the plan, it is possible to use also a high level of operations.
Thus, the plan components (cc1, cc2… ccn) represent either basic operation BO which are high
level concepts, or elementary operations EO, or also other tasks. The following example
illustrates a plan of a counter.
Plan counter (c:?c, test:?test, body:?body);
/*c, test and body represent attributes of the plan*/
Consist of
EO: Init-counter: zero (var:?c);
/* initialization of the counter */
EO: Inc-counter: increment (var:?c);
/* to increment the counter */
BO Repeat: loop (test:?test, body: ?body);
/*loop repetition*/
Such that
Init-com: Control-flow (Init-counter, Repeat);
Flow1-of-counter: Data-dep (Inc-counter, Init-
counter,?c);
Flow2-of-counter: Data-dep (repeat, inc-counter,?c);
The dependences considered in constructing of the program plans are data flow and control
dependencies while connecting concepts between them to form a high level concepts. These
relations are described as predefined functions can be assessed true or false.
Our aim is not assessing language concepts (the set of instructions), but assessing the high level
abstract concepts which are used to resolve a problem, i.e. to externalize the abstract concepts
used (Research, Deleting, etc.) as plan components and their organizations (operation chaining
and constraints) to assess algorithmic problem solving skills of learner.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 108
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
3.1
A solution basis
These new solutions (using the formalism of plan) constitute now the solutions basis. It
describes tasks which resolve problems in term of basic and elementary operations or also using
another task (see Fig. 4).
Figure 1.
3.2
Bunch of solutions and their canonical representation
Library of basic operations
The basic operations used in the conception of a solution, are regrouped in a library. A basic
operation has parameters which are used in the unification during the plan recognition in the
assessment phase. The structure of a basic operation is defined as following:
Name-operation (list of parameters);
3.3
Looking for the referent plan to assess
Fig. 2 resumes the assessment script. Firstly, learner conceives a solution plan using three types
of bloc: BO bloc, EO bloc or control structure bloc. The syntax used to define a bloc is a pseudo
code. After that, this solution is translated to a plan separating operations from their constraints.
The research of the most similar plan to the learner’s solution in the solution basis passes by
measuring the similarity between the learner’s plan and the basis’s plans using Jaccard similarity
coefficient [Jaccard, 1901]. The Jaccard coefficient measures similarity between sample sets,
and is defined as the size of the intersection divided by the size of the union of the sample sets
(1). Two sets A and B, the coefficient is:
S  J ( A, B) 
A B
A B
(1)
To compare two plans, we must measure the similarity coefficient between components and
constraints of the first plan like one set (A), and components and constraints of the second plan
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 109
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
like another set (B). The comparison is done by comparing the learner’s plan with all plans of
the treated problem and which have higher similarity index is a candidate to be the referent plan.
Figure 2.
Assessment script
The referent plan is selected only if the similarity index is superior to the threshold fixed by
teacher. In this case, the solution proposed by learner is recognized. And in order to diagnosis
the learner’s solution, we have to measure two similarity (using Jaccard coefficient). On the one
hand, the first similarity S1 is between the components of learner’s plan and components of the
referent plan, and on the other hand, the second similarity S2 is between the constraints of each
one. This matching between components and constraints allow us to know if learner has made
the error at the level of choosing the appropriate operation to resolve the problem or at the level
of control structures to link operations.
Using this sub-matching after looking for the referent plan helps to diagnosis gaps of learners
and to differentiate between the skills of solving problem and the knowledge used to resolve a
problem.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 110
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
4
CONCLUSION AND FUTURE WORK
The proposed approach is an assessment approach of algorithmic competencies and specially
knowledge which intervenes in solving problems. The provided assessment is formative (to aid
learner to progress) and summative (to quantify competences and knowledge really owned and
to attribute a mark) assessment.
Each proposed demarche is assessed automatically or by a human expert (Deferred assessment).
In the last case, the solution proposed by learner may be enrich (if expert judges it interesting)
the solution basis.
Even if it has been conceived for algorithmic competencies assessment, this approach can easily
be adapted in any field which manipulates procedural knowledge (know how).
5
REFERENCES
[Müldner, 2003] Müldner T., Shakshuki E. (2003). Teaching Students to Implement
Algorithms. JodreySchool of Computer Science, AcadiaUniversity. TR-2003-03.
[19] [Caignaert, 1988]Caignaert C. (1988). Etude de l’évolution des méthodes d’apprentissage et
de programmation. Le bulletin de l’EPI N°50.
[20] [Kaasboll, 2002]Kaasboll J. (2002). Learning Programming. University of Oslo.
[21] [Soloway, 1983]Soloway E., Bonar J., Ehrlich K.. (1983). Cognitive strategies and looping
constructs: an empirical study. Communications of the ACM, Vol. 26, n° 11, p. 853–860.
[22] [McCracken, 2001]McCracken M., Almastrum V., Diaz D., Guzdial M., Hagan D., Kolikant
D., Laver C., Thomas L., Utting I., Wilusz T. (2001). A multi-national, multi-institutional
study of assessment of programming skills of first-year CS students. ACM SigcseBullettin,
Vol. 33, n°4, p. 125-140.
[23] [Lister, 2008]Lister R., Adams E., Fitzgerald S., Fone W., Hamer J., Lindholm M., et al.
(2008). A multinational study of reading and tracing skills in novice programmers. Working
group reports from ITiCSE’04 on Innovation and technology in computer science education.
ACM Digital Library, p.119–150.
[24] [Deek, 2000]Deek, F.P., & McHugh, J. (2000). Problem-solving methodologies and the
development of critical thinking skills. Journal of Computer Science Education, 14(1-2), 612.
[25] [Robins, 2003]Robins, A., Rountree, J., &Rountree, N. (2003). Learning and teaching
programming: a review and discussion. Computer Science Education, 13(2), 137-172.
[26] [Bensalem, 2010]Bensalem H., Bensebaa T. (2010). Contribution to the improvement of
learning algorithmic. 10th International Educational Technology Conference (IETC) 2010,
Istanbul, Turkey, April 26-28, 2010.
[27] [Deek, 1998]Deek F. P., McHugh J. A. (1998). A survey and critical analysis of tools for
learning programming. Computer Science Education, Vol.8, n°2, p. 130-178.
[28] [Ragonis, 2005]Ragonis N., Ben-Ari M. (2005). A long-term investigation of the
comprehension of OOP concepts by novices. Computer Science Education, Vol. 15, n°3, p.
203-221.
[29] [Lasnier, 2000]Lasnier F. (2000). Réussir la formation par compétences. Montréal, Guérin.
[30] [Bull, 1999]Bull J. (1999). Computer-Assisted Assessment: Impact on Higher Education
Institutions? Journal of Educational Technology and Society, Vol. 3, n°2, p.123-126.
[18]
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 111
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
[Durand, 2006]Durand G., Martel C. (2006). Vers une scénarisation de l'évaluation en
EIAH. 1ères Rencontres Jeunes Chercheurs sur les Environnements Informatiques pour
l’Apprentissage Humain, RJCEIAH.
[32] [Lorrie, 2000]Lorrie A. Shepard. (2000). The Role of Classroom Assessment in Teaching
and Learning. CSE Technical Report---517 CRESST/University of Colorado at Boulder.
[33] [Woods, 1995]Woods S., Yang Q. (1995). Program understanding as constraint satisfaction.
Proceedings of the IEEE Seventh International Workshop on Computer-Aided Software
Engineering, Toronto, Ontario, Canada, p. 318–327.
[34] [Quilici, 1994]Quilici A. (1994). A memory-based approach to recognizing programming
plans. Communications of the ACM, Vol. 37, p. 84–93.
[35] [Kozaczynski, 1994]Kozaczynski W., Ning, J. (1994). Automated program understanding by
concept recognition, Automated Software Engineering, Vol. 1, p. 61-78.
[36] [Wills, 1990]Wills L. M. (1990). Automated program recognition: a feasibility
demonstration. Artificial Intelligence, Vol. 45, p. 113–172.
[37] [Jaccard, 1901]Jaccard P. (1901). Étude comparative de la distribution florale dans une
portion des Alpes et des Jura, Bulletin de la Société Vaudoise des Sciences Naturelles 37:
547–579.
[31]
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 112
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Une architecture basée agents pour la recherche d'informations
pertinentes et personnalisées dans les systèmes éducatifs
Dridi Ouarda
Laboratoire LIRE, Université Mentouri de Constantine, Algérie
Centre Universitaire Mohamed Cherif Messadia, Souk-Ahras
[email protected]
Résumé :
Actuellement, on assiste à la construction de sites Web des universités ou de systèmes éducatifs
basés sur le Web et qui peuvent être considérés comme des bases importantes d’informations
intégrant plusieurs sources de données hétérogènes accessibles par les étudiants à travers le
Web. L'enjeu est d'assurer l'accès à l'ensemble des données, en préservant la transparence et la
cohérence de l'ensemble des informations surtout pour des étudiants non expérimentés qui se
trouvent confrontés d'une part aux problèmes structurels et sémantiques de chaque site et d'autre
part aux contraintes de distribution. Dans cet article, nous proposons une architecture générique
basée agents pour la recherche et l’extraction d’informations pertinentes et personnalisées dans
un SIW comportant des concepts nécessaires pour la recherche et l’extraction d’informations
pertinentes dans un environnement ouvert tel que le web.
Mots Clés :
Personnalisation, Recherche d'information, Systèmes éducatifs, Systèmes multi agents,
Système d'information basé Web.
1. INTRODUCTION
Afin de faciliter aux utilisateurs des environnements d’enseignement basés Web, la recherche
d’informations pertinentes, plusieurs techniques sont mises en œuvre dans un système qui se
base sur une approche agent. Une architecture générique comportant tous les aspects nécessaires
pour la recherche d’informations pertinentes dans un système d’informations basé Web pourrait
être un noyau pour une diversité de systèmes éducatifs, c'est-à-dire qu’un développeur de
didacticiels peut utiliser cette architecture comme référence pour développer un logiciel éducatif
basé Web. Il est clair que quel que soit le domaine d’activité, la recherche d’informations
pertinentes et personnalisées reste une fonction constante et indispensable pour un utilisateur.
Par ailleurs, les systèmes multiagents, sont devenus un paradigme dominant dans le domaine du
développement des systèmes distribués, complexes, coopératifs et intelligents. Dans cet article,
nous proposons une architecture basée agents, comportant des concepts nécessaires pour la
recherche et l’extraction d’informations pertinentes et personnalisées dans un système éducatif
basé Web. Parmi les problèmes principaux dans le domaine des systèmes éducatifs basés Web,
on peut citer le problème d’accès à des sources d'informations distribuées et hétérogènes, ce qui
rend difficile et fastidieuse l’obtention de ressources pédagogiques, parfois nécessaires pour la
compréhension des concepts. Néanmoins, cet accès permet aux étudiants d’obtenir des
informations et des ressources nécessaires à partir de leurs postes de travail, d'une façon simple
et transparente. Ainsi l'intégration des données et la recherche d'informations pertinentes sont
devenues des plus importants axes de recherche dans le domaine des systèmes d'informations
dédiés à l’enseignement. L'enjeu est d'assurer l'accès à l'ensemble des données, en préservant la
transparence et la cohérence de l'ensemble des informations surtout pour des apprenants non
expérimentés. Mais cette volonté est confrontée à plusieurs problèmes et obstacles. Ces derniers
sont dus principalement aux contraintes de distribution d'une part, et aux problèmes structurels
et sémantiques de chaque site, d'autre part. Notre objectif est donc de proposer une architecture
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 113
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
basée agent pour la recherche et l’extraction d’informations pertinentes et personnalisées dans le
domaine éducatif. Cette architecture est basée sur des agents fixes et mobiles capables
d’apporter des solutions adaptées à cette catégorie de problèmes.
2. ETAT DE L’ART
Avec l’expansion du Web et la place qu’elle a pris au sein des systèmes éducatifs, l’utilisation
des logiciels capables d’opérer sur des sources d’informations hétérogènes placées dans un
environnement ouvert et dynamiques devient plus que nécessaire. L’accès aux sources
d’information distribuées et hétérogènes par les apprenant nécessite des mécanismes
d’intégration de données et des processus de recherche d’informations pertinentes dans le Web.
L’obtention des ressources doit préserver la transparence et la cohérence de l'ensemble des
informations surtout que les apprenants se trouvent confrontés d'une part aux problèmes
structurels et sémantiques de chaque site et d'autre part aux contraintes de distribution. Seule une
approche globale et cohérente, peut permettre la mise en place d’un plan de recherche et
d’extraction efficace et qui assure des résultats pertinents et personnalisés.
2.1 Recherche d’informations personnalisées dans les environnements éducatifs
L’évolution permanente des besoins de formations, vers plus de flexibilité a favorisé
l’émergence de nouveaux outils pédagogiques et informatiques. Le domaine éducatif a très
fortement évolué ces dernières années, sous l’impulsion de la révolution Internet et de
l’évolution des technologies associées [Julija, 2010]. Cependant, le problème réside dans la
diversité des informations auxquelles est exposé l’apprenant et la diversité des apprenants eux
même, réaliser une telle équation se trouve être une tache excessivement difficile à accomplir
[Yanwen, 2004], d’où le besoin d’orienté la recherche de l'information afin de la rendre plus
pertinente et personnalisée dans les environnements éducatifs. Plusieurs travaux ont été menés
dans ce sens tel que le modèle de recommandation basé sur un algorithme adaptatif de filtrage
[Li, 2008]. Ainsi qu'une étude proposant un service personnalisé pour les systèmes éducatifs
basé sur la théorie de réponse à l'item (PEL-IRT) considère à la fois la difficulté du support de
cours et la capacité à fournir des chemins d'apprentissage individuels pour les apprenants [Chen ,
2004]. Cette étude propose également une approche collaborative de vote pour le réglage de la
difficulté du support de cours.
Nous citons également WebDL, un système multi-agents au sein d’un site web, visant à
répondre à la personnalisation des informations pour l'utilisateur grâce à des techniques
d'apprentissage [Jesus, 2001].
2.2 Intégration de données hétérogènes et distribuées
D’un point de vue «bases de données», le Web a entraîné une énorme demande en nouvelles
architectures pour l’intégration de données [Abiteboul, 2000]. L'intégration est l'ensemble des
techniques et méthodes qui permettent de proposer une vue unifiée sur l'ensemble des ressources
hétérogènes et distribuées.
Dans un système d’intégration, l’hétérogénéité des données se situe à deux niveaux :
- Au niveau de la structure : un même document peut exister sous plusieurs formats (par
exemple, un rapport peut exister sous formats HTML dans une source et RTF dans une
autre) ; un même attribut peut avoir deux types différents selon la source (l’adresse d’une
personne peut être de type chaîne de caractères ou de type enregistrement)
- Au niveau de la sémantique : la même information peut être représentée par des
identificateurs différents ;
Le problème d’intégration de données de sources hétérogènes a été abordé dans plusieurs
domaines tels que les entrepôts de données ou les systèmes de médiation. Un entrepôt de
données est une «collection de données intégrées, orientées sujet, historisées, résumées et
disponibles pour l’interrogation et l’analyse. Des modèles d’entrepôts qui appliquent le principe
des vues matérialisées et intègre les données en accord avec les schémas globaux. Le résultat est
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 114
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
un entrepôt de données qui peut directement être interrogé à travers un langage adapté, exemple
l’architecture d’entrepôt WIND [Faulstich, 1997]. Le principe des systèmes de médiation est
d’offrir une couche intermédiaire appelée médiateur entre les sources de données (niveau
source) et les programmes d’applications (niveau client). Les systèmes de médiation reposent
sur l’architecture baptisée I3 [Widerhold, 1992].
2.3 Informations pertinentes et personnalisées
La qualité d'une information est généralement liée à son contenu même et répond à différents
critères précis; elle est indépendante du contexte de réception de l'information (autrement dit,
une information est de bonne ou de mauvaise qualité en elle-même). La pertinence d'une
information est toujours relative, contextualisée et dépendante de plusieurs critères. On
distingue plusieurs catégories différentes de pertinences:
- La pertinence de la requête : est-ce que l’apprenant utilise les bons mots-clés ?
- La pertinence de l'outil : est-ce qu'il indexe efficacement les documents ? est-ce qu'il est
adapté à la requête de l’apprenant?
- La pertinence de l'information par rapport au thème : est-ce que le document traite
correctement le thème ? On peut considérer ce type de pertinence comme un élément de la
qualité de l'information.
- La pertinence de l'information par rapport au besoin d'information : est-ce que
l'information trouvée répond, en partie ou non, à mon besoin initial ? Ici, ce type de
pertinence peut être totalement différent de la qualité de l'information.
Dans ce cadre, plusieurs travaux ont été abordés tels que Warren [Zeng, 1996] qui est un
système combinant les données du marché financier, les rapports financiers, les modèles
techniques et les rapports analytiques avec les prix courants des actions des compagnies via des
agents spécialisés qui sont les agents d’informations pour ensuite les présenter aux utilisateurs.
L’architecture du système NetSA [Cote, 1999] repose sur le paradigme agent pour la recherche
d'informations dans des sources hétérogènes et réparties.
2.4 Quelques modèles de recherche d’informations
Différents modèles de recherche d’informations dans les systèmes de recherche d’informations
ont été proposés. Parmi les plus utilisés, on retrouve le modèle booléen, le modèle vectoriel et le
modèle probabilistique.
- Le modèle booléen [Picarougne, 2004] utilise un calcul d’appariement exact et permet de
retrouver les documents qui répondent exactement à la requête. Les requêtes sont
exprimées sous la forme d’expressions booléennes.
- Le modèle probabiliste considère que la pertinence d’un document par rapport à une
requête correspond à un degré, c’est-à-dire à une valeur non booléenne (un document n’est
pas «pertinent» ou «non pertinent» mais peut être «plus ou moins pertinent»). On suppose
alors que lorsque les représentations de la requête et d’un document sont suffisamment
similaires, la probabilité correspondante de pertinence est suffisante pour restituer le
document en réponse à la requête.
Le modèle vectoriel [Jean, 2004] est basé sur la représentation des documents et des
requêtes sous forme de vecteurs dont les composantes sont les termes d’indexation. A
chaque terme est associé un poids qui mesure son importance dans la représentation du
contenu d’un document. Le mécanisme de recherche consiste à retrouver les vecteurs
documents qui s’approchent le plus du vecteur requête. Cela implique des mesures de
similarité entre vecteurs telles que la mesure d’appariement simple, la mesure de Jaccard
et la méthode du cosinus mesurant l’angle entre les vecteurs, ou la mesure d’appariement
simple utilisant le produit scalaire. De par sa simplicité et son efficacité, nous avons choisi
ce modèle dans notre approche.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 115
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
3. PRESENTATION GENERALE DU SYSTEME
Nous avons développé un système à base d’agents qui s’articule autour d’un schéma global
développé en XML intégrant les sources de données du SIW. C’est une architecture générique et
donc adaptable à tout type de système éducatif. Les différentes couches de notre système sont
illustrées dans la figure1.
La Couche de communication
La Couche de traitement
Apprenant
La Couche d’interrogation et
Données
Source 1
Source 2
Source N
Figure 1: Structure organisationnelle du système
- Couche de communication avec l’apprenant : Cette couche est chargée de gérer les
communications entre le système et l’apprenant. Elle comprend des agents interagissant avec
les apprenants pour les aider à réaliser une tâche bien précise. L’interaction se traduit par une
transformation des requêtes de l’usager en des actes d’un langage de communication interagent.
- Couche de traitement : Elle reçoit de la couche de dessus les requêtes à satisfaire ainsi que
les informations fournies par l’apprenant. Elle effectue principalement les tâches suivantes:
intégration des schémas locaux, localisation de l’information pertinente dans le Web,
décomposition de la requête initiale et interrogation des sources de données pertinentes
concernées, collecte et recomposition de la réponse globale de la requête initiale en utilisant
des agents mobiles, et enfin routage du résultat final vers l’agent interface utilisateur qui est à
l’origine de la requête globale.
- Couche d’interrogation et d’extraction : Cette couche est chargée de l’interrogation et
d’extraction d’informations, composée d’agents appelés « Agents wrappers » formant une
interface entre les bases de données et la couche de traitement. Ces agents :
1. Transforment les requêtes reçues et les traduisent en requêtes adaptées au base de donnée
respectives (par exemple SQL ou Xquery) pour interroger ces dernières.
2. Extraient l’information pertinente
3. Traduisent les résultats en XML et les communiquent à des agents mobiles spécialisés,
appelés « Agents Collecteurs ». Les agents wrapper peuvent retirer l’information
contenue dans une base de données Objet, Relationnelle ou bien XML.
L’architecture du système proposé est basée sur deux types d’agents : des agents d’information
et des agents mobiles, s’articulant autour d’une base de documents XML qui constitue le schéma
global des sources de données locales participant à notre SIW. Ce système permet :
1. L’interaction avec l'apprenant potentiel dans une transparence totale vis a vis de
l’utilisateur,
2. La recherche d’informations pertinentes dans un schéma global (afin de localiser les
sources
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 116
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
contenant les informations pertinentes),
L’extraction de l’information,
La collecte et la recomposition de la réponse globale de la requête initiale en utilisant des
agents mobiles ;
6. La diffusion de la réponse finale à l’utilisateur du système.
3.
4.
5.
4.
DESCRIPTION DES DIFFERENTS AGENTS POUR LA RECHERCHE
L’architecture proposée est basée sur une approche multi agent. Elle est illustrée dans la figure 2.
Ainsi le système de recherche d’informations pertinentes et personnalisées est composé de deux
groupes. Le premier groupe d’agents ‘G1’, composé d’un agent Intégrateur et de plusieurs agents
Wrappers, est chargé de l’intégration des sources de données hétérogènes et de la conversion des
sources locales vers un modèle de données commun.
Schéma global
Source 1
XML
Agent
Wrapper
(XML)
Source 2
Agent
Wrapper
(Relationnel
Relationnelle
G
Agent
interface
Apprenant
Apprenant 1
Agent
Intérrogateur
Agent
Vérificateur
...
...
Source N
Objet
Agent
Intégrateur
Agent
Wrapper
(Objet)
Agents
collecteurs
Agent
interface
Apprenant
Agent
Médiateur
Apprenant 2
G
Agent
Mappeur
Communication Inter Agents
Communication Utilisateur /Final SMA
Figure 2: Architecture Globale du système»
Le deuxième groupe ‘G2’ est chargé de la recherche et l’extraction de l’information propre à un
apprenant. Il comprend :
- Des Agents Interface Apprenants qui fournissent une interface aux utilisateurs potentiels du
système,
- Un Agent médiateur qui traite la requête en la décomposant et l’envoyant aux différentes
sources,
- Un Agent Interrogateur, permettant d’interroger le schéma global,
- Un Agent Mappeur qui se charge du remplacement des termes de la requête globale en termes
locaux,
- Un Agent Vérificateur qui se charge de vérifier les disponibilités des sources de données et la
mise à jour de l’annuaire des sources de données,
- Des Agents Wrapper qui se chargent de la traduction des requêtes globales en des requête
locales et de l’extraction des données qui constituent des parties de la réponse globale,
- Des Agents mobiles appelés Agents collecteurs qui se chargent de migrer de site en site pour
récupérer les parties du résultat global puis les traitent pour l’obtention d’un résultat cohérent.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 117
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
5. MECANISME D’INTERACTION ENTRE LES AGENTS
Nous illustrons à l’aide d’un exemple les interactions entre les différents agents, l’apprenant
envoie une requête ordinaire et il reçoit les données (la page Web) en retour. Dans cette partie,
nous analyserons les différentes étapes permettant d’obtenir des informations pertinentes et
personnalisées à partir d’une requête émise de l’apprenant. Elles se résument comme suit :
Etape 1 : Interaction entre l’apprenant et le système : L’apprenant choisit le contexte
dans lequel il veut travailler. L’agent lui donne la première page de recueil d’informations qui
contribuera à la construction du profil de l’apprenant. Si la réponse du traitement de la requête
est favorable, elle transmise à l’agent Médiateur. En cas de refus, une notification est traduite à
l’utilisateur par une page HTML. Lors de la provenance du résultat final de la requête en XML
un processeur XSL le formate en un document HTML.
Etape 2 : Formulation de la requête globale : Durant cette phase, l’apprenant effectue sa
recherche dans une transparence totale vis-à-vis du système et cela grâce à l’agent Interface
Apprenant. L’apprenant est assisté par ce type d’agent pour la bonne formulation de la requête,
l’agent récupère cette dernière afin de lui formuler une description au sein du système comme
étant le but global à atteindre
Etape 3 : Localisation de la source contenant l’information pertinente : Cette phase
assure la fonction de la recherche du (des) site(s) de résidence de l’information pertinente ou de
ces parties. Cette étape est assurée par les différents agents : Médiateur ; Interrogateur ;
Mappeur et Vérificateur. Ces quatre agents coordonnent leurs actions afin de trouver le (les)
site(s) où résident les éléments pertinents.
 L’Agent Interrogateur permet d’interroger le schéma global pour définir les sources
contenant les informations recherchées,
 L’Agent Médiateur traite la requête en la décomposant et l’envoyant aux différentes
sources,
 L’Agent Mappeur se charge du remplacement des termes globaux de la requête globale
en termes locaux,
 L’Agent Vérificateur se charge de vérifier la disponibilité des sources de données et la
mise à jour de l’annuaire des sources de données.
Etape 4 : Extraction de l’information pertinente : Cette phase est assurée par un agent
appelé Wrapper. Cet agent se charge de la traduction des requêtes globales en requêtes locales
dans des langages d’interrogation adaptés aux sources de données respectives et de l’extraction
des données qui constituent des parties de la réponse globale.
Etape 5 : Collecte et ajustement des résultats : Les agents mobiles sont exploités et
rendent les recherches de notre système plus appropriées à l'environnement Web. Ces agents
sont appelés collecteurs. Le système propose un ensemble d’agents mobiles qui se chargent de
migrer de site en site [Philip,2003] (voir figure 3), afin de récupérer les parties du résultat global
puis les traite pour l’obtention d’un résultat global cohérent.
Etape 6 : Obtention du résultat de la requête globale : Cette phase implique les agents
Médiateur et Agent Interface Apprenants. Une fois le résultat global est transmis à l’Agent
Médiateur, ce dernier se charge de son routage vers l’agent Interface Apprenant à l’origine de
la requête globale, et par ce fait le but du système est atteint.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 118
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Serveur
Collecteur
Migration
Agent
WE
Agent
Agent
médiateur
Migration
Collecte
Agent
Agent
Agent
Wrapper N
Wrapper 2
Wrapper 1
Source
N
Source
2
Source
1
(XML ) Site 1
Figure 3: Agents impliqués dans la phase Collecte et ajustement des résultats.
6. CONCLUSION
Dans cet article, nous avons présenté un système permettant d’effectuer la recherche et
l’extraction des informations pertinentes et personnalisées dans un environnement éducatif basé
Web. L’utilisation des agents d’information et mobiles constitue la particularité de cette
approche, vu les avantages que représentent ces deux types d’agents à savoir l’autonomie, la
mobilité la coopération, la coordination, et l’interactivité pour rechercher les informations
précises et les ressources nécessaires demandées par l’apprenant. Aussi, elle permet une grande
résistance à l’instabilité de l’environnement ouvert grâce à l’attribution dynamique des tâches.
Nous envisageons de valider l’approche proposée à l’aide la plateforme JADE en utilisant le
langage FIPA-ACL.
7 REFERENCES BIBLIOGRAPHIQUES
[Abiteboul, 2000] Abiteboul.S, P. Buneman, D. Suciu. "Data on the Web: From Relations to
Semi structured Data and XML.", Morgan Kaufmann Publishers, Los Altos, CA 94022, USA,
2000.
[Cote, 1999] Cote Marc, Brahim Chaib_Draa et Nader Troudi. "NetSA: une architecture
multiagent réutilisable pour les environnements riches en information." Master's thesis,
Département d'Informatique, Université Laval, Avril 1999.
[Chen , 2004] Chih-Ming Chen, Hahn-Ming Lee, Ya-Hui Chen. " Personalized e-learning
system using Item Response Theory". Computers & Education 44 (2005) 237–255, January
2004.
[Faulstich, 1997] Faulstich M. Spiliopoulo, V. Linnemann."WIND : A Warehouse for Internet
Data".
Proceedings of 15th British National Conference on Databases, pp. 169-183, 1997.
[Jean, 2004] Jean Martinet. "Un modèle vectoriel relationnel de recherche d’information adapté
aux mages.".These de doctorat soutenue en 2004, université joseph fourier – grenoble u.r.f.
informatique et mathématiques appliquées.
[Jesus, 2001] Jesus G. Boticario*, Elena Gaudioso*, Carlos Catalina**. " Towards personalised
learning communities on the Web". Proceedings of the First European Conference on
ComputerSupported Collaborative Learning (2001)]
[Julija, 2010] Julija Laphun Bele and Joze Rgelj. "Comparing Learning Results of Web Based
ans traditional Learning Students Advances in Web-Based Learning".
[Li, 2008]Xinye Li, Qi Luo, and Jinsha Yuan « Personalized Recommendation Service System
in E-Learning Using Web Intelligence », LNCS Vol. 4489, p. 531, 2008.
[Philip,2003] Philip S. Medcraft, Ulrich Schiel, Cláudio S. Baptista:’Data integration using
agents’, 2003.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 119
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
[Picarougne, 2004] Picarougne Fabien. "Recherche d’information sur Internet par algorithmes
évolutionnaires.", 2004.
[Yanwen, 2004] Yanwen W. and Zhonghong W. "Knowledge Adaptive Presentation Strategy in
E-Learning.". Proceedings of Second International Conference on Knowledge Economy and
Development of Science and Technology, Beijing, 2004, pp.6-9
[Widerhold, 1992] Widerhold.G. "Mediators in the Architecture of Future Information
Systems.", IEEE Computer, pp. 38-49, March 1992.
[Zeng, 1996] Zeng, D., K. Sycara. "Coordination of multiple intelligent software agents".
International Journal of Cooperative Information Systems- 5, p. 181-212, 1996.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 120
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Plateformes collaboratives d'enseignement à distance (CMS, LMS et
LCMS), Environnement Numériques de Travail (ENT), EIAH, groupware
et bureau virtuel. Quelles outils et quelles fonctionnalités pour quels
usages ?.
Pr BOUKELIF Aoued
ICT’s Research Team
Communication Networks, Architectures and Multimedia laboratory
University of S.B.A
eMail:[email protected]
GSM: 05 56 93 70 03
Résumé:
Cet article traite des technologies, outils et standards pour développement et gestion
de contenus. Son objectif est de permettre de différentier entre les différents outils de gestion
de contenus : LMS, CMS, LCMS, DMS, ECMS, ENT et EIAH dans le but d’aider dans le
choix de l’outil adapté à l’application visée.
L’article introduit les outils classiques de collaboration et collecticiels en
différentiant leur typologie selon qu’ils soient des collecticiels ouverts ou fermés. Des
solutions propriétaires (du logiciel lotus, office groove, GroupWise, Virtual Office,) en version
de démonstration en ligne seront illustrées. Les solutions libres (eGroupWare, OpenGroupWare,
Dotproject, PHProjekt) seront passées en revue. La deuxième partie introduit les espaces
numériques de travail (ENT) et bureaux virtuels, illustrés sur deux éditeurs open source,
Zimbra et Agora-Project. Parmi les plateformes pour la formation ouverte et à distance
(FOAD), deux solutions libres, Moodle, Dokeos seront illustrées.
Un CMS (système de gestion de contenu) est un logiciel web ou une plateforme,
permettant la création de site web dynamique et la mise à jour de contenus. Quelques
solutions (Joomla, MOODLE, DOKEOS, CLAROLINE, netUniversité, scenari) seront
comparées. Les CMS seront contrastés aux systèmes de gestion de contenus de formation
(LMS+CMS=LCMS) qui s'appuient sur le modèle des Learning Objects (LO) ou objets de
formation. D’autres outils tels que les DMS (Document Management System), ensemble
des moyens informatiques mis en œuvre pour gérer le cycle de vie complet d'un document
électronique, seront illustrées sur des cas concrets (XINCO DMS, EZ
CONTENT
MANAGER, STATISTIC). Il en va de même pour les ECMS (systèmes de gestion de
contenu d’entreprise) qui sont l'ensemble des moyens informatiques permettant à une
organisation de créer, capturer, éditer, publier et diffuser facilement et rapidement des
documents et informations. Last but not least, les Environnements Informatiques pour
l’Apprentissage Humain (EIAH) seront passés en revue.
L’ambition de cette communication est de tenter de répondre à la question :
Quelles plateformes et quelles fonctionnalités pour quels usages ? Ceci dans le but d’aider
dans le choix de l’outil adapté à l’application visée.
Mots clé :
Gestion de contenus, LMS, CMS, LCMS, DMS, ECMS, ENT et EIAH, LOM, SCORM,
IMS-LD, MLR, interopérabilité.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 121
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
INTRODUCTION :
Cette communication traite des technologies, outils et standards pour développement et gestion
de contenus. Son objectif est de permettre de différentier entre les différents outils de gestion
de contenus : LMS, CMS, LCMS, DMS, ECMS, ENT et EIAH dans le but d’aider dans le choix
de l’outil adapté à l’application visée.
PLAN :
I-Outils classiques de collaboration et collecticiels en différentiant leur typologie selon qu’ils
soient des collecticiels ouverts ou fermés.
Des solutions propriétaires (du logiciel lotus, office groove, GroupWise, Virtual Office,) en
version de démonstration
Les solutions libres (eGroupWare, OpenGroupWare, Dotproject, PHProjekt)
II-Espaces numériques de travail (ENT) et bureaux virtuels, illustrés sur deux éditeurs open
source,
Zimbra et Agora-Project.
III-Plateformes pour la formation ouverte et à distance (FOAD), (Moodle, Dokeos )
IV-CMS (système de gestion de contenu) est un logiciel web ou une plateforme, permettant
la création de site web dynamique et la mise à jour de contenus. (Joomla, MOODLE,
DOKEOS, CLAROLINE, net Université, scenari)
V-Systèmes de gestion de contenus de formation (LMS+CMS=LCMS) qui s'appuient sur le
modèle des Learning Objects (LO) ou objets de formation.
VI- DMS (Document Management System), ensemble des moyens informatiques mis en
œuvre pour gérer le cycle de vie complet d'un document électronique (XINCO DMS, EZ
CONTENT MANAGER, STATISTIC).
VII- ECMS (systèmes de gestion de contenu d’entreprise) qui sont l'ensemble des
moyens informatiques
permettant à une organisation de créer, capturer, éditer,
publier et diffuser facilement et rapidement des documents et informations.
IX- Environnements Informatiques pour l’Apprentissage Humain (EIAH).
I- Définition d’un CMS
Un CMS (système de gestion de contenu) est un logiciel web ou une plateforme, permettant la
création de site internet dynamique et la mise à jour de contenu. Famille de logiciels destinés à la
conception et à la mise à jour dynamique de site web ou d'application multimédia.
I.1- Fonctionnalités d’un CMS
Ils permettent à plusieurs individus de travailler sur un même document ;
Ils fournissent une chaîne de publication (workflow) offrant par exemple la possibilité de
mettre en ligne le contenu des documents ;
Ils permettent de séparer les opérations de gestion de la forme et du contenu ;
Ils permettent de structurer le contenu (utilisation de FAQ, de documents, de blogs, de
forums de discussion, etc.) ;
Création de cours ou de questionnaire, indexation des ressources, travail collaboratif,
publication automatique
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 122
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Certains SGC incluent la gestion de versions.
I.2- Principes simplifiés des outils de gestion de contenu
Figure 1 : Principes simplifiés des outils de gestion de contenu.
I.3- Principe de fonctionnement d’un site web dynamique utilisant le CMS
Voici un schéma montrant le principe de fonctionnement d’un site web dynamique utilisant le
CMS :
II-Learning management system
Plate-forme qui regroupe l'ensemble des outils informatiques dédiés à la formation en ligne.
Elle permet de planifier les formations en ligne, organiser des groupes de travail, affecter des
ressources, suivre les formations grâce à des rapports statistiques portant sur les résultats des
tests ou les temps de formation, évaluer les apprenants, intégrer de nouveaux contenus, etc…
Quelques LMS: Il existe plusieurs LMS, et surtout des LMS sous licence open source on
peut citer quelques un : Moodle, ganesha, ilias.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 123
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
III.6- Systèmes de gestion de contenus de formation
LMS+CMS=LCMS
Plate-forme qui vise à simplifier la création, la validation, la publication et la gestion des
contenus d'apprentissage en ligne ou en salle.
Certains SGA intègrent un outil de conception de contenus, permettant notamment la
création aisée de modules de tests et d’évaluations de différentes formes.
En combinant les fonctionnalités des LMS et des CMS ("Content Management Systems"), les
LCMS forment des systèmes complets de création et de gestion de contenus adaptés aux
problématiques de la formation ouverte et à distance (FOAD).
Le LCMS s'appuie sur le modèle des Learning Objects (LO) ou objets de formation. Un
Learning Object est composé d'objectif de formation, d'évaluations et de contenu. Des données
appelées "metadata" y sont associées. Ce sont ces données qui permettront l'individualisation
des contenus selon les profils.
Le LCMS permet de créer des bibliothèques de LO, une vraie bibliothèque de grains de contenu
de formation indépendants, qui peuvent être réutilisés et associés indifféremment les uns des
autres. Le LCMS pourra alors, pour un apprenant donné, gérer la distribution et le suivi de
l'apprentissage à un niveau très fin : celui du Learning Object.
Un Learning Object est composé :
D’objectif de formation.
D’évaluations.
De contenu.
Des données appelées "metadata" y sont associées. Ce sont ces données qui permettront
l'individualisation des contenus selon les profils.
Le LCMS permet ainsi de créer une bibliothèque de LO, c’est à dire une vraie bibliothèque
centralisée de "grains" pédagogiques (contenus de formation) indépendants qui peuvent être
réutilisés et associés à souhait indifféremment les uns des autres .
La logique et la capacité d'individualisation intégrées au niveau des LO sont répercutées au
niveau de la publication par le biais des metadata. Sur cette base, un LCMS permet, pour un
apprenant donné de gérer la distribution et le suivi de l'apprentissage à un niveau très fin : celui
du Learning Object.
III.6.1- Fonctionnalités d’un LCMS
Voici un schéma explicatif
4
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 124
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
III.6.2- Positionnement des LCMS par rapport aux LMS
Les outils de LCMS et LMS sont des outils très proches, complémentaires.
La gestion des compétences est une des fonctionnalités partagées par les deux types de solutions.
Cependant, cette gestion est plus performante dans les LMS puisqu’elles sont centralisées et
permettent d’établir le profil et les compétences d’un individu par rapport à toutes les formations que
l’étudiant a pu faire. La gestion des compétences dans les LCMS s’intéresse davantage aux
compétences acquises lors d’une formation. Pour mieux comprendre la distinction et la
complémentarité de ces deux familles de solutions, le schéma suivant montre pour chaque
fonctionnalité, son placement théorique.
Figure : Positionnement relatif des fonctionnalités des solutions
III.6.3-Aspect collaboratif des deux familles d’outils
Le schéma suivant montre l’aspect collaboratif des deux familles d’outils :
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 125
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Figure : Complémentarité LCMS / LMS.
III.6.4-Schéma de positionnement LCMS/LMS
Figure : Positionnement des LCMS / LMS.
IV- Système DMS (Document Management System) :
Un système de gestion électronique de documents (SGED, en anglais DMS pour Document
Management System, aussi connu sous les termes GED, GEID, GEIDE ou système de gestion
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 126
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
documentaire) est l'ensemble des moyens informatiques (matériel, logiciel, méthode, processus, etc.)
mis en œuvre pour gérer le cycle de vie complet d'un document électronique (texte, image, audio,
vidéo, etc.), allant de sa création à sa destruction, en passant par sa modification, sa publication, sa
diffusion, etc. Cette gestion électronique documentaire ou documentique offre un référentiel central
pour stocker les documents, en optimiser l'accès (sécurité), gérer l'information qu'ils contiennent
(gestion de contenu), l'information qui les concerne (métadonnées), ainsi que leur évolution (contrôle
de version ou versionnage, le versioning en anglais).
IV.1-Bénéfices d'un système de gestion de documents (DMS)
Optimisation des processus de distribution et d'approbation d'informations à travers de
meilleurs flots de contrôle ( workflow ).
 Diminution des risques de perte, corruption et obsolescence des données.
 Interface basée sur le Web permettant la capture, création, révision, archivage et
recherche de documents et contenu de tous types.
 Accès plus rapide et plus facile à l'information.
 Réduction, voire élimination, de l'utilisation du papier dans l'espace de travail
(technologies de l'information dites vertes).

XINCO DMS, EZ CONTENT MANAGER, STATISTICA…
V- ECMS : système de gestion de contenu d'entreprise (SGCE)
Un système de gestion de contenu d'entreprise (SGCE, en anglais ECM S pour Enterprise Content
Management system), est l'ensemble des moyens informatiques (matériel, logiciel, méthode,
processus, etc.) permettant à une organisation de créer, capturer, éditer, publier et diffuser
facilement et rapidement des documents et informations à caractère aussi bien administratif,
financier qu'opérationnel et managérial.
Quelque ECMS :
ALFRESCO, NUXEO, EVERSUITE…
VI- Comparaison
La différence reste maintenant dans les domaines d’application de chaque système.
CMS : on l’utilise pour la création des sites personnels, et des sites communautaires.
LMS, LCMS : ils sont surtout utiles pour les instituts de formations, et surtout la formation à
distance.
En plus du précieux service que offre le CMS qui est la mise en ligne de contenu, LMS et
LCMS nous permettent de :
Ordonnancer les modules de formation.
Organiser les parcours des apprenants.
Gérer des compétences les apprenants et les résultats.
Mettre à disposition des outils coopératifs et collaboratifs pour la relation tuteur apprenant.
VII- ENT : « environnement » et « espace numérique de travail »
La notion d’environnement réfère d’une part aux théories socio-constructivistes et d’autre part à la
théorie des systèmes (l’environnement étant un lieu abritant un ou plusieurs systèmes). Elles
reprennent l’idée de Wilson (1996) selon laquelle un environnement est « a place where people can
draw upon resources to make a sense out of things and construct meaningful solutions to problems
».
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 127
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
Ils apparaissent sous des appellations diverses comme :
Virtual learning Environment;
Virtual Education Space;
Virtual Learning Space;
Digital Learning Space/virtual;
Educational Environment;
Collaborative workspaces;
Internet based distance-learning environments;
Computer Environment for Human learning;
Computer based learning environment;
Learning Spaces;
e-learning…
communautés d’apprentissage
Environnement d’Apprentissage Informatisé (EAI),
Cartable électronique
Bureau virtuel
Ardoise électronique.
VIII- Environnements Informatiques pour l’Apprentissage Humain (EIAH)
Un Environnement Informatique pour l’Apprentissage Humain (EIAH) est un environnement
informatique conçu dans le but de favoriser l’apprentissage humain, c’est-à-dire la construction de
connaissances chez un apprenant.
Ce type d’environnement mobilise des agents humains (élève, enseignant, tuteur) et artificiels
(agents informatiques, qui peuvent eux aussi tenir différents rôles) et leur offre des situations
d’interaction, localement ou à travers les réseaux informatiques, ainsi que des conditions d’accès à
des ressources formatives (humaines et/ou médiatisées), ici encore locales ou distribuées.
 La recherche dans ce domaine est née avec l'informatique mais se sont surtout développées dans
le sillage de l'intelligence artificielle dans les années 70. Le terme EIAH est né dans les années 90,
avec le souhait de souligner l'interaction entre les deux pôles source de la complexité du projet
technologique et scientifique : l'informatique (avec la modélisation computationnelle qu'elle
exige et son inscription matérielle) et l'apprentissage humain (pour lequel on ne dispose encore
que de modèles très partiels).
 La recherche sur les EIAH est fondamentalement pluridisciplinaire, (génie logiciel, réseau, la
modélisation des connaissances et des interactions, etc.), et des sciences de l'homme et de la
société (psychologie, didactique, ergonomie, sciences des langages, sciences de la
communication, etc.).
 Ce type d’environnement mobilise des agents humains (élève, enseignant, tuteur) et artificiels
(agents informatiques, qui peuvent eux aussi tenir différents rôles) et leur offre des situations
d’interaction, localement ou à travers les réseaux informatiques, ainsi que des conditions d’accès
à des ressources formatives (humaines et/ou médiatisées), ici encore locales ou distribuées.
 La notion d’environnement réfère d’une part aux théories socioconstructivistes et d’autre part
à la théorie des systèmes (l’environnement étant un lieu abritant un ou plusieurs
systèmes). Elles reprennent l’idée de Wilson (1996) selon laquelle un environnement est « a place
where people can draw upon resources to make a sense out of things and construct meaningful solutions
to problems »
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 128
Session 4 Evaluation des Apprenants & Recherche d’Objets d’Apprentissage
IX-CONCLUSION ET PERSPECTIVES
Remplacer la solution existante en faisant mieux pour moins cher.
Capacité à étendre les fonctionnalités d'un site avec des plug-in et à personnaliser l'affichage
par des “ templates ” graphiques conformes à XHTML 1.0.
Les solutions open source s'imposent grâce à un rapport couverture fonctionnelle/coût
imbattable.
Les
communautés Joomla!, WordPress et Drupal offrent-elles chacune près de 1 500 extensions
gratuites allant de modules de commerce en ligne à des galeries multimédias en passant par
l'intégration de Google Maps ou de connecteurs LDAP.
LDAP. Lightweight Directory Access Protocol, protocole permettant l’accès aux annuaires
d’entreprise.
Lamp. Linux, Apache, MySQL et PHP, certainement la plate-forme Web la plus utilisée dans
le monde.
X-Bibliographie
1- Ellis, Ryann K. (2009), Field Guide to Learning Management Systems, ASTD Learning Circuits
2-Bersin, Josh; Howard, Chris; O’Leonard, Karen; Mallon, David (2009), Learning Management
Systems 2009, Bersin & Associates
3- http://www.astd.org/LC/2009/0509_LMS2009.htm
4-http://www.adlnet.gov/Technologies/scorm/Custom%20Pages/Certified%20Products.aspx
5-http://www.adlnet.gov/Technologies/scorm/Custom%20Pages/SCORM%20Adopters.aspx
6-http://ecole-cnrs.univ-lemans.fr/eiah2005/fichiers/cours/Cours2.pdf
7-DELACROIX, Jérôme, Les Wikis. Espaces de l’intelligence collective, M2 Ed, 2005.
9-Auxepaules L, Py D . An Evaluation of Diagnosis in a Learning Environment for Object-Oriented
Modeling. The 10th IEEE International Conference on Advanced Learning Technologies (ICALT'10),
Sousse (Tunisia), p.102-104, July 5-7 2010 2010, Short Paper
10-Auxepaules L. Évaluation de la méthode d'appariement ACDC appliquée au diagnostic dans
Diagram, un EIAH de la modélisation orientée objet. RJC EIAH 2010, Lyon(France), p.143-144, 6-7 mai
2010 2010, Short Paper,
11-Alonso M, Auxepaules L, Py D . DIAGRAM, un EIAH pour l’initiation à la modélisation orientée
objet avec les diagrammes de classe UML. In Revue Sciences et Technologies de l´Information et de la
Communication pour l´Éducation et la Formation (STICEF)(vol. 17), 2010 .
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 129
Session Poster
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 130
Session Poster
Conception d’un Modèle d’Assistance basée Web Services dans un
Environnement d’Apprentissage à Distance
N.BEGGARI, T.BOUHADADA
Groupe de Recherche e-Learning (GReLearn), Laboratoire de Recherche en Informatique (LRI),
département d’informatique , faculté de science de l’ingénieure
Université Badji-Mokhtar, Annaba 23000, Algérie.
[email protected]; [email protected]
Résumé :
Le but est de réaliser un système d’assistance pédagogique pour un Environnement Informatique
d’Apprentissage Humain (EIAH). Pour atteindre cet objectif nous nous proposons d’intégrer une
interface dotée d’un Agent Pédagogique dans un environnement d’apprentissage à distance basée
web services a fin de fournir une assistance pédagogique adaptée à l’apprenant. Ce la est possible
grâce à l’analyse de parcours de l’apprenant qui permet au système de détecter la situation
d’assistance (blocage, non accomplissement des taches, les demandes d’aide, les situations des
difficultés…etc.). Cette analyse est basée sur l’interprétation d’informations recueillies pendant la
session d’apprentissage, appelées traces. Ces traces fournissent des connaissances sur l’activité
grâce à l’une des technique du web 2.0 celle du reporting. Notre approche se focalise sur la
représentation d’évolution des situations d’apprentissage et sur l’agent pédagogique adaptatif qui
propose plusieurs types d’assistance pédagogique.
Mots Clés :
assistance pédagogique, traces, reporting; web service, agent pédagogique.
1 INTRODUCTION
Un environnement informatique d’apprentissage humain (EIAH) est un système informatique
conçu pour permettre à des individus de se former sans se déplacer sur le lieu de formation et sans
la présence physique d’un formateur. Il est donc nécessaire de concevoir aujourd’hui des EIAH qui
assurent une assistance pédagogique adaptée et individualisée afin de respecter le rythme et le
processus d’apprentissage de l’apprenant, et de l’accompagner dans la construction de son savoir.
Notre contribution dans le domaine de l’apprentissage à distance consiste à concevoir et réaliser un
système d’aide à l’apprentissage individuel capable d’améliorer l’acceptabilité du système et
d’augmenter l’utilisation effective du système d’assistance par les apprenants. Notre approche se
base sur une fonction d’accompagnement à travers l’intégration d’un système d’apprentissage à
distance basé sur les web services, et d’une interface dotée d’un agent pédagogique assistant ayant
un rôle d’accompagnateur pédagogique et technique.
Proposer ce genre de système pose différentes problématiques : nature des interactions agent
apprenant, contenu des interactions, contenu des propositions d’assistance pédagogique…etc. les
questions de recherche que nous abordons dans ce cadre portent sur : la conception et l’amélioration
du comportement des agents assistants en se focalisant plus particulièrement sur le re-traitement des
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 131
Session Poster
requêtes d’assistance. En effet, parfois l’apprenant ne reçoit pas une bonne explication sur la tâche,
et ne peut donc l’accomplir ; dans ce cas, la question qui doit se poser est :
 comment le système peut-il s’adapter «en ligne» à l’apprenant pour améliorer l’apprentissage ?
 comment donner plus de sens sémantique d’information à l’apprenant pour accomplir leur
tache ?
 comment faire la liaison entre les informations disponibles (les connaissances) et les propositions
d’assistance ?
2 LES SYSTEMES D’AIDE A L’APPRENTISSAGE INDIVIDUEL
Un environnement informatique d’apprentissage humain (EIAH) est une collection d'activités ou
de processus et de modules définis pour fournir à l'apprenant les bonnes activités avec les bons
outils au bon moment en fonction de ses besoins. ainsi selon la conviction de Ivan[Ivan, 2005], on
peut découper les fonctionnalités d’un environnement d’apprentissage en un certain nombre de
fonctions, qui peuvent alors être implantées séparément sous la forme d’applications autonomes ou
sous la forme de e-services en utilisant la technologie des services web dont l’objectif est de
transformer l’environnement d’apprentissage en un dispositif distribué de calcul où les services
peuvent interagir de manière intelligente en étant capables de se découvrir automatiquement, de
négocier entre eux et de se composer en des services plus complexes[Fensel, 2002] pour fournir
certaines fonctionnalités aux acteurs de l’environnement.
Ils existent de nombreux travaux de recherche qui s'intéressent à la conception et à la réalisation
de systèmes informatiques permettant d'assister l'apprenant dans son apprentissage. On trouve par
exemple des solutions basées sur les agents qui intègrent et cherchent à faire coopérer différents
systèmes tuteurs intelligents (STI) [Brusilovski, 1997]. On trouve aussi des agents tuteurs ou
pédagogiques qui accompagnent l'apprenant en lui proposant des activités de remédiation [Frasson,
1998]. D’autres proposent des agents de support à la collaboration de groupe en apprentissage
[Constantino,2001] encourageant, quant à eux, la participation des apprenants et facilitent la
discussion entre eux. La plate-forme BAGHERA [Webber, 2002], qui est un EIAH « distant »,
exploite les concepts et les méthodes de l’approche multi-agents. BAGHERA assiste les apprenants
dans leur travail de résolution d’exercices en géométrie, et ils peuvent interagir avec d'autres
apprenants ou enseignants. Les enseignants peuvent connaître l'état d'avancement des travaux des
apprenants afin d’intervenir si nécessaire. Le système SAAID [Labouidya , 2008], système d’aide à
l’apprentissage individualisé en autoformation à distance, est un système qui utilise une approche
basée sur les systèmes tuteurs intelligents (STI) et les systèmes multi-agents(SMA) dans le but de
produire une assistance pour l’apprentissage dans le domaine des télécommunications et des
réseaux. Dans [Boukachour, 2010] , les auteurs propose système ouvert d’EIAH «distant» pour
l’apprentissage et le suivi individualisé de l’apprenant qui se base aussi sur l’approche multi-agents
dans le but de produire un suivi fondé sur des cas (d’abandon, de difficultés…) passés et similaires.
La plupart de ces outils d’apprentissage à distance ne permettent pas d’apporter une assistance
individualisée et adaptée, continue et en temps réel de l'apprenant. Ils intègrent une approche
pédagogique traditionnelle (behavioriste) basée sur des modèles prescriptifs au lieu d’adopter les
approches didactiques les plus récentes (constructivisme et socio-constructivisme) qui sont basées
sur des modèles ouverts pour fournir des environnements du monde réel plutôt que des séquences
d'apprentissage prédéterminées.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 132
Session Poster
Notre démarche consiste à proposer un système d’apprentissage qui intègre un agent assistant
proactif, capable d'offrir une gamme de services (suivi des activités et les avancements, guidage et
assistance tout au long du parcours) aux apprenants d'une manière intelligente. En outre, cet agent
est doté d'un mécanisme d'apprentissage pour lui permettre de s'adapter aux situations nouvelles
afin d’assurer une assistance automatique et continue à l’apprenant. Le système adopte une
approche pédagogique et didactique récente, basée sur la constructivisme qui suppose une activité
cognitive maximale de l’apprenant [Paquette, 1994].
3. UNE APPROCHE BASEE SERVICES WEB DANS L’ASSISTANCE
PEDAGOGIQUE
Un des objectifs principaux du système d’aide à l’apprentissage individuel est d’améliorer
l’acceptabilité du système d’apprentissage et d’augmenter le taux d’utilisation effective par les
apprenants. Pour atteindre ces objectifs nous nous sommes orientés vers l’utilisation d’une
architecture distribuée basée web services capable de coordonner, de coopérer et d’interagir pour
fournir une assistance utile et adéquate aux apprenants. Notre proposition est fondée sur l’utilisation
du feed-back obtenu par l’analyse et l’interprétation des informations recueillies pendant la session
d’apprentissage, appelées traces. Ces traces, définies comme une séquence temporelle d’observés,
fournissent des connaissances sur la situation d’apprentissage grâce à des rapports qui répondent à
la question : « que se passe-t-il en ce moment ? ».
L’identification et la préparation de ces rapports est un problème complexe dans le domaine de
l’enseignement à distance. Nous nous sommes orientées vers l’utilisation des outils et des
techniques de web 2.0 qui facilite et favorise le processus d’apprentissage[Laroussi , 2009]. Le
reporting est l’une des techniques du web 2.0 qui offre la possibilité d’avoir à tout moment un
rapport précis qui répond à la question « que se passe-t-il en ce moment ?»Tous ces différents
rapports sont produits le plus souvent à partir d’un entrepôt de données qui est alimenté dans le
système par les traces recueillies.
Le système permet d’analyser le comportement de l’apprenant à partir de l’interprétation des
informations recueillies pendant la session d’apprentissage (les traces) par le service d’observation,
afin de détecter la situation d’assistance (blocage, non accomplissement des taches, les demandes
d’aide , les situations des difficultés). Les traces collectées par le service d’observation seront la
source de connaissances pour le service de la mise en forme des rapports ; elles sont stockées dans
une base « base de session » et chaque session contiendra l’ensemble des actions de l’apprenant sur
le système d’apprentissage. Le service de mise en œuvre sert à exploiter les traces brutes pour
produire en sortie un rapport plus facilement lisible et mieux exploitable par le service d’analyse
qui détecte la situation d’assistance. Cette étape d’analyse du comportement doit se faire de
manière continue, et dynamique. À l’issue de cette étape, le système définit et détermine l’objectif
et le temps spécifique de l’intervention. Le service de proposition préconise ensuite des assistances
pédagogiques adaptées à la situation. Le service de sélection récupère ces propositions pour que
l’agent pédagogique puisse sélectionner une de ces assistances et finalement la présenter à
l’apprenant.
4. ARCHITECTURE DU SYSTEME ASSISTAGENT
Le système est composé des quatre modèles traditionnels (figure I): modèle d’interface, modèle
de l’apprenant, modèle pédagogique, modèle de domaine. Pour que chaque modèle puisse partager
ses informations et effectuer ses fonctions en toute autonomie, un ou des composants logiciels
autonomes (appelée service) est associée à chaque modèle. Enfin un agent pédagogique chargé de
superviser les activités des apprenants et les dirige dans une direction afin de les aider à acquérir
eux-mêmes des connaissances liées à la formation.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 133
Session Poster
4.1 Le modèle d’interface
Ce modèle s’occupe des aspects d’interactions avec les apprenants. Dans un cadre de formation,
il s’agit d’offrir à l’apprenant la possibilité d’interagir avec son environnement et d’analyser ses
activités. Ce module intègre deux services : un pour la préparation des rapports et l’autre pour les
analyser.
4.1.1 Le service de préparation des rapports
On trouve dans ce service, un traitement des observations en trois étapes : observation et collecte
des traces, mise en forme des rapports, et formulation des rapports.
- Le service d’observation.
Il s’agit d’un service d’observation de l’apprenant dont l’objectif est de collecter les interactions
entre l’apprenant et son système d’apprentissage (interaction : apprenant - système ; apprenant –
contenu). Cette collecte peut s'effectuer :
 de façon manuelle par un observateur humain, acteur ou non de la situation d'apprentissage ;
 de façon audiovisuelle via des dispositifs de capture (caméras, micros) ;
 de façon numérique à travers les artefacts informatiques utilisés lors de la situation.
De plus, cette collecte peut être réalisée directement lors de la situation ou indirectement par
l'intermédiaire de questionnaires remis aux acteurs. Pour éviter toute intervention manuelle, notre
travail se limite aux traces temporelles d’activités (traces numériques). Notre système enregistre
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 134
Session Poster
d’une façon automatique, d'un côté, une grande variété de traces sur le document : le texte étudié, le
moment où il est étudié, le temps de l'étude et le nombre d'accès à ce texte. Et d'un autre coté, il
enregistre aussi plusieurs traces différentes : heure de connexion au système, historique du parcours
des ressources, marques de réussite à des tests et questionnaires, actions effectuées par les
apprenants sur le système ou encore les demandes d'aide ou d'assistance. a l'issue de la collecte, on
récupère des traces primaires de l'activité.
- Le service de la mise en forme.
Ce service permet d’extraire les informations utiles et les mettre sous forme d’un rapport avec un
canevas défini. Les traces primaires de l’activité ne portant pas d'informations sur le déroulement
lui-même de la situation d'apprentissage, il faut passer par une phase de structuration. Dans cette
phase, les traces primaires peuvent subir différents traitements : filtrage, interprétation et
structuration. Pour réaliser ces traitements, il paraît nécessaire de construire une taxonomie des
traces. Pour classer ces traces, nous avons d'abord cherché à regrouper les traces suivant le contenu
de l'information qu'elles portent. Nous avons ainsi dégagé trois groupes de traces. Le premier
groupe contient les traces portant des informations d'identification : les informations personnelles
(nom, prénoms, âge, ...). Dans un deuxième groupe, nous avons réuni les traces liées à
l'exploitation d'une ressource. Le troisième groupe contient les traces relatives à l'activité
d'apprentissage .
A la suite de cette classification, le service de la mise en forme extrait les informations utiles et les
met sous forme d’un rapport avec un canevas défini.
- Le service de mise en ouvre.
Une fois que ce rapport est généré, il est obligatoire de le formuler pour le rendre plus lisible et
interprétable. Pour mieux exploiter la sémantique des rapports, nous nous sommes orientés vers la
représentation par graphe, c'est-à-dire, chaque rapport est représenté par un graphe, ensuite, les
manipulations et exploitations sont effectuées sur ces graphes.
4.1.2. le service d’analyse
Ce service permet d’analyser les rapports pour détecter les situations d’assistance. le service
analyse les actions de l’apprenant (les rapports) et les compare aux actions à effectuer (modèle du
domaine). Cette confrontation permet de détecter la situation d’assistance.
4.2 Le modèle pédagogique
Le modèle pédagogique est la représentation du pédagogue dans la situation d’apprentissage
[Buche,2005]. Il simule le raisonnement pédagogique, par conséquent il influe sur la pédagogie et
sur l’apprentissage. Ce modèle permet de déterminer à quel moment intervenir pour aider ou guider
l’apprenant. Il intègre le service de proposition qui est un mécanisme simulant le raisonnement
pédagogique. Il préconise les assistances pédagogiques adaptées à la situation. Pour ce faire, il
intègre un agent pédagogique assistant.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 135
Session Poster
4 .3. Agent pédagogique
L’objectif du système est la production d’une assistance efficace destinée à des apprenants (en
difficulté) en formation à distance. Etant donné que ce processus de formation ne fait pas appel au
tutorat humain, notre approche consiste à proposer une fonction d’accompagnement à travers
l’intégration d’un agent pédagogique qui suit les actions de l’apprenant pendant la réalisation de son
activité d’apprentissage. Il doit simuler un raisonnement pédagogique afin de proposer des
assistances pédagogiques adaptées à la situation d’assistance et aux besoins de l’apprenant.
Pour raisonner l’agent pédagogique doit obtenir :
Une représentation des connaissances qui caractérise la situation d’apprentissage (les
activités de l'apprenant dans le passé).
 Des connaissance sur la situation actuelle (les actions en cours) : elle représente l’ensemble
des informations considérées pour la prise de décision pédagogique, ces connaissance porte
sur:
 Le travail à effectuer.

 L’apprenant : des informations sur ses caractéristiques et sur ses activités.
 Les actions que l'apprenant doit faire selon une procédure prédéfinie.
4.3.1
Le service de sélection
L’agent pédagogique peut sélectionner une assistance pédagogique parmi les propositions.
4.3.2 Le service de présentation
L’assistance pédagogique sélectionnée est présentée dans le système par l’agent pédagogique, un
agent conversationnel assistant.
4.4. Modèle d’apprenant
Un système capable de fournir une assistance adéquate et personnalisée nécessite un modèle
d’apprenant qui contient des informations sur les buts, les besoins, les préférences ou les intentions
des apprenants. ce modèle se construit dynamiquement par la collecte des traces laissées par
l’apprenant lors de l’utilisation du système d’apprentissage et du système d’assistance, mais il peut
être aussi modifié directement par l’apprenant lui-même lorsqu’il spécifie des préférences.
4.5. Modèle du domaine
Pour permettre à notre système d’identifier les problèmes de l'apprenant, pour détecter les situations
d’assistance et de fournir des réponses aux questions particulières, il est nécessaire de conserver
une base de connaissances pour l'agent pédagogique. Les connaissances de l'agent sont utilisées
pour identifier les objets et les relations demandées par l'apprenant. L’utilisation des connaissances
permet d’augmenter la capacité du système à produire des réponses raisonnables. Notre modèle du
domaine utilise une ontologie pour représenter l’ensemble des concepts du domaine de
connaissances. Une ontologie permet d’organiser de manière hiérarchique les concepts (superconcept et sous-concept).
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 136
Session Poster
5. CONCLUSION
Dans ce papier, nous avons proposé un système d’aide à l’apprentissage individuel capable
d’améliorer l’acceptabilité du système et d’augmenter l’utilisation effective du système d’assistance
par les apprenants. Pour ce faire, nous avons mis en œuvre une démarche d’analyse et de conception
«orientée web service». L’architecture proposée repose sur quatre modèles (interface, apprenant,
domaine et pédagogique), chaque modèle intègre un ou plusieurs composants logiciels autonomes
appelés « web service ». Le modèle d’interface intègre deux services : un pour préparer des rapports
précis sur la situation d’apprentissage et l’autre pour les analyser et détecter les situations
d’assistances. Le modèle pédagogique intègre un service de proposition qui simule un raisonnement
pédagogique afin de proposer des assistances pédagogiques adaptées à la situation d’assistance et
aux besoins de l’apprenant. Ce dernier est assisté par un agent pédagogique dont le rôle consiste à
sélectionner une assistance parmi les propositions et la présenter à l’apprenant.
Une version du système AssistAgent est en cours de réalisation, actuellement notre intérêt est porté
sur la finalisation des services web pour définir un système d’aide proposant un soutien cognitif et
affectif plus personnalisé à chaque apprenant.
Bibliographie
[Buche,2005] Buche.C , “ un système tutoriel intelligent et adaptatif pour l’apprentissage de compétences
en environnement virtuel de formation ”, thèse de doctorat, université de bretagne occidentale, 2005.
www.enib.fr/~buche/public/these.htm.
[Brusilovski, 1997] Brusilovski. P, “ distributed intelligent tutoring on the web. 8th world conference of
artificial intelligence in education ”, IOS Press, 1997, pp.482-489.
[Constantino, 2001] Constantino.G , Suthers.D, Icaza.J-I, “ designing and evaluating a collaboration coach:
knowledge and reasoning. proceedings of the artificial intelligence in education ”, 2001,the netherlands: ios
press. pp. 176-187.
[Frasson, 1998] Frasson. C, Martin.l, Gouarderes .G, Aïmeur .E, “a distance learning architecture based on
networked cognitive agents”. intelligent tutoring systems, 1998, pp.593-603.
[Fensel, 2002] Fensel.D, Bussler.C, maedche.A “semantic web enabled web services ”. in international
semantic web conference, sardinia, italy , 2002, pages 1-2
[Ivan, 2005 ] Ivan.M, “ des services web pour le e-learning”. E-TI - la revue électronique des technologies
d'information, 28 octobre 2005, premier numéro, http://www.revue-eti.netdocument.php,id=354.
[Labouidya , 2008] Labouidya .O, Elkamoun.N, Benabdillah.H, Dahbi.A , Berraissoul.A, “conception d'un
module positionnement de l'apprenant pour les systèmes tuteurs intelligents : modèle et expérience”,
ISDM, 2008, n° 34, page 34.
[Laroussi , 2009] Laroussi. M, “ rep4per : un outil de reporting web 2.0 pour plateforme d’apprentissage”,
2009, conférence EIAH 2009 mans.
[Paquette, 1994] Paquette.G ; Pachet .f, Giroux.S, “ épitalk, un outil générique pour la construction de
systèmes conseillers”, 1994, edutice-00135857, v1.
[Webber, 2002] Webber.C, Pesty.S , “ emergence de diagnostic par formation de coalitions - application au
diagnostic des conceptions d'un apprenant. ”, Journées Francophones Pour L'intelligence Artificielle
Distribuée Et Les Systèmes Multi-Agents J.P.Muller, hermes, lille, 2002, pp.45-57.
[Boukachour, 2010] Boukachour.H ., Zouhair.A , Person.P, C.Bertelle. , “ une architecture multiagents
multicouches pour une adaptation pédagogique d’apprentissage à distance. ” juin 2010 à Angers, Campus
Universitaire de Belle-Beille.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 137
Session Poster
Vers un système d'apprentissage contexte_aware dans des
environnements éducatifs mobiles et ubiquitaires
Iness NEDJI MILAT1, Hassina SERIDI1, Abdelhak Djamel SERIAI2
1
Laboratoire LABGED, Université Badji Mokhtar Annaba, Algérie
2
Laboratoire LIRMM, Université de Montpellier 2, France
{[email protected], [email protected], [email protected]}
Résumé :
Avec l'évolution de la technologie mobile, l'apprentissage commence à sortir des salles de
cours et à entrer dans les environnements moins classiques, liés aux contextes des apprenants.
L'apprentissage devient ainsi mobile, situé, contextuel, personnel et tout au long de la vie.
Pour un système d’apprentissage context_aware, l’objectif final est toujours de mettre à
disposition de l’utilisateur des ressources d’apprentissage appropriées selon le contexte. Il faut
donc déterminer selon le contexte quelles ressources livrées, de quelle manière et sur quelle
interface. Tout le processus d’apprentissage doit s’adapter à ces changements de contexte.
Comme la livraison des ressources d'apprentissage dépend du contexte concret de l'apprenant,
la modélisation du contexte est l'aspect le plus important à prendre en compte pour permettre
la contextualisation de ces ressources. Dans cet article, nous allons, en premier lieu, présenté
notre processus de création de modèle de contexte dédié aux différents situations
d'apprentissage et en deuxième lieu, proposé un système d'apprentissage context_aware active
et autonome dédié aux environnements mobiles et ubiquitaires.
Mots clés :
Apprentissage context_aware, Apprentissage mobile, Apprentissage ubiquitaire, modèle du
contexte, contextualisation, adaptation, ressources d'apprentissage contextualisées,
Introduction
L’évolution conjointe des terminaux mobiles (PDA, Smartphone, netbook, etc.), des réseaux
mobiles (GSM, 3G+, WIFI, Bluetooth, etc.) et des technologies de l’information ont permis
de créer de nouvelles dimensions au domaine informatique. En effet, ces technologies ont
influencé les changements des comportements et les habitudes des usagers dans beaucoup de
secteurs comme le travail, la vie quotidienne, et l’apprentissage. L’apprentissage commence à
sortir des salles de cours et à entrer dans des environnements moins classiques, liés aux
contextes des apprenants. L’apprentissage devient ainsi situé, contextuel, personnel et tout au
long de la vie. Utiliser des dispositifs mobiles pour apprendre, n’importe où et n’importe
quand, c’est l’objectif de l’apprentissage mobile [Anani & al., 2008].
Le contexte d’apprentissage est un aspect crucial dans l’apprentissage mobile. Pour un
système d’apprentissage, l’objectif final est toujours de mettre à disposition de l’utilisateur
des ressources d’apprentissage appropriées selon le contexte. Il faut donc déterminer selon le
contexte quelles ressources à envoyer, de quelle manière, à quel moment, sur quelle interface,
etc. Tout le processus d’apprentissage doit s’adapter à ces changements de contexte d'où la
nécessité de développer des systèmes d'apprentissage sensibles aux contextes qui capturent et
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 138
Session Poster
examinent le contexte d'apprentissage et réagissent en conséquence en contextualisant les
ressources d'apprentissage selon le contexte en cours [Baldauf, 2007; Brown, 1996; Chuantao,
2010 ; Hong & al., 2008a].
L'objectif de cet article est de mener une réflexion sur la conception des systèmes
d'apprentissage context_aware active et autonome dans des environnement mobiles et
ubiquitaires, en proposant un modèle de contexte et en développant un processus de gestion
de contexte dynamique et une stratégie d'adaptation du système au contexte en cours. Il est a
mentionné que nos travaux de recherche croisent les domaines de l'ubiquitus learning,
autonomic computing, apprentissage mobile, contextawerness et EIAH (environnement
informatique pour l'apprentissage humain)
Contexte et sensibilité au contexte :
La compréhension du contexte est le premier pas vers son utilisation efficace. Dans la
littérature plusieurs définitions du contexte sont proposées par différents chercheurs selon
leurs points de vue [Brown & al., 1997; Chalmers 2004; Chen & al., 2000; Greeberg, 2001;
Moran & al., 2001; Pascoe., 1998; Schilit & al., 1994; Strang & al., 2003]. La définition de
[Dey, 2001] a été beaucoup citée depuis son apparition : « Context is any information that can
be used to characterize the situation of an entity. An entity is a person, place, or object that is
considered relevant to the interaction between a user and an application, including the user
and application themselves». La prise en compte du contexte dans un système nécessite de le
représenter explicitement dans ce dernier. Cette représentation nous fournit un cadre cohérent
pour capturer, mémoriser et traiter les informations du contexte pour réagir à l’environnement
et donc gérer la sensibilité au contexte et l’adaptation. Elle résulte en un modèle de contexte.
Dans un environnement informatique mobile et contextuel, la mise en œuvre du modèle de
contexte dans un système est nécessaire car elle permet de gérer la sensibilité au contexte et
l’adaptation. Plusieurs schémas de structure de données sont utilisés pour décrire et modéliser
les informations contextuelles [Strang & al., 2004]. Dans notre approche de modélisation de
contexte, nous avons adopté la modélisation par les ontologies. Ce choix est justifié par leurs
succès et leurs avantages. En effet, L’utilisation des ontologies pour la modélisation du
contexte a fait l’objet de nombreuses études dans des systèmes d’apprentissage mobiles et
pervasifs [Berri & al., 2006; Derntl & al., 2005; Gu & al., 2004 ; Hong & al., 2008b ;
Krummenacher & al., 2008 ; Ranganathan & al., 2003 ; Yu & al., 2008].
OntoContext : une ontologie pour la modélisation de contexte :
Dans un environnement informatique context_aware, la mise en œuvre du modèle de contexte
dans un système est nécessaire car elle permet de gérer la sensibilité au contexte et
l’adaptation. Le modèle de contexte que nous proposons permet de gérer un contexte
dynamique et propose un ensemble de dimensions caractérisées par des propriétés
contextuelles structurées et des métadonnées sur ces propriétés pour gérer les stratégies
d’adaptation dans notre système. En effet, ce modèle va ensuite être utilisé pour déterminer
comment contextualiser des activités et des ressources d’apprentissage en fonction du
contexte en cours. Notre modèle de contexte (MC) définit un ensemble de dimensions de
contexte dont chacune est caractérisée par un ensemble de caractéristiques contextuelles :
MC={d1, d2, …, dn}
(1)
Où :
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 139
Session Poster
n : est le nombre de dimensions contextuelles
di : représente la ième dimention de contexte appartenant à MC.
Une dimension de contexte est définit par des caractéristiques contextuelles et des
métadonnées de contexte permettant de décrire les caractéristiques, assurer la gestion de la
dimension et déterminer la stratégie d’adaptation relative à la dimension.
di = [Ci, Mi]
(2)
Où :
Ci : ensemble de caractéristiques contextuelles relatives à la dimension di,
Mi : sous ensemble de métadonnées du contexte associé à la dimension di
Dans le cadre de notre travail, et après avoir passé en revue les différentes catégorisations des
éléments de contexte dans les différents systèmes d’apprentissage context_aware et pervasif
[Dey, 2001 ; Dourish, 2004 ; Schilit., 1995], nous avons adopté une classification des
caractéristiques contextuelles utiles pour le processus d’apprentissage en quatre dimensions :
Apprenant (identification, connaissances, préférences, style d'apprentissage, ..),
l'environnement (localisation, temps, luminosité..), le dispositif (capacité, taille, poids,
connectivité,..) et l'activité (objectif, tâche, outils, objet à manipuler, services disponibles, ..).
La modélisation du contexte est basée sur un processus qui analyse et examine des scénarios
d’apprentissage décrivant les activités de l’apprenant dans différents situations
d'apprentissage (consultation d'un cours, résolution d'un exercice, …etc.) et cela pour en
extraire les informations contextuelles utiles pour l’apprentissage en contexte. En effet, les
concepteurs utilisent les scénarios pour la collecte des besoins des utilisateurs. Ces besoins
comportent la contextualisation des ressources d’apprentissage dans le contexte. Le processus
de modélisation de contexte repose sur les étapes suivantes :
1. Extraire les informations contextuelles répondant aux questions relatives aux qui
(utilisateur), quoi, comment (activité), avec quoi (dispositif), quand et où
(environnement)? à partir des scénarios décrivant les scénarios d’apprentissage, les
informations contextuelles doivent constituer un ensemble le plus complet possible qui est
capable de décrire tous les contextes dans les scénarios d'apprentissage;
2. Analyser et catégoriser les informations contextuelles extraites en quatre catégories
(Apprenant, Environnement, Dispositif et activité)
3. Filtrer les informations contextuelles utiles pour le processus d'apprentissage car certaines
informations ne sont pas utiles pour la contextualisation des ressources d'apprentissage.
4. Construction du modèle du contexte d'apprentissage à base des informations contextuelles
catégorisées et utiles
Le modèle du contexte proposé est un modèle à deux nivaux. Le niveau primaire représente
les dimensions du contexte et niveau secondaire représente les caractéristiques contextuelles
relatives aux dimensions. Le modèle de contexte est représenté sous forme d'une ontologie de
contexte extensible baptisée OntoContext (figure 01). Cette ontologie est décrite en langage
OWL. Elle consiste en quatre classes de haut niveau représentants les dimensions du contexte
(Learner, Environment, Device et Activity) et leurs sous-classes qui représentent les
caractéristiques contextuelles relatives aux dimensions.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 140
Session Poster
Figure 01 : Structure de l'ontologie OntoContext
SAMC : un Système d'Apprentissage Mobile et Context_aware
Le système SAMC (Système d'Apprentissage Mobile et Contextaware) que nous proposons
est un système context_aware active et autonome dédié à l'apprentissage humain dans un
environnement mobile et ubiquitaire. Il prend en compte le contexte des apprenants.
L'architecture du système SAMC est représentée ci_dessous
:
Contexteur
Contexte
Module
de gestion
Apprenant
Plateforme
d'apprentissag
e mobile
Scénario,
contenus,
services
contextualisé
Historique
de contexte
Situation
contextuelle
Module
d’adaptation
contextuelle
Modèle
de
Schéma de
métadonné
e
BD
Figure 02 : Architecture du système SAMC
SAMC est conçu sur la base d'une plateforme de E_learning classique appelée MOODLE que
nous l'avons augmenté par un module contenant les nouvelles fonctionnalités des technologies
mobiles pour une éventuelle adaptation aux environnements ubiquitaires et mobiles des
réseaux et des dispositifs utilisés dans l'apprentissage. Cette plateforme d'apprentissage
supportant la mobilité des nouvelles technologies: M_MOODLE.
La sensibilité au contexte de notre système est assurée par le middleware Contexteur qui
repose essentiellement sur deux modules qui vont être détaillés par la suite :
 Un module de gestion de contexte (MGC);
 Un module d’adaptation au contexte (MAC) des ressources d'apprentissage
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 141
Session Poster
4.1. Module de gestion du contexte :
La gestion du contexte dans le système SAMC est basée sur l’utilisation du modèle de
contexte et d’un schéma de métadonnées du contexte. Elle est basée sur un processus itératif
qui utilise les informations contextuelles, disponibles dans un contexte d’apprenant, qui sont
acquises à partir des senseurs (matériels et logiciels) et des interactions de l’utilisateur. Il
s’agit de capturer les données du contexte (et ses changements), de les convertir sous forme
exploitable, de les interpréter et catégoriser, de les stocker dans une base de données de
contexte et de les distribuer aux applications. Notre processus de gestion du contexte prend en
compte la dynamique des changements de contexte au moment de l'exécution. Pour cela faire,
il détecte les changements du contexte courant, puis génère un nouveau contexte ou met à jour
le contexte courant. Le processus de gestion de contexte se décompose en plusieurs étapes :
 Acquisition de contexte : L’acquisition des informations contextuelles de l’environnement
d’apprentissage se fait par des modules qui capturent directement le contexte de
l’environnement (localisation, activité, dispositif, connectivité, état de l'apprenant,
temps…etc.) et les changements de contexte à partir des senseurs matériels et logiciels du
contexte installés dans l’environnement d'apprentissage et des moyens d’interaction. Il
s’agit de capturer directement ou implicitement les données brutes du contexte (et ses
changements) et les présentées au module de gestion de contexte.
 Conversion : Cette étape convertit les informations contextuelles brutes obtenues dans
l’étape précédente en unités contextuelles qui représentent une forme utilisable par l’étape
d’interprétation (conversion en unités contextuelles exprimées en OWL)
 Interprétation : Il s’agit d’interpréter ces unités contextuelles en déterminant leurs
utilisations selon le modèle de contexte. En effet, les données brutes du contexte sont
généralement plus techniques et ont un format plus spécifique aux capteurs. C’est pour
cela, qu’elles doivent être interprétées de façon significative et compréhensible et avoir un
niveau d’abstraction suffisant pour pouvoir inférer des faits, déclencher des règles
d’apprentissage ou bien être utilisées par des fonctions du système. Cette phase consiste
donc à analyser et transformer les unités contextuelles brutes capturées vers d’autres
formats avec un plus haut niveau d’abstraction qui seront plus facile à utiliser par le
module d’adaptation au contexte du système SAMC. Dans notre système, l’interprétation
des données brutes est effectuée par un moteur de raisonnement sur des contextes qui
permet la déduction de contextes significatif selon le modèle de contexte en utilisant des
règles d’inférence.
 Détection de changements de contexte : L’étape de détection de changements de contexte
reçoit les données du contexte capturées et détermine si les changements de contexte
mènent à la création d’un nouveau contexte ou à une mise à jour de du contexte courant.
 Stockage des informations contextuelles : Lorsque les données du contexte sont
interprétées en fonction d’un modèle de contexte et utilisées dans le système, il est
nécessaire d’organiser et de mémoriser ces informations pour tracer les contextes passés
de l’utilisateur pour des utilisations ultérieures. Ces contextes passés forment un
historique de l’apprenant qui décrit par exemple l’ordonnancement des états des activités
qu’il exécute et assure ainsi la continuité des activités de l’apprenant au travers de
différents contextes dans le temps. L’utilisation de l’historique des contextes passés
permet aussi de déduire, par exemple, les préférences utilisateur, ses comportements, etc.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 142
Session Poster
4.2. L’adaptation au contexte :
La question fondamentale dans un environnement d'apprentissage contextaware est comment
fournir aux apprenants des ressources d’apprentissage (contenus et services) adaptées à la
situation contextuelle courante. Pour répondre à cette question, nous proposons une stratégie
d’adaptation qui sélectionne les ressources les plus pertinentes par rapport au contexte
courant. Cette sélection est basée sur un appariement de la situation contextuelle courante
avec les métadonnées contextuelles décrivant les ressources d’apprentissage et plus
précisément décrivant la pertinence des ressources par rapport aux différents contextes
d’apprentissage. L’adaptation repose sur le modèle de contexte, le schéma de métadonnées de
contexte, des règles d’adaptation et les métadonnées des ressources d’apprentissage
Conclusion et perspectives :
Les travaux présentés ici tentent d'apporter une réponse au problème de l’adaptation des
système d'apprentissage au contexte des apprenants en proposant un processus de gestion de
la sensibilité au contexte qui repose sur une gestion de contexte et une stratégie d’adaptation
des ressources d'apprentissage selon le contexte en cours des apprenants. Ce processus est
basé sur un modèle de contexte et un schéma de métadonnées de contexte. Toutefois, il est à
mentionner qu'une implémentation de ce système est en cours de réalisation
Références :
[Anani & al., 2008] Anani A., et al., “M-Learning in Review: Technology, Standard and
Evaluation”, Journal of Communication and Computer. 2008;
[Baldauf, 2007] Baldauf. M, “A survey on context_aware systems”, Int. J. Ad Hoc and
Ubiquitous Computing, Vol. 2, No. 4, 2007
[Berri & al., 2006] Berri, J., Benlamri, R., & Atif, Y., “Ontology-based Framework for
Context-aware Mobile Learning”, Paper presented at the International Conference On
Communications And Mobile Computing, 2006
[Brown, 1996] Brown P. J., “The Stick-E Document: A Framework for Creating ContexteAware Applications”. Electronic Publishing 1996. Laxenburg, Austria; 1996.
[Brown & al., 1997] Brown, P. J., Bovey, J. D., & Chen, X., “Context-Aware Applications:
From the Laboratory to the Marketplace”. IEEE Personal Communications, 4(5), 1997
[C.Chu & al., 2005] C.Chu W., et al., “Context-Sensitive Content Representation for Mobile
Learning”. ICWL2005- the 4th International Conference of Web-Based learning. Hong Kong,
China; 2005.
[Chalmers 2004] Chalmers M. J., “A Historical View of Context”. Computer Supported
Cooperative Work. 2004
[Chen & al., 2000] Chen, G., and Kotz, D., “A survey of context-aware mobile computing
research”. Tech. Rep. TR2000-381, Dartmouth, November 2000.
[Chu & al., 2007] Chu Y. L. et Liu T. Y., “Handheld Computer Supported Context-Aware
Learning with 2d Barcodes”. In: Spector JM, Sampson DG, Okamoto T, et al., eds. 7th IEEE
International Conference on Advanced Learning Technologies. Niigata, JAPAN; 2007: 485486.
[Chuantao, 2010] Chuantao Y., “SAMCCO : un Système d’Apprentissage Mobile Contextuel
et Collaboratif dans des Situations Professionnelles”, thèse 2010
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 143
Session Poster
[Derntl & al., 2005] Derntl, M., & Hummel, K. A., “Modeling context-aware e-learning
scenarios”. Paper presented at the Pervasive Computing and Communications Workshops,
2005. PerCom 2005 Workshops. Third IEEE International Conference on, 337-342.
[Dey, 2000] Dey A. K., “Providing Architectural Support for Building Context-Aware
Applications”; thesis, 2000.
[Dey, 2001] Dey, A. K., “Understanding and using context.” Personal and Ubiquitous
Computing, Special issue on Situated Interaction and Ubiquitous Computing, 2001.
[Dourish, 2004] Dourish, P., “What we talk about when we talk about context”. Personal
Ubiquitous Computer, 2004.
[Greeberg, 2001] Greeberg S. “Context as a Dynamic Construct”, Human-Computer
Interaction. 2001
[Gu & al., 2004] Gu T., et al. “An Ontolgoy Based Context Model in Intelligent
Environements”. Communication Networks and Distributed Systems Modeling and
Simulation Conference San Diego, California, USA; 2004.
[Held & al., 2002] Held A., et al. “Modeling of Context Information for Pervasive Computing
Applications”. Proceedings of SCI 2002/ISAS 2002
[Henricksen & al., 2003] Henricksen K., et al. “Generating Context Management
Infrastructure from High-Level Context Models”. 4th International Conference on Mobile
Data Management. Melbourne Australia; 2003.
[Hong & al., 2008a] Hong J.-y., et al., “Contexte-Aware Systèms: A Literature Review and
Classification”. Expert Systems with Applications. 2008;36(2009):8509-8522
[Hong & al., 2008b] Hong J.-y., & Cho, D. “Ontology Context Model for Context-Aware
Learning Service in Ubiquitous Learning Environments”. International Journal of Computers,
2008, 2(3), 193-200.
[Krummenacher & al., 2008] Krummenacher, R., & Strang, T. “Ontology-Based Context
Modeling”. Workshop on Context-Aware Proactive Systems. 2008
[Moran & al., 2001] Moran T. P. et Dourish P., “Context-Aware Computing”, HumanComputer Interaction. 2001;
[Nguyen & al., 2008] Nguyen, C.P., & Garlatti, S., “Context-Aware Scenarios for Pervasive
Long-Life Learning”. International Conference on Web Intelligence and Intelligent Agent
Technology IEEE/WIC/ACM. WI-AT'08, Sydney, Australia, 824-827, 2008.
[Nguyen, 2010] Nguyen C.P, “Conception d’un système d’apprentissage et de travail Pervasif
et adaptatif fondé sur un modèle de scénario”, thèse 2010
[Pascoe., 1998] Pascoe J., “ Adding Generic Contextual Capabilities to Wearable
Computers”. The Second International Symposium on Wearable Computers. Pittsburgh,
Pennsylvania; 1998.
[Ranganathan & al., 2003] Ranganathan, A., McGrath, R. E., Campbell, R. H., & Mickunas,
M. D., “Ontologies in a Pervasive Computing Environment”. Workshop on Ontologies and
Distributed Sytems (part of the 18th International Joint Conference on AI (IJCAI 2003)),
Acapulco, Mexico 9 August 2003.
[Schilit & al., 1994] Schilit, B. N., Adams, N. L., and Want, R., “Context-aware computing
applications”. In IEEE Workshop on Mobile Computing Systems and Applications (Santa
Cruz, CA, US,1994
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 144
Session Poster
[Schilit., 1995] Schilit, W. N., “A System Architecture for Context-Aware Mobile
Computing”. PhD thesis, Columbia University, 1995.
[Schmidt & al., 1999] Schmidt A., et al., “There Is More to Context Than Location”.
Computers and Graphics. 1999;23(6):893-901
[Strang & al., 2003] Strang, T., Linnhoff-Popien, C., and Frank, K., “CoOL: A Context
Ontology Language to enable Contextual Interoperability”. In LNCS 2893: Proceedings of
4th IFIP WG 6.1 International Conference on Distributed Applications and Interoperable
Systems (DAIS2003) (Paris/France, November 2003),
[Strang & al., 2004] Strang T. et Linnhoff-Popien C. A, “Context Modeling Survey”. the
Sixth International Conference on Ubiquitous Computing. Nottingham, England; 2004.
[Yu & al., 2008] Yu, Z., Zhou, X., & Nakamura, Y. “Semantic Learning Space: An
Infrastructure for Context-Aware Ubiquitous Learning”. 5th international conference on
Ubiquitous Intelligence and Computing, Oslo, Norway, 131 – 142, 2008.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 145
Session Poster
Un outil générique de guidage à base de traces : modèle te expérience
Hafidi mohamed, Bensebaa Taher
Laboratoire Recherche en Informatique (LRI), Faculté des sciences de l’ingénieur
Université Badji-Mokhtar – -Annaba, B.P. 12 Annaba 23000, Algérie
[email protected],
[email protected]
Résumé :
Dans le domaine des tuteurs intelligents, une analyse didactique fine des typologies d’erreur
permet de guider l’apprenant dans son apprentissage. Aussi pour aider l’enseignant à analyser
l’état de connaissance de l’apprenant, un EIAH peut dresser un profil cognitif qui est ensuite
exploité par l’enseignant avec des outils ad-hoc, pour mettre en place une remédiation
adaptée. Cependant l'analyse produite à partir des traces est étroitement liée aux domaines
didactiques, et différents d'un domaine à un autre. Dans la diversité des domaines enseignés,
comment proposer un modèle tenant compte de cette multitude et permettant une analyse de
l'activité de l'apprenant et son guidage ?
Mots Clés :
Hpermédia, modèle de l’apprenant, stratégie de guidage, traces, tuteur intelligent.
introduction
L’EIAH est un domaine pluridisciplinaire, qui nécessite la collaboration de l’informatique (en
tant que support), l’Intelligence Artificielle (IA) (pour la modélisation des connaissances et du
raisonnement), l’Interaction Homme-Machine (IHM) (pour l’ergonomie des interfaces), la
psychologie cognitive (pour la compréhension de l’apprentissage chez le sujet humain et
l’évaluation des acquisitions), la didactique des disciplines et les sciences de l’éducation (pour
la réflexion sur les connaissances à enseigner et les méthodes d’enseignement), et enfin les
sciences de l’information et de la communication (pour la relation entre connaissances et
médias).
En revanche, Les apprenants se trouvent souvent dans des situations où ils veulent atteindre
un but mais ne disposent pas des connaissances qui leur permettraient de l’atteindre
spontanément. Ces situations sont qualifiées de problèmes. En effet, guider un apprenant dans
une activité pédagogique est une tache complexe, sans garantie de succès. Si l’apprenant est
pas mal guidé dans la réalisation d’une tache, l’objectif d’apprentissage n’est pas atteint, et
bien souvent l’apprentissage ne s’effectue pas. Dans notre travail, la pertinence du guidage
sera relative aux connaissances antérieures de l’apprenant et au but d’apprentissage visé
[Renkel,2000] [Renkel,1997] [Tuovien,1999]. Dans la diversité des domaines enseignés,
comment proposer un modèle générique de remédiation tenant compte de cette multitude et
permettant une analyse de l'activité de l'apprenant et son guidage ? Le guidage proposé est
paramétré selon le domaine afin d'être transposable. Notre travail vise à développer un
système tuteur intelligent lors de la réalisation d’une activité pédagogique, intégré à un
hypermédia adaptatif, en se basant sur l’ensemble des traces de l’apprenant et l’application
d’une variété de stratégies pédagogiques de remédiation.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 146
Session Poster
Architecture du système
Le système implémentant notre proposition est constitué des composants standards d’un
hypermédia adaptatif [Delestre,2000] [Brusilovsky,1998], en plus d’un modèle de guidage et
d’un corpus d’activités : un module de représentation de la connaissance du domaine, un
modèle de l’apprenant, une base multimédia pour les documents.
Figure 1 : Architecture du système
Modèle du domaine
Le modèle de domaine est défini comme étant un ensemble d’activités pédagogiques, tel que
chaque activité est associée à un ou plusieurs concepts qui sont interconnectés entre eux par
des relations de suffisance et de précédence [Heraud, 2005], [Heraud,2002].
Modèle apprenant
Le modèle de l’apprenant représente la croyance qu’a un système sur l‘apprenant, il est
caractérisé par un ensemble de niveaux de maîtrise et un ensemble de traces.
Nous souhaitons évaluer continuellement le niveau de maîtrise de l’apprenant pour élaborer
une cartographie de son état de connaissance. Le modèle de l’apprenant s’enrichit donc à
l’issue de chaque activité après analyse des traces produites.
Modèle de guidage
A l’issus d’une évaluation après l’accomplissement d’une activité d’apprentissage, le modèle
de guidage propose à l’apprenant d’autres activités de remédiations dans le but de le guider et
de le soutenir à améliorer son apprentissage sur des notions consultées (augmenter ses
niveaux de maîtrise) ainsi que les mobiliser.
Les métriques
Un concept est caractérisé par :
- Niveau de maîtrise α : est le degré de connaissance sur ce concept.
- Achèvement δ : est la quantification d’un gain d’apprentissage sur ce concept. Il est encadré
par un maximum m de niveau de maîtrise auquel il donne droit.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 147
Session Poster
Pour construire le modèle de l’apprenant nous définissons quelques métriques, tirée des
travaux de ISTOA [Fernandes, 2007], [Fernandes, 2008] :
2.3.1.1 Somme d’ensembles de niveaux de maîtrise et d’achèvements : L’état de connaissance
d’un apprenant est lui représenté par un ensemble de niveaux de maîtrise. Pour actualiser son
état de connaissance suite à une activité pédagogique, nous définissons une opération somme
d’ensembles de niveaux de maîtrise et d’achèvements comme suit :
Soient li et ai un niveau de maîtrise et un achèvement sur un concept ni :
li + ai = (ni; max (α; min (α +δ; m))) [1]
2 .3.1.2 Ecart effectif de maîtrise : L’écart effectif est défini par la différence entre le niveau
de maîtrise après la réalisation de l’activité et le niveau de maîtrise initial d’un concept donné.
Ei = α’i - αi.
[2]
2.3.1.3 Potentiel de maîtrise : Pour un concept donné, le potentiel de maîtrise est le niveau de
maîtrise maximum que peut atteindre l’apprenant en réalisant correctement une activité. Ceci
en tenant compte de son niveau de maîtrise actuel.
P = max (α; min (α +δ; m)).
[3]
2.3.1.4 Taux de réussite d’apprentissage : Pour un concept donné, le taux de réussite
d’apprentissage quantifie l’amplitude de ce qui fut appris tout en tenant compte du potentiel
d’apprentissage de l’apprenant sur cette activité. Pour une activité avec un potentiel
d’apprentissage proche du niveau de maîtrise de l’apprenant, cela relève le taux de réussite et
donc permet de dépasser l’activité.
Ti = 100 х (Ei / (Pi- αi)) pour Pi > αi
[4]
Ti = 100 х (δ’i / δi) pour Pi = αi
Stratégies de guidage
A l’issue d’une activité, le modèle de guidage propose à l’apprenant d’autres activités. Pour
cela il tient compte des achèvements, du contexte, des niveaux de maîtrise, et, en analysant,
des autres activités déjà réalisées. L’analyse s’appuie sur un ensemble de stratégies.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 148
Session Poster
Figure 1 : Stratégies de guidage
Conclusion
Dans cet article, nous avons présenté la conception d’un tuteur intelligent dédie aux
apprenants ayant des difficultés de l’apprentissage. Notre système repose sur les points
suivants :
- Organisation de l’enseignement, c’est à dire l’ordre dans lequel des concepts sont enseignés.
- Modélisation du contenu pédagogique par l’utilisation des activités pédagogiques.
- Mesure de la progression de l’apprenant en évaluant son degré d’acquisition pour chacun
des concepts du domaine.
- Utilisation des traces de l’apprenant.
- Evaluation continue du niveau de maîtrise de l’apprenant.
- Utilisation de stratégies de soutien pour l’apprenant.
Nous avons aussi accordé une importance à l’utilisation de plusieurs types d’activités ainsi de
nombreux types de ressources.
L’originalité de ce travail réside d’une part dans la proposition d’un système d’aide orienté
activité, et d’autre part de mettre à la disposition des apprenants, plusieurs domaine
d’enseignements, ainsi que des activités de soutiens selon leur profil. En revanche, nous
comptons également de valider notre prototype sur une population large, et avec la possibilité
d’intégrer des jeux sérieux.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 149
Session Poster
Bibliographie
[Brusilovsky, 1998] Brusilovsky P.,“Methods and techniques of adaptive hypermedia”,
Adaptive hypertexte and hypermedia, Kluwer Academic Publishers, 1998, p 1-43.
[Delestre, 2000] Delestre N., “Un hypermédia adaptatif dynamique pour l’enseignement“,
Thèse au laboratoire PSI de l’université de Rouen, 2000.
[Fernandes, 2007a] Fernandes H., Carron HT., Ducasse S. De l’importance des plans
d’interaction dans la géométrie interactive, In EIAH, 2007.
[Fernandes, 2008b] Fernande H., Carronand S, Ducasse HT., istoa: Artefacts for
mathematical interactive ., Marty JC., France L., Carron T., «Une aide à l’interprétation de
traces : application à l’amélioration de scénarios pédagogiques », EIAH, 2005.
[Heraud, 2002] Heraud J., Pixed, Une approche collaborative de l’expérience et l’expertise
pour guider l’adaptation des hypermédias, PhD thesis, Université Lyon I,,(2002).
[Renkl, 1997a] Renkl A., “Learning from worked-out examples: A study on individual
differences”, Cognitive Science, 1997, 21, 1-29.
[Renkl, 2000] Renkl, A., Atkinson, R. K., Maier, U. H., Staley, R. «From example study to
problem solving: Smooth transitions help learning». Journal of Experimental Education,
2000, 70, 293-315.
[Tuovinen, 1999] J., Sweller, J., A comparison of cognitive load associated with discovery
learning and worked examples, journal of Educational Psychology, 1999, 91, 334-341.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 150
Session Poster
Adaptation des Services Web avec l’environnement mobile
Baroudi Toufik 1 , Zidani Abdelmadjid2 , Khababa Abdallah 3
Université Elhadj Lakhdar BATNA , Rue kadi aissa N 12 Bouakal 3 Batna
[email protected]
2
Université Elhadj Lakhdar BATNA , Faculté de sciences , Département de
L’informatique, [email protected]
3
Université ferhat Abbes Setif , Faculté de sciences , Département de
L’informatique, [email protected]
1
Résumé
Aujourd'hui, les technologies Internet permettent à une vague d'innovations qui ont un
impact important sur la façon dont les entreprises traitent avec leurs partenaires et clients.
La plupart des entreprises délocalisent leurs activités vers le Web pour une plus grande
automatisation, processus d'affaires efficaces, et une visibilité mondiale.
Les services Web sont l'une des technologies prometteuses qui aident les entreprises dans la
réalisation de ces opérations.
Outre le nouveau rôle d'Internet comme véhicule de livraison de services Web, une
croissance importante dans le domaine des technologies sans fil et mobiles a des témoins.
Parce que les utilisateurs s'appuient fortement sur des appareils mobiles pour effectuer leurs
opérations, en adoptant les services Web à partir d'appareils mobiles et la possibilité de
téléchargement de ces services Web pour l'exécution sur des appareils mobiles sont autant de
voies que le monde académique et les communautés de l'industrie poursuivent.
Dans ce rapport on va présenter les concepts de base pour les deux domaine: les web
services et l’informatique mobile, ensuite nous allons essayé d’implémenter et exécuter un
service web dans l’environnement mobile. et enfin nous avons fait une comparaison entre
l’execution des web services sur l’environnement fixe et sur l’environnement mobile en
utilisant l’outil SOAPUi.
Mots clés
Web services, mobilité, WSDL, SOAP, XML, Web services mobiles.
1-INTRODUCTION
Les services web reflètent une approche de conception orientée services, basée sur l’idée de
construire des applications en découvrant des services réseau ou en invoquant des applications pour
accomplir des tâches.
L’utilisation de Service Web rend possible la réalisation d’environnements technologiques
distribués dans lesquels des applications ou des composantes applicatives, peuvent interagir entre
elle de façon homogène, et ce de manière indépendante de la plate forme physique, des langages de
programmation ou encore des systèmes d’exploitation. Ainsi, un Service Web est un morceau de
logique d’affaires, localisée quelque part sur un réseau, qui est accessible via des normes et
standards Internet tels que XML. Utiliser un Service Web peut être aussi simple que de s’habiliter
sur un portail ou aussi complexe que d’amorcer une transaction d’affaires multi organisation.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 151
Session Poster
2-TECHNOLOGIES UTILISEES PAR LES SERVICES WEB
Les Services Web sont basés sur trois technologies qui ont émergé comme standards
Internet. Chacune d’elles fournit un niveau spécifique de l’ensemble des technologies composant
les Services Web. Ces trois technologies sont :
-« Simple Object Access Protocol » (SOAP) , qui fournit une structure d’emballage permettant de
transporter des documents ;
-« Web Services Description Language » (WSDL), qui est utilisé comme méthode de description de
services ;
-« Universal Description, Discovery and Integration »(UDDI), qui est utilisé comme méthode de
publication et découverte de services .
2-1.Simple Object Access Protocol (SOAP)
SOAP fournit une structure d’emballage standard XML permettant de transporter des
documents sur une variété de technologies Internet, comprenant SMTP, HTTP et FTP. En fait ce
protocole de communication permet l’interopérabilité des applications à travers l’Internet.
L’interopérabilité implique qu’un programme opérant sur un système ouvert fonctionne égalemnet
sur un autre système. SOAP associe les protocoles HTTP, SMTP et FTP à la flexibilité et
l’extensibilité du langage XML, pour faciliter la communication entre différentes modèles de
développement, dont CORBA et DCOM. Il permet aux développeurs de réaliser des Services Web
et de relier des composantes hétérogènes sur Internet.
2-2.Web Services Description Language (WSDL)
L’adoption des formats d’emballage (de messagerie) SOAP a suscité le besoin de décrire les
renseignements opérationnels de manière plus structurée. WSDL a ainsi été introduit afin d’adresser
ce besoin.
WSDL est une technologie basée sur XML qui décrit l’interface d’une Service Web de
manière standard. Il permet de décrire des services réseau en tant que nœuds terminaux opérant sur
des messages composés soit d’un contenu de type passif (document), soit d’un contenu de type actif
(procédure). WSDL standardise la façon qu’un Service Web représente les paramètres externes
d’entrée et de sortie, la structure des fonctions et la nature de l’appel (entrée seulement, entrée et
sortie, etc). WSDL permet aux clients hétérogènes de comprendre comment réagir avec un Service
Web.
2-3.Universal Description, Discovery and Integration (UDDI)
UDDI procure un répertoire en ligne, référençant l’ensemble des Services Web disponibles,
dont le but et de permettre de publiciser, de découvrir, et d’intégrer ces services. UDDI fournit une
structure permettant de représenter les relations d’affaires, les Services Web, les spécifications de
métadonnées et les points d’accés des Services Web.
Conceptuellement, une organisation peut enregistrer trois types de renseignements dans une
répertoire UDDI. La spécification ne se limite pas spécifiquement qu’à ces trois types, mais donne
une vue d’ensemble de ce qu’un répertoire UDDI permet d’entroposer :
-Les pages blanches : renseignements de base sur les contacts et les identifiants d’une organisation,
y compris le nom de l’organisation, son adresse, les renseignements sur les ressources et les
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 152
Session Poster
identifiants uniques. Ces renseignements permettent aux requérants de découvrir les Services Web
basés sur l’identification d’une organisation.
-Les pages jaunes : renseignements décrivant un Service Web en utilisant des catégorisation
différentes. Ces renseignements permettent aux requérants de découvrir les Services Web à partir
des catégorisation (tel que par ministère, organisme ou partenaire).
-Les pages vertes : renseignements techniques décrivant les comportements et les fonctions
supportées d’un Service Web d’une organisation. Ces renseignements incluent des liens aux
regroupements d’information des Services Web ainsi que la localisation de ces derniers.
Figure 1 : l’architecture Orienté service
3-L’INFORMATIQUE MOBILE
Dans une étude sur la mobilité éditée en décembre 2002 par IDC (http://www.idc.fr), plus de
4,5 millions de personnes en France sont mobiles au sens qu’ils travaillent sur plus d’un lieu
physique unique au sein de leur entreprise, et plus de 6 millions le sont à l’extérieur. Cette mobilité
peut être locale, avec les réseaux sans fil de l’entreprise, comme elle peut être étendue, avec les
réseaux sans fil à grande échelle. Par ailleurs, les réseaux informatiques ont évolué des simples
réseaux locaux filaires à des réseaux sans fil interconnectant des équipements mobiles tels que les
assistants personnels numériques (Personal Digital Assistant, PDA) ou les téléphones portables.
Cette évolution a abouti au développement de l’informatique mobile dans laquelle l’utilisateur peut
continuer à utiliser les services fournis par une infrastructure répartie quelque soit son emplacement.
Depuis le début des années 90, la forte évolution réalisée dans les réseaux sans fil et les
terminaux mobiles suscite un intérêt croissant pour l’informatique . En outre, l’être humain se
caractérise par son nomadisme : il semble avoir été le premier à avoir quitté sa terre d’origine et
peuplé progressivement les différents continents. Nous ne voulons pas rentrer dans l’histoire de
l’humanité, mais juste souligner que l’être humain est par nature nomade. Aujourd’hui, cette
ambition de nomadisme n’est pas uniquement liée à un désir ardent de promotion sociale mais aussi
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 153
Session Poster
à une vision professionnelle . En effet, dans son entourage professionnel, l’être humain utilise
quotidiennement différentes sortes d’ordinateurs, au travail, à la maison ou même lorsqu’il voyage .
Ainsi, un nouveau paradigme est apparu, connu sous le nom d’informatique mobile. L’informatique
mobile offre un mécanisme de communication flexible entre les utilisateurs et un accès à l’ensemble
des services normalement disponibles dans un environnement classique (fixe), à travers un réseau,
indépendamment de la localisation physique (géographique) et des déplacements de l’utilisateur.
extensions représentent un facteur non négligeable de choix d’un terminal mobile : par exemple,
lecteur de codes-barres, Wi-Fi, Bluetooth, modem GSM/GPRS... Ainsi, plusieurs configurations et
architectures peuvent contribuer à améliorer la fiabilité des terminaux mobiles dans le but de
satisfaire les exigences des utilisateurs finaux. Sur le marché actuel, les terminaux mobiles se
classent en trois catégories : les ordinateurs portables, les ordinateurs de poche ou assistants
personnels numériques et les téléphones mobiles.
4-ADAPTATION DES SERVICES WEB AVEC LES ENVIRONNEMENTS MOBILES
4-1 Création d’un web service dans l’environnement mobile
Les web services sont des applications accessibles sur Internet réalisant chacune une tâche
spécifique. Les services Web sont en mouvement vers le monde mobile comme une nouvelle
technologie pour la communication des applications. Les périphériques mobiles peuvent
fonctionner en tant que consommateurs de services ou fournisseurs de services. La plupart des
approches de soutien de nos jours, beaucoup de services Web à partir d'appareils mobiles.
C’est dans ce contexte que notre travail vise à apporter à un utilisateur les moyens nécessaire
pour combiner la technologie des services web avec l’environnement mobile.
Pour implémenter ce travail nous avons besoins de certaines technologies :
-Le langage java : Notre choix du langage de programmation s’est porté sur le langage JAVA.
-Java Platform Micro Edition : La technologie Java ME a été créée à l'origine pour faire face aux
contraintes liées au développement d'applications pour les petits appareils.
-NetBeans IDE : L'IDE NetBeans est un environnement de développement intégré open source
entièrement écrit en Java.
-NetBeans Mobility Pack : Le NetBeans Mobility Pack est un outil pour le développement
d'applications qui s'exécutent sur des appareils mobiles.
-Apache Tomcat :Apache Tomcat est un conteneur de servlets J2EE. Tomcat implémente les
spécifications des servlets et des JSP de Sun Microsystems.
-Java Web Services Developer Pack:
Le JWSDP de Sun vous permet d'écrire des applications de services web intégralement en langage
de programmation Java.
-Apache AXIS : Axis est une nouvelle implémentation de la spécification SOAP développé par la
fondation Apache qui succède à Apache SOAP.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 154
Session Poster
Notre travail est devisée en trois partie :
1- Création et déploiement du Web service
1.1- Création du web service
On commence par la création de notre service web. On prend l’exemple de conversion des
degrés Celsius (l’unité de température) en degrés fahrenheit. On l’appellera (fernerheit.jws), on met
dans le code suivant :
public class fernerheit {
public float getfernerheit (float a){
return (( 9 * a ) / 5 ) + 32 ;
}
}
1.2-Déploiement du service web
On copie ce fichier dans le dossier (axis) qui se trouvera normalement dans le (webapps )
notre serveur Tomcat :
Maintenant on peut lancer le serveur Tomcat, et pour accéder au service web taperl’url :
http://localhost:8080/axis/fernerheit.jws?wsdl
Le service web est maintenant opérationnel, pour le tester on va essayer la valeur 25 degrés
Celsius , on va taper l’url :
Http ://localhost:8080/axis/Fernerheit.jws?method=getfrrnerheit&a=25
et le service web nous
retourne 77 degrés Fahrenheit.
2-Création de l’application mobile
On crée un nouveau projet mobile avec l’utilisation NetBeans (le Pack Mobility doit être
installé)
3- Appel du service web à partir de l’application mobile
On exécute l’application mobile , on trouverons :
Ok
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 155
Session Poster
4-ETUDE COMPARATIVE ENTRE LES SERVICES WEB DANS L’ENVIRONNEMENT
FIXE ET L’ENVIRONNEMENT MOBILE
Notre comparaison est basée sur les temps de réponse pour les deux aspects, pour cela nous
utilison l’outil SOAPUI. L’un des objectifs de cette outil est de tester les web services et calculer le
temps de réponse. Aprés exécution de certaines web services sur internet on trouvons les résultats
obtenus dans le tableau suivant :
Tws 49 79 204 413 564 812 1025
TR1 57 60 127 201 312 622 883
TR2 101 112 325 749 786 1316 2457
Table 1 : tableau comparative du temps de réponse des web services.
Tws : la taille de web service en Octet.
TR1: le temps de réponse du web service dans un environnement fixe en milisecondes.
TR2: le temps de réponse du web service dans un environnement mobile en milisecondes.
Pour déduire la déférence des temps d’exécution entre les deux cas, on va tracer les courbes de
temps de réponse moyen pour les deux environnements dans le même plan :
3000
2500
2000
1500
1000
500
0
TR1
TR2
0
500
1000
1500
Figure 2:Les courbes de temps de réponse des services web.
A partir les courbes qui nous allons dessiner on peut extraire les remarques suivants :
1- nous remarquons que les deux courbes sont presque linéaire (sauf dans des cas irréguliers), alors
on peut déduire que le temps d’inspection des services web dans l’environnement fixe ou mobile est
représenté par la formule linéaire :
Y=a X+b.
Telle que :
Y : le temps de réponse.
X : la taille de service web.
a , b : constantes.
Alors on déduit que le temps d’inspection de service web est dépend de la taille de ce service
web.
2-Nous remarquons aussi , que la courbe de l’environnement mobile est toujours en dessus de la
courbe de l’environnement fixe, c'est-à-dire quelque soit la taille de service web le temps
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 156
Session Poster
d’inspection dans l’environnement mobile toujours plus grand que le temps d’inspection dans
l’environnement
fixe (sauf aussi dans des cas irréguliers), alors on peut déduire la formule suivantes :
Y1= Y+A.
Telle que :
Y1 : le temps de réponse dans l’environnement mobile.
Y : le temps de réponse dans l’environnement fixe.
A : temps variable pour l’adaptation mobile.
5-CONCLUSION
Il est clair que les services web représentent un nouveau paradigme prometteur qui dépasse
les technologies existantes. Leur architecture basée sur des standards Internet tels que XML, SOAP,
UDDI, WSDL et HTTP permet une communication facile et fluide entre les différents acteurs et
clients. Cependant, un service web de par sa nature permet de réaliser des tâches simples, ce qui
s'avèrent dans bien des cas insuffisant pour répondre aux besoins des utilisateurs.
L’omniprésence de l’informatique est aujourd’hui devenue une réalité. Le mouvement ira en
croissant dans les années à venir, avec l’interconnexion progressive de tous les appareils qui nous
entourent et l’amélioration des réseaux d’interconnexion. Les services Web sont en mouvement
vers le monde mobile comme une nouvelle technologie pour la communication des applications.
Outre le nouveau rôle d'Internet comme véhicule de livraison de services Web, une croissance
importante dans le domaine des technologies sans fil et mobiles. Nous avons donc étudie dans ce
travail les services web dans l’environnement mobile mobiles.
Après cet étude nous conclurons qu’il existe plusieurs contraintes qui influent directement sur
l’utilisation des services web dans l’environnement mobile comme la puissance de processeur des
appareils mobiles et la bande passante dans l’environnement mobile et les contraintes d’interface.
REFERENCES
[1] Frederick Hirsch ,John Kemp, Jani Ilkka; Mobile web services Architecture and
Implementation; 2006.
[2]Gilbert Babin ,Michel Leblanc ; Les web services et leur impact sur le commerce b2b ; Août
2003.
[3]Goran dordevich, A Possible Secure Mobile Web Service ; The Institute for Manufacturing
banknotes and coins NBS, Milan Marković, Serbia, Belgrade; 2008.
[4]James Kao; Developer's Guide to Building XML-based Web Services with the Java 2 Platform,
Enterprise Edition (J2EE); Juin 2001.
[5] James Keogh; J2ME:The Complete Reference; The McGraw-Hill Companies; 2003.
[6]James McGovern, Sameer Tyagi, Michael Stevens and Sunil Matthew; Java Web Services
Architecture; 2003.
[7] John Wiley , Sons Ltd; Mobile messaging Technologies and services Sms, ems and mms; The
Atrium, Southern Gate, Chichester,West Sussex PO19 8SQ, England; 2005.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 157
Session Poster
[8]Libero Maesano, Christian Bernard, Xavier Le Galles ; Services Web en J2EE et .Net conception
et implémentations, Septembre 2003.
[9]Michael Juntao Yuan; Enterprise J2ME: Developing Mobile Java; ApplicationsPrentice Hall
PTR ;October, 2003
[10] M. Tian, T. Voigt, T. Naumowicz, H. Ritter, J. Schiller; Performance Considerations for
Mobile Web Services; University Berlin, Germany Institut for informatics.
[11]Richard Monson-Haefel; J2EETM Web Services; Octobre 2003.
[12] Roy Friedman; Caching Web Services in Mobile Ad-Hoc Networks: Opportunities and
Challenges; 2002.
[13]Vorgelegt von, Satish Narayana Srirama ; Mobile Hosts in Enterprise Service Integration, Von
der faculté de mathématique, Informatique et sciences de la terre de RWTH ;September 2008.
[14]Zoran Stojanovic, Ajantha Dahanayake; Service-Oriented Software System Engineering:
Challenges and Practices; Delft University of Technology, The Netherlands; 2005.
[15] The World Wide Web consortium W3C, disponible dans : http://www.w3.org.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 158
Session Poster
Intelligent framework for resource discovery in peer to peer systems
Ilies Lekhal,Rachida Mekki
SIMPA Department of computer science usto
Oran, Algeria [email protected],
[email protected]
Abstract:
A Peer-To-Peer (P2P) is a new technological system. It contains a number of devolved distributed Network nodes that
are capable of sharing resources without central supervision. The IP-phone as one distinguished application as well as
divided computing and others have taken up the P2P into their base communication systems.
One of the most noticeable roles of the P2P is the location of resources. This later however, is not easy to attain due to
the P2P intrinsic nature, i.e. dynamic reconfiguration of the network.
With a particular focus on the importance of the concept of the resource discovery, this article will attempt to describe
and highlight our proposal which is about a smart based architecture that is concerned with the linkage of paradigm
mobile agent and semantic web while ensuring the resource location in a context of pure P2P system.
Keywords:
P2P; Mobile agent; Resource discovery; semantic web.
1
INTRODUCTION
A P2P is a new technological system. It contains a number of devolved distributed Network nodes that are capable of
sharing resources without central supervision [Saroiu, 2002] [Kubiak, 2007].
A P2P system includes a cover network where the nodes can interact and share resources with one another. Here,
‘resources’ mean the different services that are provided by the network nodes. One big issue can be considered in P2P
system is the location of resources[Milojicic, 2002]. It is the hardest mechanisms to implement. Napster’s solution was
to use a central server that provides indexing service. But, this server may be the most unsecured point because a simple
failure paralyzes the entire network. Therefore, P2P systems without any central server (pure P2P) are the area of active
research in current P2P system developments [Kubiak,2007]. We have proposed and implemented an efficient resource
location method based on a multiple-agent and web semantic in a pure P2P system.
In this paper, we endeavored to sketch out different experiences with a multi-agent system with an improved resource
location mechanism. In order to optimize the behavior of cooperating multiple agents, we mix web semantic that assists
mobile agents to migrate toward relatively resource nodes. Quasi-optimally guided migrating multiple agents are
expected to find desired resources effectively while reducing communication traffic in the network.
The major recent P2P applications use message flooding for resource discovery. This Message flooding helps to
develop rapidly the quantity of messages in the network. Because of network’s nodes increase, saturation will easily be
resulted. Hence, we may say that message flooding creates a problem with scalability.
The following chapter is as follows: the second section describes the background. The third section defines the
Motivation of using Mobile Agents in Peer-to-Peer Systems. The fourth section is concerned with the Related Work.
The fifth section recapitulates our proposal intelligent framework. The sixth section demonstrates implementation and
the results of numerical experiments. Finally, the seventh section discusses future work and conclusions.
2
BACKGROUND
2.1
Peer-to-peer networks
Peer-to-peer networks are one of the extends in the field of internetworking. In p2p-networks, the peers
(hosts) act as client and server [Saroiu, 2002] [Moro, 2005]. Milojicic et Al. [Milojicic, 2002] lists some
characteristics for p2p-system. These are:
•
•
Decentralization
Scalability
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 159
Session Poster
•
•
•
•
•
•
•
•
•
Anonymity
Self-Organization
Cost of Ownership
Ad-Hoc connectivity
Performance
Security
Transparency and Usability
Fault Resilience
Interoperability
Probably the most important of these are Decentralization, Scalability and Ad-Hoc connectivity. Usually,
P2P system’s clients’ act as servers’ .thus, there is no need for central management, which in traditional
client-server model is done by servers.
Scalability is achieved, as hosts can join or leave the network easily without having to register into a
database as hosts can also be up or down at every instant, ad-hoc connectivity is achieved. Peer-to-peer
networks can be divided into two main parts: pure p2pnetworks and hybrid networks.
Three distinguished types of this model can be noticed [Kubiak,2007]:
•
The centralized model: It is based on a central server that holds all knowledge. Clients send their
requests to the server that will replies a list of resources and hosting customers. There after clients
communicate with each other directly.
• The hybrid model: The control information which is substituted through the server while the flow of
data is exchanged peer to peer. The server acts as Monitoring Officer. Its role is dependent on
infrastructure. As an example of Kazaa, the role of the server is the discovery and location of
resources. In this model, some servers are offered for e.g. locating the resources.
The pure model: In this type of model, there is no server. The fact that a peer leaves the network does not
affect the proper running of the system. One of the systems using this type’s architecture comprises systems
based on distributed hash table such as Chord [Stoica, 2001], CAN [Milojicic, 2002], etc
2.2
The semantic web
The semantic web is an evolving collection of knowledge that allow anyone on the internet to add their
knowledge and find answers to their queries [Allemang, 2011][Segaran,2009]. One of the important function
of the semantic web is the definition of links between web resources in order to simplify their use, discovery,
integration and reuse in many applications. Thus, it ensures access to these resources through semantic
descriptions usable and understandable by machines in order to resolve semantics conflict appearing [Hitzler,
2009] [Hebeler, 2009]. The description is made by an ontology that is defined as shared conceptualization of
the domain knowledge [Calero, 2010] [Dietz, 2010]. In other words, ontology is intended to solve the
problem of lack of expressiveness, completeness and consistency of WSDL descriptions ("web services
description language," UDDI, "universal description, discovery and integration").
Thus, it should allow the user to describe the fields explicitly and rigorously. To achieve this goal and
describes the vocabulary of a field of knowledge, including the concepts used in the field and the
relationships between these concepts. Thus, it is based on a description language that provides facilities for
describing concepts and their relationships
2.3
Mobile agents
Mobile agents can be defined as programs that can migrate from host to another “Fig 1”. The program has
multiple functions: it can save its state, "jump" to another host, and continue the processing in the new
location. Mobile agents are also capable of multiplication or cloning themselves. The production of new
agents by duplication, cloning or by creating totally new agents is also one of its function [Braun, 2005]
[Genco, 2007].
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 160
Session Poster
With mobile agents, one can describe a job for the agent to manage. These occupations could be for
example: to find the cheapest item in an e-commerce network, or to find the possibilities of flights for a
vacation. A person could configure a mobile agent to perform this kind of task, launch it from a home
machine, and wait for the agent to return with the information.
It should be noted that the use of mobile agents adds more benefits to the use of networks. As mobile agents
can be programmed to perform certain tasks, the functionality of them can also be programmed in advance.
This could mean for example for mobile agents the ability to act differently in different kinds of networks.
Reddy lists some applications for mobile agents:
• Parallel computing
• Data collection
• E-commerce
• Mobile computing
In equivalent to computing, mobile agents could locate hosts with enough resources, do the computing, and
return home with data. For data collection, mobile agent could travel through the network and collect data
that the user had it configured to search for. In the field of e-commerce, mobile agents could trace the most
suitable item for the user. With mobile computing, mobile agents could help the host to save battery and
band width.
But as always, there are also drawbacks for mobile agents. Probably the biggest problem with them is the
security. When agents travel the network, there is a big possibility for malicious hosts attacking them before
the agent returns home.
Figure 1: The migration of mobile agent [Magedanz, 1998]
3 MOTIVATION OF USING MOBILE AGENTS IN P2P SYSTEMS
So far, the reason of using mobile agents in peer-to-peer networks comes from the following aspects
[Lübke,2004][Dimakopoulos,2003][Braun,2005] [Genco,2007] [Dunne,2001] :
First, mobile agents reduce the need for bandwidth. Very often peers establish a communication channel
between them all by using a distributed protocol. Then perform multiple connections over this channel. Each
of these interactions generates network traffic. Mobile agents permit these interactions to be packaged
together, and sent as a discrete piece of network traffic. This later then lets all the interactions to take place
locally. Mobile agents also enclose in all the required data within themselves. Therefore when a mobile agent
arrives on a computer it does not need to communicate with any other computers because it has all its data
with it. In a customary search protocol, all the raw data travels over the network to be processed, even
though only a subset of this data may be needed. In this scenario, the network traffic is reduced by mobile
agents all by moving the processing to the raw data rather then moving the raw data to the processing.
Finally, mobile agents can be very small sized, but can grow dynamically as they need to accommodate more
data.
Second, mobile agents are asynchronous. Hence, when a mobile agent is posted there is no need to wait for it
to return. Indeed, while the mobile agents are out, the original peer does not even need to remain connected
to the network. The mobile agents can wait until the original peer is back on the network before trying to
return to it.
Third, mobile agents are autonomous. This chiefly suits peer-to-peer networks, because the mobile agent is
learning about the network as it progresses through it. The mobile agent will visit peers that were unknown
when it was originally dispatched. At each peer it can make decisions based on its history of visited peers
and the current peer.
Fourth, information is being broadcasted at every peer that the mobile agent visits. Every peer benefits from
accepting a visiting mobile agent, because the mobile agent will have either new or more recent information
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 161
Session Poster
about resources. Also, every mobile agent benefits from visiting a peer since it will learn of either new or
updated resources. In case mobile agents do not contain any new information they may be destroyed.
Accepting and hosting mobile agents’ needs the use of physical resources, such as memory and computer
cycles. In case of the availability of more physical resources, it is easy for the peer to refuse further requests
to accept mobile agents. There it becomes critically limited.
Fifth, mobile agents may easily be duplicated and dispatched in different directions. This allows them to
function in parallel. Although this causes more mobile agents to be active on the network, it does ensure that
the network resource discovery is completed sooner, and therefore the mobile agents spend less time on the
network.
Sixth, a mobile agent based solution is very fault accepting. Even if some of the mobile agents are destroyed,
all surviving ones will have a positive influence. Certainly, the destroyed mobile agents will have benefited
every peer up to the point where they were destroyed. Finally, a mobile agent based solution can be
combined with successful features from other peer-to-peer based systems to delivered an improved final
solution.
4 RELATED WORK
The most common techniques for p2p resource discovery comprise query flooding and distributed hash
tables (DHT).Flooding a resource query over all the nodes of the network is the simplest and most
commonly used technique in commercial P2P networks,
However, query flooding produces considerable network traffic by blindly advancing the query across the
network. A controlled query flooding has been proposed by some researchers. They used rumor mongering
protocols, Improvements to query flooding Include strategic placement of resource availability and enable
rapid lookup [Cabani,2007] [Moro ,2005] [Kubiak,2007].
However, DHT-s need extra overhead in the form of updates to local hash tables within a node when nodes
and resources join or leave the network, and ,forwarding the updates to neighbor nodes.
Some DHT based techniques employ clever routing algorithms and strategic selection of the update set
among the neighbors nodes, to improve resource discovery. Other enhancements to traditional P2P resource
discovery techniques contain super-peer networks, and text based content ranking [Cabani,2007] [Moro
,2005] [Kubiak,2007].
However, query flooding and DHT based techniques do not include the information obtained from previous
resource queries for future searches. It rather focuses on resource management.
Dasgupta [Dasgupta,2004] presents a mobile agent based method for discovering resources in a network.
Dasgupta uses both, stationary and mobile agents. The agents in Dasguptas method are:
• Task agents (stationary)
• Reconnaissance agents (mobile)
• Search agents (mobile)
• Download agents (mobile or stationary)
• Information agents (stationary)
• Interface agents (stationary)
• Security agents
The most stimulating agents for this paper are reconnaissance, search and download agents. The procedure
for determining and downloading a resource from network is conducted by following method: Task agent
sends reconnaissance agents to all of the neighbor peers of the task agent.
The task for these agents is to discover the convenience of the resources including for example network
connectivity and computational capabilities of that node. After taking all the necessary information,
reconnaissance agent visits all the neighbor peers of the peer. When reconnaissance agent has visited a
limited number (which is decided when launching the agent) of nodes, it returns to home and tells the task
agent the addresses and other information obtained from hosts it had visited.
Second, when we want to find a resource (file etc.) a search agent is created by the task ones with an
itinerary that consists of nodes reconnaissance agent that had visited. On each of the visited hosts, search
agent saves all pertinent information in case of finding the resource needed on the host. After visiting all the
hosts on the itinerary, the agent returns home and tells the task agent about the information.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 162
Session Poster
Finally, the task agent decides from what peer the resource is going to be fetched, and creates a download
agent. Its main job is to download thee resource. Download agent attempts to open a connection without
going mobile, but if this is not feasible, it travels to the peer and negotiates the method to be used for
downloading.
Another method for discovery is described by Dunne [Dunne,2001] using mobile agents. In this method,
mobile agents are also launched from home host to the network to find the resources. But the agents are also
able to clone themselves and thus being able to search more efficiently from larger network. More reliability
is attained by reproducing more agents, as one or more of the agents can be destroyed while others still
trying to locate the resources. These methods for locating resources in the network can also be applied if the
resource to be searched is not a file. For example; the search for computational power for distributed
computing could be done by mobile agents.
5 PROPOSAL
We have proposed an intelligent Framework for resource discovery in a pure P2P system based on a multiple
agents and web semantic, called i-PRL (Intelligent P2P Resource Location) “Fig. 2”. By linking these two
technologies provides access to resources through using semantic descriptions usable and understandable by
the agents to solve all the semantic conflicts occurring. The shared conceptualization of knowledge domain
is based on ontology that assists mobile agents to migrate toward relatively resource and optimize the
cooperation between them.
Figure 2:Intelligent P2P Resource Location
Our i-PRL framework is composed of five layers:
5.1 Layer5: Interface and access Module: represents the interface of interaction between system and
user. This layer, characterized by wide accessibility.
5.2 Layer 4: communication module: represent the interaction between interface and Location
module. To accomplish his functionality this layer use the interface agent.
5.3 Layer 3: Location module: It represents the Smart part of the system (i-PRL). It consists of several
agents working in cooperation and coordination where skills and knowledge are distributed to ensure
resource location. Agents acting in this layer are :
5.3.1 Interface Agent (IA): is an interface for interaction between the system and the user. Several tasks are
assigned: IA recovers a request made by the user, It processes this query to extract the necessary elements to
direct them to Management Agent (MA), and presents the results to the user returned from Management
Agent (MA).
5.3.2 Management Agent (MA): Each node has a static Management agent (MA) that manages resource
information. MA also interacts with Interface Mobile agent, Local Information Agent and Search Agent.MA
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 163
Session Poster
receives the request from interface agent (IA), creates a mobile search agent (SA),returns the results found
by SA to IA and updates MA by a new information .
5.3.3 Search Agent (SA): Upon accepting a user query, the Management agent creates a mobile search
agent (SA) and dispatches it. First it interacts with Local Information Agent for seeing witch peer have a
resource wanted. Local Dispatched SA travels through the network to find the requested resources. it returns
the results found to management agent (MA)
5.3.4 Local Information Agent (LIA): Each node has Local Information agent (LIA) that manage all the
information about a peer .An LIA has a table that contains the IP addresses of neighbors and other
information like port number, resource name ,resource type, “Fig 3”
Figure 3 : Intelligent P2P Resource Location
The steps of the intelligent Resource discovery algorithm for the location module are as follows:
• The interface agent (IA) obtains the query from the user thought a GUI containing information and
direct them to management agent (MA).
• The management agent (MA) interacts with local information agent (LIA) if the resource exists
locally, it return the information directly otherwise it create a search agent and dispatches it by
providing it with a search boundary. The boundary of the research is designed to give the maximum
number of peers the search agent should consult before giving up the search if the resource is not
located.
• The Search agent (SA) interacts with Local Information Agent (LIA) for seeing witch peer have a
resource wanted. Local Dispatched SA travels through the network to find the requested resources
and visits each node on its itinerary and interacts with each local information agent. It returns the
results found to management agent.
• The management agent (MA) returns a result to the interface agent (IA) and updates the local
information agent (LIA) by the new information.
5.4 Layer 2: ontology Semantic Web module:
Our use of the semantic web is characterized by the use of an ontology that represents the vocabulary that
describes the universal discourse of our system.
Then agents share the vocabulary to ensure good communication and flexibility.
Semantic relationships built knowledge bases of agents and make them more understandable and uniform
the interpretation of data. The use of Semantic Web in our system takes advantage of a platform facilitating
the integration of heterogeneous information sources and allows agents to have a shared vision of
knowledge.
5.5 Layer 1: the Peer: represents the lowest level of the system, it contains the entire participating peer in
the system. (They can make data available to users for a search and download)
6
IMPLEMENTATION
We have implemented our Smart framework i-PRL by using JADE plate form on eclipse, and Protégé
platform. The System code is divided into two parts “Fig.4”.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 164
Session Poster
Figure 4 : Package of i-PRL
JADE (Java Agent Development Framework) is a software framework fully implemented in Java language,
It allows the implementation of multi-agent systems through a middle-ware that complies with the FIPA
standards and through a set of tools that supports the debugging and deployment phases[Jade].
We have implemented our OWL ontology by Protégé platform. Protégé is a free open source ontology
editor and knowledge-base framework. The protégé platform support two main ways of modeling ontologies
via the protégé-Frames and Protégé-OWL editors. It enables users to build ontologies for the Semantic Web,
in particular in the W3C's Web Ontology Language (OWL) [Protégé].
By comparing our approach with flooding method, the first numerical experiments through simulation have
shown a significant reduction of generated messages (Fig.5), also by using the sniffer of jade, it was seen a
good cooperation and communication between agents. Our system is still under experiment we will present
further results in the future.
produced messages in Flooding and i-PRL
700
600
500
400
i-PRL
Flood
300
200
100
0
10
20
30
40
Number Of Resources
Figure 5: comparison between flooding method and i-prl framework.
7 CONCLUSION
One big issue can be considered in p2p system is the location of resources. This work is the first step in our
research on agent enabled p2p systems. we have reached our contribution to the resource discovery system
called i-prl (intelligent p2p resource location) while combining the technology of multi-agent systems and
semantic web and exploiting their advantages. The first experiments showed a significant reduction of
generated messages and good cooperation between agents, in the next step we will measure the performance
of our system. However, the use of semantic web with the agent is very beneficial in order to reduce
communication traffics and to increase cooperation and search flexibility. In the future is being considered
secure our system against malicious peer and increase reliability.
BIBLIOGRAPHIE
[Allemang,2011]Allemang,D.,Hendler,J.,“Semantic Web for the Working Ontologist: Effective Modeling in
RDFS and OWL “ ,rgan Kaufmann; 1 edition, Vol 384,p10-25.
[Braun,2005] Braun.P,Wilhelm R. Rossak “Mobile Agents: Basic Concepts, Mobility Models, and the Tracy
Toolkit “, Morgan Kaufmann, 1 edition, Vol 464,p 15-70.
[Cabani,2007] Cabani.A,al., "Phac: A P2P-based environment for distributed collaborative applications,"
The International Journal of Intelligent Control and Systems, (IJICS.
[Calero,2010]Calero,C.,Ruiz,F.,Piattini,M.“Ontologies for Software Engineering and Software Technology “
Springer; Softcover reprint of hardcover 1st ed,Vol353.p 7-45
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 165
Session Poster
[Dasgupta,2004] Dasgupta ,P., “Improving Peer-to-Peer Resource Discovery Using Mobile Agent Based
Referrals”. In Proc. of the
Int.Workshop on Agents and Peer-to-Peer Computing,Springer-Verlag,
Lecture Notes on Computer Science, Vol. 2872,p 186-197.
[Dietz,2010] Dietz, Jan L. G. “Enterprise Ontology: Theory and Methodology “,Softcover reprint of
hardcover 1st ed, 258.
[Dimakopoulos,2003].DimakopoulosV.V.,Pitoura,E“A peer-to-peer approach to resource discovery in multiagent systems,“ In Proc. of CIA2003, Springer-Verlag, Lecture Notes on Computer Science, Vol. 2782,p 6277.
[Dunne,2001] Dunne.C.R “ Using Mobile Agents for Network Resource Discovery in Peer-to-Peer
Networks” School of Computer Applications, Dublin City University, Dublin 9, Ireland.
[Genco,2007]Genco,A. “Mobile Agents: Principles of Operation and
Applications (Advances in
Management Information”,WIT Press; 1 edition, Vol 304,p8-105.
[Hebeler,2009]Hebeler,J.,Fisher,M.,Blace,A.,Perez-Lopez,A. “Semantic Web Programming “ , Wiley,Vol
648,p6-100.
[Hitzler,2009]Hitzler,P.,Krötzsch,M., Rudolph,S. “Foundations of Semantic Web Technologies Chapman &
Hall/CRC” Textbooks in Computing Chapman and Hall/CRC, Vol 456,p4-78.
[Jade] Jade website http://jade.tilab.com/
[Kubiak,2007] Kubiak.S P2P Networks: principles and simulation, Universität Duisburg-Essen (Lehrstuhl
Technik der Rechnernetze), 22 Eintragungen im Literaturverzeichnis GRIN Verlag. 44.
[Lübke,2004]Lübke.D ,J. M. Gómez. “Applications for mobile agents in Peer-to-Peer-Networks”. In
Engineering ofComputer-Based Systems.
[Magedanz,1998] Magedanz,T.,” Agent Activities within ACTS - An Overview and Impacts on
TINA”,IKV++ GmbH. ACTS. CLIMATE. TINA Forum Meeting - Heidelberg.
[Milojicic,2002] Milojicic. D. S, Kalogeraki. V, Lukose. R, Nagaraja. K,. Pruyne. J, Richard. B, Rollins. S,.
Xu.v” Peer to-peer computing”. Technical report, HP Laboratories Palo Alto.
[Moro,2005]Moro.G, Sartori.C , Munindar.P. Singh “Agents and Peer-to-Peer Computing”: Second
International Workshop, AP2PC 2003, Melbourne, Australia, July 14, 2003, Revised and Invited Papers
(Lecture ... / Lecture Notes in Artificial Intelligence).
[Protégé]Protégé,OntologyEditor.http://protege.standford.edu
[Segaran,2009]Segaran,T.,Evans,C,Taylor,J,“Programming the Semantic Web”, O'Reilly Media; 1
edition,Vol 304,p5-20.
[Saroiu, 2002] Saroiu. S ., et al., "A Measurement Study of Peer-to-Peer File Sharing Systems," presented at
the Multimedia Computing and Networking 2002 (MMCN'02), San Jose, California, United States.
[Stoica,2001] Stoica,.I , al., "Chord: A Scalable Peer-To- Peer Lookup Service for Internet Applications,"in
ACM SIGCOMM 2001, San Diego, California, United States, p149-160.
.
SNTE’2012- 1er Séminaire National sur les Technologies Educatives
Page 166
Téléchargement