Mod

1
Modéliser lhumain ? Pourquoi ? Comment ?
Master MC3 parcours M2 Cours n 2

• Jean-marc LABAT

2
Plan

• Généralités
• Introduction
• Dimensions du modèle de lutilisateur
• Vers une architecture générique de modélisation
  de lutilisateur ?
• Exemples
• Hypermédia adaptatifs
• Aide à lutilisation dun logiciel
• Gestion de la relation client
• Joueur virtuel

3
Introduction

• Pourquoi modéliser lhumain ?
• Adapter le comportement des systèmes à leurs
  utilisateurs
• Hypermédia adaptatifs
• Environnements dapprentissage
• Aider lhumain
• À prendre des décisions grâce au partage
  d'expériences entre personnes qui partagent les
  mêmes goûts ou les mêmes affinités
• Notion de décision collaborative
• À utiliser un logiciel
• À connaître le comportement dautres humains
• des apprenants
• des clients
• Faire jouer à lordinateur le rôle dun humain
• Modéliser un enseignant
• Modéliser un joueur

Améliorer linteraction H-M
Faciliter lactivité dun humain
Se substituer au moins en partie à un humain
4
introduction

• NE PAS MODELISER PLUS QUE NECESSAIRE

X
X
X
X
X
X
X
X
X
Réactions possibles du système
États de la modélisation de lhumain
La précision de la modélisation de lhumain est
inutile si plusieurs états conduisent toujours à
la même situation
5
Modéliser lutilisateur Transparents parfois
de Serge Garlatti

• Définition
• Un modèle utilisateur est une représentation
  explicite des caractéristiques des utilisateurs
  interagissant avec un système
• A priori, jamais une modélisation générale
• Mais une modélisation adaptée au contexte et aux
  objectifs visés par lintroduction dun modèle
  utilisateur dans larchitecture logicielle
• Remarque
• De manière générale, quand on conçoit un modèle,
  un logiciel, toujours préciser le domaine de
  validité
• Même un modèle dit  générique  a nécessairement
  des limites

6
Dimensions dun modèle utilisateur QUI ?

• Qui est modélisé
• Personnes impliquées dans le système
• lutilisateur et les autres, y compris les agents
  artificiels
• Y a-t-il un modèle
• Par utilisateur ?
• Par groupe dutilisateurs ?
• Les informations propres à un utilisateur
  consistent
• en une classification dans un ensemble de modèles
  
• un modèle générique construit à partir dun
  utilisateur moyen
• Notion de stéréotypes ou de profils
• Un modèle complètement individuel

7
Dimensions dun modèle utilisateur QUOI ?

• Que modélise-t-on ?
• La connaissance
• le niveau dexpertise
• Le background
• Lexpérience de la navigation
• les croyances
• les objectifs
• les plans
• les intentions
• les intérêts
• les préférences
• La motivation
• Lhistorique des interactions
• Par session
• Sur un ensemble de sessions

Domaine cognitif
But de lutilisateur
Domaine affectif
Lhistorique
8
Dimensions dun modèle utilisateur QUOI ?

• Connaissances
• Lune des caractéristiques la plus utilisée,
  pratiquement tous y font référence.
• Nécessite de diagnostiquer les modifications de
  celles-ci et de mettre à jour le modèle
  utilisateur.
• souvent fondé sur un overlay model
• Fondé sur une représentation conceptuelle des
  concepts du domaine (Hypadapter, Anatom-Tutor,
  Elm-art, Hypertutor).
• Issu des systèmes tuteur intelligents

9
Dimensions dun modèle utilisateur QUOI ?

• Connaissances
• Overlay model
• Représente la connaissance dun utilisateur sur
  un sujet donné, comme un recouvrement du
  domaine.
• Pour chaque concept du domaine, un tel modèle
  mémorise une valeur qui est une estimation de la
  connaissance de lindividu sur ce concept
• quantitative,
• une valeur numérique, une probabilité
• Qualitative
• Difficile dinitialiser le modèle, même par un
  interview de lapprenant

10
Dimensions dun modèle utilisateur QUOI ?

• Connaissances
• Modèle fondé sur un stéréotype
• Le système distingue plusieurs modèles typiques
  ou stéréotypiques dutilisateurs
• Exemple, MetaDoc deux ensembles de stéréotypes
• un pour les connaissances en informatique
  (novice, débutant, intermédiaire, expert)
• un pour les connaissances sur UNIX.
• Un modèle de stéréotype une paire (Stéréotype,
  valeur) ou la valeur peut être booléenne
  (appartient ou non au stéréotype) ou
  probabiliste.
• Plus simple que le modèle précédent et moins
  puissant, mais plus facile à initialiser et
  maintenir.

11
Dimensions dun modèle utilisateur QUOI ?

• Connaissances
• Modèle de Stéréotype
• Ladaptation nest pas individuelle
• Pour une adaptation de granularité fine, un
  modèle plus fin de lutilisateur, type overlay
  model , est nécessaire
• ?Extension associer un ensemble de couples
  (concept, valeur) à chaque stéréotype basé sur la
  difficulté dapprendre un concept donné
• Combinaison des deux modèles
• Le modèle de stéréotype est utilisé au départ
  pour classer un utilisateur et pour fixer des
  valeurs initiales au Overlay model
• ensuite un modèle d overlay classique est
  utilisé (Anatom-tutor, Hypadapter).

12
Dimensions dun modèle utilisateur QUOI ?

• Objectifs de lutilisateur
• Pourquoi lutilisateur utilise le logiciel et que
  cherche-t-il à faire ?
• Buts et/ou Tâches de lobjectif
• une résolution de problème ou une décision
• Caractéristique la plus changeante
• dans une même session et entre différentes
  sessions
• Pour les hypermédia adaptatifs, cest une
  caractéristique très importante
• Principalement utilisés pour des aides à la
  navigation dans les hypermédias
• cf hypermédia adaptatifs ou documents virtuels
  personnalisables

13
Dimensions dun modèle utilisateur QUOI ?

• Objectifs de lutilisateur
• Les systèmes ont un ensemble de buts ou tâches
  qui sont reconnus (Hyplan, Orimuhs, Hypercase,
  Hynecosum, Hyperflex).
• Le modèle utilisateur inclus lun de ses buts ou
  tâches.
• Les modèles les plus avancés possèdent une
  représentation hiérarchique des tâches, et/ou des
  paires (buts, valeurs) munis dune probabilité
  dappartenance du but de lutilisateur à celui
  considéré.

14
Dimensions dun modèle utilisateur QUOI ?

•  Background  (connaissances antérieures)
• De manière générale
• Connaissances acquises dans les sessions
  précédentes
• Connaissances antérieures au début de la
  formation
• Souvent de type  profil 
• Dans les hypermédia, toutes les informations
  liées par exemple aux expériences précédentes de
  lutilisateur dans la navigation
• Lutilisateur est-il familier avec lhyperespace
  et navigue-t-il facilement à lintérieur ?
  différent de la connaissance du sujet abordé par
  le système
• Epiam, C-Book et Anatom-tutor lutilisent pour
  adapter la présentation et Hyperman pour laide à
  la navigation

15
Dimensions dun modèle utilisateur QUOI ?

• Préférences
• Lutilisateur peut préférer certaines pages ou
  certains types de liens ou encore certaines
  parties de pages, ou certaines techniques
  dadaptation
• Plus utilisé dans les systèmes de recherche
  dinformation
• Intéressant pour paramétrer la présentation
• Aspect différent des autres caractéristiques du
  modèle utilisateur
• Le système ne peut pas le déduire
• Lutilisateur doit le fournir directement ou
  indirectement (feedback)

16
Dimensions dun modèle utilisateur COMMENT ?

• Comment les utilisateurs sont-ils modélisés ?
• Méthodologie
• abstraction
• classification
• modèle fournit par le concepteur ou lutilisateur
  
• Sources
• sélection de stéréotype par lutilisateur
• calcul de corrélation,
• règles heuristiques,
• Édition de modèles
• Apprentissage
• par similitude, ou autre

17
Dimensions dun modèle utilisateur COMMENT ?

• Acquisition du modèle utilisateur
• Acquisition a priori par le concepteur, par
  défaut
• Observation directe
• la plus précise, mais la plus coûteuse
• Permet didentifier les classes dutilisateurs,
  leurs tâches, les facteurs critiques, comme la
  pression sociale,
• Interviews
• Plus court et moins coûteux que la méthode
  précédente
• Permet dobtenir lexpérience, les opinions, les
  motivations comportementales, les avis sur les
  outils existants

18
Dimensions dun modèle utilisateur COMMENT ?

• Acquisition du modèle utilisateur
• Acquisition a priori par le concepteur
• Questionnaires
• Obtention à moindre coût dun maximum de données
• Permet des études statistiques et des
  généralisations plus fortes que les interviews
• Par observation du comportement en cours
  dutilisation
• Du même utilisateur ou des utilisateurs
  précédents
• Acquisition en temps réel
• Mémorisation et Inférences sur les interactions
• Sélection de stéréotype(s)
• Reconnaissance de plans ou de tâches

19
Dimensions dun modèle utilisateur Propriétés

• Caractéristiques
• Statique ou dynamique ?
• Court terme ou long terme ?
• Modèle pour une ou plusieurs applications ?
• Stabilité dans le temps des caractéristiques du
  modèle ?
• Utilisateur passif, actif, coopératif ?
• Le modèle est-il prédictif ou descriptif ?
• par exemple sagit-il des préférences ou des
  prédictions sur les préférences ?
• Quelle est la nature des informations ?
• De nature qualitative et/ou quantitative ?
• certaines ?
• le modèle est-il consistant ou les inconsistances
  sont-elles autorisées ?

20
Dimensions dun modèle utilisateur EVOLUTION ?

• Quelles sources dinformation ?
• Traces utilisateurs (log files)
• Difficiles à exploiter car bruitées et très
  volumineuses
• Panel dutilisateurs fournissant des réponses
  explicites
• Plus riches, plus pertinentes
• Moins nombreuses
• Biais possibles
• Quels mécanismes dinférence ou méthodes
  dinterprétation sont utilisés pour mettre à jour
  le modèle de lutilisateur ?
• Approches numériques
• apprentissage statistique (P. Gallinari)
• Approche symbolique
• Repérage de motifs récurrents (J-G. Ganascia)

21
Vers une architecture générique de modélisation
de lutilisateur ?

• Problèmes
• Sujet extrêmement difficile,
• pourtant nécessaire au moins à minima
• Le peu qui est fait relève de solutions ad hoc,
  non facilement généralisables
• Nécessité de proposer des architectures
  génériques ( shell  en anglais)
• Possédant un ensemble de fonctionnalités
  permettant de définir un modèle utilisateur

22
Services attendus Kobsa

• The representation of assumptions about one or
  more types of user characteristics in models of
  individual users (e.g. assumptions about their
  knowledge, misconceptions, goals, plans,
  preferences, tasks, and abilities)
• The representation of relevant common
  characteristics of users pertaining to specific
  user subgroups of the application system (the
  so-called stereotypes)
• The classification of users as belonging to one
  or more of these subgroups, and the integration
  of the typical characteristics of these subgroups
  into the current individual user model
• The recording of users' behavior, particularly
  their past interaction with the system
• The formation of assumptions about the user based
  on the interaction history
• The generalization of the interaction histories
  of many users into stereotypes
• Consistency maintenance in the user model
• The evaluation of the entries in the current user
  model, and the comparison with given standards

23
Exemples de  shell 

• BGP-MS (Kobsa and Pohl, 1995 Pohl, 1998)
• allows assumptions about the user
• stereotypical assumptions about user groups to be
  represented in a first-order predicate logic
• Inferences across different assumption types
  (i.e., types of modals) could be declined in a
  first-order modal logic.
• The system can be used as a network server with
  multi-user and multi-application capabilities
• TAGUS (Paiva and Self, 1995)
• represents assumptions about the user in
  first-order formulas, with meta-operators
  expressing the assumption types.
• allows the definition of a stereotype hierarchy
  and contains
• an inference mechanism,
• a truth maintenance system,
• a diagnostic subsystem that includes a library of
  misconceptions
• It also supports the simulation of the user
  through forward-directed inferences on the basis
  of the user model, and the diagnosis of
  unexpected user behavior

24
Etudes de cas

• Hypermédia adaptatifs
• Aide à lutilisation dun logiciel
• Gestion de la relation client
• Joueur virtuel

25
Les hypermédia adaptatifs

• Objectif
• Proposer une organisation, un contenu, des moyens
  dinteraction et une présentation unique à chaque
  utilisateur
• Justification
• Les utilisateurs nont pas les mêmes besoins, les
  mêmes connaissances, compétences, centres
  dintérêts, etc.
• Ils ne sont donc pas nécessairement capable
  dinteragir avec le même document hypermédia
• ?nécessité dadapter le document à lutilisateur

26
Les hypermédia adaptatifs

• Objectifs
• Permettre laccès à linformation pertinente
• Résoudre les problèmes de navigation
• Améliorer la compréhension dun document complexe
• Moyens
• Le système a un Modèle des Buts, Préférences et
  Connaissances de lutilisateur et lutilise dans
  linteraction pour sadapter aux besoins de
  ceux-ci.
• A partir du modèle, le système va adapter
  linformation, les liens et/ou la présentation de
  lhypermédia.

27
Les hypermédia adaptatifs

• Définition Brusilovsky
• By adaptive hypermedia systems, we mean all
  hypertext and hypermedia systems which reflect
  some features of the user in the user model and
  apply this model to adapt various visible
  aspects of the system to the user.
• Un système hypermédia adaptatif
• possède des règles dadaptation
• possède un modèle utilisateur
• adapte lhypermédia à partir de ce modèle et de
  ces règles

Modèle utilisateur
Contenu Information
Règles dadaptation
Technique dadaptation
28
Types dadaptation

• Hypermédia adaptables versus adaptatifs
• Adaptables Les utilisateurs saisissent leur
  modèle qui nest pas ensuite modifié par le
  système
• Adaptatifs Modifie dynamiquement lhypermédia
  en fonction des mises-à-jour du modèle
  utilisateur
• Quest-ce qui peut être adapté ?
• Adaptation du contenu ()
• Sélection du contenu dun document et/ou du média
• Adaptation de la présentation ()
• Sélection dune présentation
• Adaptation de la navigation
• Changement de la structure apparente ou effective
  des liens entre les pages qui constitue un
  hypermédia
• Il y a souvent eu par le passé un mélange
  entre (1) et (2)

29
(No Transcript)
30
Présentation adaptative

• Fragments conditionnels
• Comparaison entre le contenu texte et le
  modèle utilisateur.
• Pages et fragments variant
• Le système dispose de plusieurs versions dune
  même page ou dun même fragment, chacune associée
  à un stéréotype dutilisateur
• Stretchtext
• Remplacer certains mots clés par une description
  plus longue via un hyperlien
• Tri des fragments
• Le système peut réorganiser les fragments
  présentés à l'utilisateur en fonction de ses
  préférences ou de ses objectifs
• Par exemple, certains utilisateurs préfèreront la
  définition avant l'exemple, et d'autres l'inverse
• Le système peut aussi trier les fragments en
  fonction de leur pertinence pour l'utilisateur,
  du plus pertinent au moins pertinent

31
Présentation adaptative

• Technique à base de frames
• pas de stabilité chaque mise à jour du Modèle
  Utilisateur enclenche une adaptation immédiate
• toujours stable dès son adaptation au Modèle
  Utilisateur la présentation reste stable même si
  des mises à jours sont effectuées
• stabilité de session la présentation reste la
  même pendant la durée de la session
• stabilité conditionnelle la présentation est
  stable tant quune certaine condition est remplie

32
Navigation adaptative

• Guidage direct
• Le système détermine à partir du modèle
  utilisateur le lien le plus approprié pour la
  visite de lutilisateur
• Masquage des liens
• Les liens non pertinents (suivant le modèle de
  lutilisateur) sont masqués afin de réduire la
  surcharge cognitive
• Désactivation des liens
• Le lien est toujours visible, mais l'utilisateur
  ne peut pas lactiver.
• Suppression des liens
• Intéressant dans le cas de listes de liens, mais
  inutilisable lorsque le lien se situe au sein
  d'un texte
• Annotation des liens
• Coloration des liens suivant quils sont
  nécessaires (bleue), inintéressants (violet) ou
  non souhaitables (noire)
• Adaptation de destination
• Consiste à présenter les liens différemment en
  fonction de la pertinence du nœud destination
  pour l'utilisateur

33
Exemple emblématique AHA!

• Généralités
• Créé en 1996 et actuellement dans sa 3ème version
  par Paul De Bra
• Plateforme Open Source en Java avec Servlets
  (Windows ou Linux)
• Modèle utilisateur de type overlay
• Représentation explicite des caractéristiques de
  lutilisateur interagissant avec le système
• Modélise la connaissance, le niveau dexpertise,
  les objectifs, les intérêts, les préférences et
  lhistorique de la navigation.
• Modèle du domaine
• Description conceptuelle du contenu de
  lapplication
• Concepts et relations entre concepts
• Une page correspond à un concept
• Pages avec fragments conditionnels
• Modèle dadaptation
• Contient les règles dadaptation
  (condition/action)
• Modalités et mises à jours du modèle utilisateur
• Génération de la présentation adaptée

34
architecture AHA!
serveur web
moteur AHA
servlets
http
lecture sur connexion
lecture sur demande
lecture mise à jour
fichiers/pages dapplication
modèle utilisateur
modèle du domaine et dadaptation
utilisateur
35
(No Transcript)
36
(No Transcript)
37
Exemple HYNECOSUM

• Système dinformation pour lhôpital développé
  par Siemens AG et University Clinic in
  Heidelberg
• HYNECOS UM
• Données multimédia sur les patients, le
  personnel, les lits et les salles avec leur
  occupation
• Recherche dinformation par navigation,
  navigation adaptative fondée sur un modèle de
  tâche, utilisateurs ayant
• Différents niveaux dexpérience
• Différentes préférences
• Appartenant à différentes catégories

38
Exemple HYNECOSUM

• HYNECOS
• Aide les novices en fournissant un plus petit
  espace de recherche, tandis que les plus
  expérimentés ont un espace de recherche plus
  important.
• Modèle utilisateur et protection des données sont
  associés
• Adaptation dynamique par
• le système décide du moment pour lutilisateur
• lutilisateur il dispose déditeurs pour
  adapter son modèle
• Accès à linformation
• par un modèle de tâche
• par un menu contenant une classification
  sémantique des termes du domaine.

39
Exemple HYNECOSUM

• Modèle utilisateur centré sur les tâches pour le
  filtrage dinformations
• Modèle hiérarchique de tâches
• Relation de composition entre tâches
• Contrôle denchaînement des tâches sélection et
  séquence
• Une tâche une vue particulière de lhyperbase
• Une tâche des droits daccès, lecture, écriture
• Une tâche accès restreint informations
  pertinentes, navigation libre tout ce qui nest
  pas interdit.
• Catégories dutilisateurs
• Professions docteur, infirmière, gestionnaire,
  étudiant ou patient
• Rang hiérarchique par profession de 1 à 5.
• Localisation ambulance, hôpital
• 1 catégorie 1 localisation 1 Rang
• Un sous-ensemble de tâches pertinentes des
  droits daccès

40
Exemple HYNECOSUM

• Modèle utilisateur en trois couches
• 1) Représentations des tâches exécutées par les
  utilisateurs
• 2) Catégories dutilisateurs
• Chaque classe peut être reliée à différents
  ensembles de tâches
• Héritage de tâches pour une même profession.
• 3) Individus le niveau dexpérience, le style
  de présentation, lorganisation de lécran
• Le niveau dexpérience correspond en fait à un
  niveau de la hiérarchie des tâches, donc à des
  vues de lhyperbase qui sont dautant plus
  restreintes que le niveau est bas

41
Exemple HYNECOSUM

• Adaptation dynamique
• Adaptation par le système
• observation de lutilisateur pour détecter
• Son niveau dexpérience afin de modifier son
  modèle,
• observation des catégories dutilisateurs et des
  types de représentations les plus utilisées.
• Adaptation par lutilisateur
• il peut créer et modifier sa propre hiérarchie de
  tâches à laide dagrégats de base
• il peut modifier ces préférences pour la
  présentation,
• il peut modifier lorganisation de la fenêtre
• il peut modifier son niveau dexpérience

42
Exemple HYNECOSUM

• Couplage UM avec Hynecos
• Chaque lien de Hynecos possède un poids de -2 à
  2
• -2 interdit pour lentité utilisateur
  connecté, non affiché pour toute tâche
• -1 interdit pour lentité tâche en cours, non
  affiché pour la tâche courante
• 0 non relié à la tâche, affiché en mode
  navigation libre
• 1 relié à la tâche, accès en lecture seule
• 2 relié à la tâche, accès en lecture et
  écriture
• Navigation libre
• les informations non pertinentes pour la tâche,
  valuées à 0, sont prises en compte.

43
Exemple HYNECOSUM

• Adaptation au niveau dexpérience
• Trois niveaux dexpérience
• novice, avancé et expert pour un tâche donnée
• Les niveaux dexpérience correspondent à des
  intervalles de valeurs et sont représentés par
  des scores
• Les niveaux dexpérience dune tâche sont
  propagés aux tâches mères de la hiérarchie
• A chaque tâche est associée un score qui est
  incrémenté ou décrémenté en fonction du
  comportement de lutilisateur
• Est pris en compte
• sa capacité à naviguer dans la hiérarchie de
  tâches,
• le temps passé dans une unité dinformation
• Pour toute séquence dactions jugée comme bonne
  au sens du comportement de lutilisateur, le
  score dune tâche est incrémentée
• Si lutilisateur fait appel aux boutons help,
  info ou emergency, le score est décrémenté

44
Prédire des commandes IPAM(Davison et Hirsh
97, 98)

• Prédiction de commandes Unix
• Étant donné une commande, prédit la suivante
• Méthode
• Enregistre les commandes saisies
• Pour chaque paire (C,C) de commandes,
• maintient P(CC) (Markov ordre 1)
• Distribution par défaut pour les nouvelles
  commandes
• Prédiction sur la ligne de commande
• Evaluation
• 168 utilisateurs, 287 000 commandes
• 40 sur une suggestion
• 63 sur 3 suggestions
• 38 pour C4.5 (logiciel dapprentissage
  automatique)

45
SwiftFile(Segal et Kephart 99,00)

• Aide au classement de mails dans LotusNotes
• Calcule P(dossier message)
• Utilise une Variante incrémentale de TFIDF
• TFIDF permet d'attribuer un score d'importance à
  un concept dans un document. Le calcul a
  l'avantage de tenir compte de sa fréquence
  d'apparition dans les autres documents.
  Ainsi l'importance dépend du nombre d'apparition
  de ce concept dans le document, mais celle-ci
  est pondérée par le nombre de documents du corpus
  dans lesquels le concept apparaît
• Système passif, se contente de suggérer 3
  dossiers
• Augmente productivité
• Réduit risque derreur

46
TF IDF

• Elimination des mots vides
• articles, pronoms,...
• des mots du domaine traité n'apportant pas
  d'information
• Pour chaque mot M non vide
• score(M) F_localLog(100N/F_global)
• F_local est la fréquence du mot M dans le texte
  T
• F_global est la fréquence du mot M dans le corpus
  de référence
• N le nombre de textes du corpus
• score(unité textuelle) ? score(M)

47
Gestion de la relation client ref GRC R.
Lefébure, G. Venturi, Eyrolles

• Objectifs
• Analyse client
• Acquérir, équiper, satisfaire, fidéliser
• Analyse produit
• Identifier les attentes, positionner, améliorer
  le produit
• Connaissances du client
• Segmentation comportementale
• Techniques de scoring
• Outils de data mining
• Valeur client
• Expression numérique du rapport qualité/prix du
  client
• Ce quil a rapporté ce quil a coûté sur une
  période

48
Gestion de la relation client

• Définition de la segmentation comportementale
• Division des clients en groupe homogènes en
  regard des critères
• Critères de segmentation
• Le CA
• la récence, la fréquence, le montant total des
  achats
• Appelée RFM
• Le cycle de vie du client (son âge !),
• le comportement
• Utilisation de techniques statistiques
  multivariées (analyse factorielle)
• Construction
• A partir dun échantillon représentatif
• Chaque segment terminal doit comporter au moins
  300 clients

49
Gestion de la relation client

• Les modèles prédictifs (ou scoring)
• Construction dune fonction qui  probabilise 
  la réponse du client ou du prospect
• Divise la population par rapport à un
  comportement particulier
• Le résultat sexprime sous forme dun score pour
  chaque individu
• Construction
• Identifier une population soumise à un même
  événement
• Identifier la variable à expliquer
• Utilisation de techniques de régression
• Régression linéaire
• Régression logistique utilisable avec des
  données qualitatives

50
Modélisation de joueurs virtuels dans les
jeuxexemple Simplus

• Jeux dentreprise pour entraîner des étudiants à
  gérer une entreprise

Equipes
Arbitre
Aide à léquipe
Site Web
Site Web du jeu
Envoi des décisions
Envoi des résultats
Moteur de simulation
Base de données
Echanges
51
Modélisation de joueurs virtuels dans les
jeuxexemple Simplus

• Jeu en ligne
• 10 périodes, chacune représentant une année
• Un ensemble de décisions à prendre
• de production,
• commerciales,
• financières
• Des paramètres fixés par le tuteur (ou larbitre)
  
• évolution du marché
• Besoins
• au moins 6 joueurs pour rendre les jeux
  intéressants
• fournir des commentaires, des explications aux
  joueurs
• Pour diminuer le travail du tuteur

52
Modélisation de joueurs virtuels dans les
jeuxexemple Simplus

• Objectifs
• Concevoir une méthode et des outils informatiques
  génériques permettant de développer un
  environnement pédagogique au-dessus dun
  simulateur existant
• Élaborer une méthode sappuyant sur une 
  rétro-conception
• Propriété remarquable lexpertise du domaine
  est embarquée dans le simulateur
• Extraire ces connaissances et les exprimer de
  manière déclarative pour construire des
  explications, évaluer lapprenant et concevoir
  des joueurs virtuels.

53
Méthodologie générale de conception d'un joueur
virtuel

• Etape 1
• Construction du schéma général de la prise de
  décision
• Etape 2
• Extraction des tables et attributs pertinents de
  la BD
• transformation en structure objet dans le SE
  (template Clips)
• Etape 3
• Analyse des différentes fonctions utilisées dans
  le simulateur
• calculs de mis à jour et fonctions modélisant
  l'expertise
• Etape 4
• Réalisation de joueurs virtuels, 3 types
  agressif, neutre, timoré

54
Processus de développement

• Etape 1 Analyser et modéliser la prise de
  décision
• Quelles sont les différentes étapes ?
• Quelles sont les variables utilisées dans la
  prise de décision ?
• Quelles sont les variables calculées par des
  fonctions (algorithmiques)
• Etape 2 Sélectionner dans la BD les tables et
  les attributs utilisés par le moteur de
  simulation
• Chaque table nécessaire devient un template CLIPS
• Chaque attribut devient un slot dans le template
  correspondant

55
Processus de développement

• Etape 3 Analyser les fonctions utilisées par
  le moteur de simulation
• Fonctions traduisant des connaissances
  algorithmiques
• Ces fonctions sont dupliquées telles quelles dans
  le SE
• Fonctions traduisant lexpertise
• Les paramètres intervenant sont identifiés
• Les seuils sont déterminés par une analyse fine
  du moteur de simulation
• Etape 4 Concevoir et réaliser les joueurs
  virtuels
• Chaque type de joueur est représenté par une BC
• Lexpertise est basée sur les seuils déterminés
  à létape précédente
• 3 types ambitieux, neutre, timoré

56
Aide à la Décision et Accès à lInformation sur
le WEB

• Problèmes de décision ou de recherche
  universels
• le problème doit être partagé par de multiples
  utilisateurs
• les utilisateurs sintéressent à des objets de
  même type (films, CD, textes)
• les utilisateurs doivent être capables de donner
  des exemples de ce quils aiment et/ou de ce
  quils naiment pas
• Problèmes de décision ou de recherche répétitifs
• historique du passé retour sur expérience
• Moyens techniques
• réseau accessible par tous les utilisateurs (et
  BD partagée)
• Exemples dapplications
• Systèmes de conseil de CD, video, Hi-Fi,
• Systèmes de conseil en cinema, theatre, opera
• Sélection de programmes TV
• Choix de lieu de vacances
• Filtrage automatique de la littérature sur le Web

57
Le filtrage collaboratif

• Différentes approches de filtrage
• Techniques "cognitives"
• Filtrage basé sur le contenu
• Calcul d'un profil des "produits" par une méthode
  de vecteurs pondérés par l'importance des
  critères
• Calcul de la similitude entre produits à partir
  des vecteurs
• Techniques "sociales"
• Filtrage basé sur la proximité des personnes par
  rapport aux avis qu'elles portent sur les
  produits concernés
• Techniques hybrides
• Filtrage basé à la fois sur la proximité entre
  les produits et entre les personnes

58
Filtrage orienté "contenu"
s
b
59
Filtrage orienté "individu"
a
b
60
Techniques hybrides
61
Avantages des systèmes de décision collaboratif

• Caractéristiques
• Les décideurs n'ont pas à expliquer leurs
  décisions
• l'approche est applicable même si les décideurs
  utilisent différents critères pour évaluer les
  alternatives
• l'approche permet un apprentissage progressif des
  préférences de l'utilisateur
• il est possible de caractériser et de comparer
  les profils de préférence des décideurs
• il est possible de prendre en compte l'évolution
  des préférences au cours du temps

62
(No Transcript)
63
BILAN

• La modélisation de lutilisateur est un sujet
  incontournable
• Pour lamélioration de lInteraction
  Homme-Machine
• Presque toutes les applications sont concernées
• Dans le cadre de la navigation sur le web
• Pour laider à accomplir une tâche
• Pour laider à choisir
• Pour lamélioration de la communication
  Homme-Homme
• pour la gestion de la relation
• Pour le tuteur humain
• Modéliser lhumain est une activité très
  difficile
• Modèles le plus souvent statiques
• Nécessité des techniques dIA pour la mise à jour
• Apprentissage symbolique et/ou numérique

64
Quelques pointeurs

• Communauté internationale User modeling (UM)
• http//um.org/
• Voir liste des personal pages
• Pas de français
• Accès aux conférences UM 94, 96, 97, 99, 01, 03,
  05 (en préparation)
• En France
• Travaux sur les hyper-média adaptatifs
• Cf Serge Garlatti
• Travaux sur les documents virtuels
  personnalisables
• Travaux sur la résolution de problèmes
• Joueurs virtuels
• En situation professionnelle
• En situation scolaire