Attention, suite à une faille de sécurité, les liens vers les serveurs d'exploration sont désactivés.
-
H2PTM (2007) Mediani
Application de la méthodologie MaSE (Multi agent System Engineering) dans la conception d’un outil de mémorisation des traces d’interaction de l’apprenant
|
Sommaire
- Résumé
- Nous présentons dans cet article, un outil de mémorisation des traces de l’apprenant à base d’agents dans un environnement d’apprentissage à distance. Ce système est conçu pour récolter les traces d’interaction d’un apprenant avec l’environnement, d’une part, et avec ses pairs (enseignants et apprenants) de l’autre part. Ces traces sont sauvegardées dans le modèle de l’apprenant pour être traitées et exploitées ultérieurement par d’autres agents.Pour la conception de notre environnement, nous avons choisi la méthodologie MaSE. De cette façon, l’environnement est pensé comme étant composé d’entités ayant des capacités de communication et de résolution de problèmes.
- Mots-clés
- Traces de l'apprenant, MaSE, Modélisation de l'apprenant, Systèmes multi agents, Agents intelligents.
- Abstract
- In this paper, we present an agent based memorization tool for the learner traces in a learning environment. This system is conceived to collect the learner interaction traces with the environment, on the one hand, and with his pairs (teachers and learners), on the other hand. These traces are stored in the learner model to be treated and exploited later by other agents. For our environment design, a multi agent based methodology is used. In this way, the environment is thought as being composed of entities having communication and problems resolution capacities.
- Keywords
- Learner traces, MaSE, learner modelling, multi-agents systems, intelligent agents.
Introduction
L’évolution des Technologies de l’Information et de la Communication a profondément changé la problématique de la mise en œuvre des systèmes pour l’apprentissage. Aujourd’hui, l’ordinateur est devenu un simple élément d’un système plus complexe impliquant la coopération de diverses entités humaines et artificielles partageant un ensemble de ressources pédagogiques. Face à ces ressources interactives, et à l’Internet, l'apprenant peut se trouver dans une situation où il est gagnant et perdant en même temps. D'un côté, il dispose d'un accès simple aux ressources numériques dont il a besoin pour son activité, il mène des expériences directes avec son environnement, il gère son temps et son rythme. D'un autre côté, l’isolement de l'apprenant, le manque de perception, de vision et des conseils immédiats de l’enseignant rendent l’apprenant beaucoup plus démuni qu'en situation d’enseignement en présentiel.
Pour que les apprenants se sentent impliqués dans leur apprentissage, il faut qu’ils disposent d’une assistance individuelle assurée par l’enseignent humain (le tuteur). Mais pour que le tuteur puisse suivre et analyser l’activité de chaque apprenant, il doit passer un temps rédhibitoire.
Récemment, des travaux considérables de recherches ont été faits dans le domaine d'automatisation de l'acquisition et la distribution des connaissances. Il y a plusieurs plateformes de formation à distance, par exemple, (WebCT, 2001), (Ganesha, 2007),(Claroline, 2006), etc. le point commun entre tous ces systèmes est qu'ils offrent un ensemble de services statiques et passifs. Dans ces systèmes, les actions des utilisateurs sont enregistrées dans plusieurs fichiers logs. Ces fichiers logs fournissent un matériel très conséquent, facile à collecter mais plus difficile à analyser. Le temps passé par le tuteur pour suivre et analyser les activités de l'apprenant est beaucoup plus que celui dépensé dans la situation de classe (Al-Sakran, 2006).
L’objectif de ce travail est de concevoir une architecture à base d’agents permettant de garder l’historique détaillé de toutes les actions de l’apprenant au moment où il accède à une plate-forme d’enseignement sur Internet (pages, protocoles, communication avec d’autres apprenants ou avec les enseignants, temps etc.). Les données récoltées sont stockées dans ce qu’on appelle le modèle de l’apprenant pour être traitées et exploitées ultérieurement par d’autres agents.
Les technologies de l'information ont l'avantage d'être observables par des ordinateurs. Par conséquent, quand les utilisateurs interagissent avec un ordinateur, ils fournissent beaucoup d'informations sur eux-mêmes (Kabassi et al, 2003). Les agents ont été tout à fait réussis à observer le comportement des utilisateurs et, par conséquence, ils ont été largement répandus dans les environnements d'apprentissage afin de capturer les caractéristiques des utilisateurs (Belkada et al, 2001), (O'Riordan et al, 1999). Les agents jouent un rôle important dans les interactions homme-machine et dans la coordination des processus internes du système (Aroyo et al, 1999).
Pour la conception de notre architecture, nous avons choisi la méthodologie MaSE (Multi agent System Engineering) qui a été développée par Scott Deloach et ses collaborateurs au sein du laboratoire d'intelligence artificielle de Air Force Institute (AFIT) (Deloach et al, 2001). De cette façon, l’environnement est pensé comme étant composé d’entités ayant des capacités de communication et de résolution de problèmes, et organisées en son sein au profil de l’apprenant usager.
Dans ce qui suit, nous parlons brièvement des fondements théoriques : La modélisation de l’apprenant. Nous présentons dans la section 3, la démarche suivie dans la conception de notre environnement. Dans la section 4, nous motivons notre choix d’implémentation. Nous terminons notre article par une conclusion et quelques interfaces.
Modélisation de l’apprenant
Notre travail appartient au domaine de la modélisation de l’apprenant, qui vise la création d'un modèle cognitif et affectif à partir de l'observation du comportement de l'apprenant à l'interface d’un environnement d’apprentissage (Mediani et al., 2005), (Mediani et al., 2006). Un modèle de l’apprenant est un composant ou un système informatisé de gestion des données qui contient des informations sur les activités d’apprentissage de l’apprenant. Il fait typiquement partie d'un plus grand système tel qu'un système de gestion d'apprentissage ou un système de tuteur intelligent (Tanimote, 2005). Ce modèle doit représenter le profil de l’apprenant, ses buts, ses plans, ses actions, ses croyances et ses connaissances. Et doit servir par la suite à expliquer pourquoi un apprenant ne parvient pas à réaliser correctement son travail d’apprentissage et à intervenir pendant le processus de résolution d’un problème. Jhon Self a été le grand défenseur du modèle de l’apprenant, et il a montré qu’un modèle relativement imprécis de l’apprenant pouvait être utile dans l’apprentissage à distance (Akhras et al., 1996).
Démarche suivie dans la conception
Les Systèmes multi agents (SMA) présentent comme caractéristiques, d'une part, de permettre le partage ou la distribution de la connaissance, et d'autre part, de faire correspondre un ensemble d'agents et de coordonner leurs actions dans un environnement pour l'accomplissement d'un but commun.
Dans notre analyse et conception, nous avons choisi la méthodologie MaSE. C’est une méthodologie qui part d'une définition des SMA très modeste et très pragmatique: Dans ce cas un SMA est considéré comme un ensemble de processus informatiques qui communiquent entre eux pour atteindre un objectif global donné.
MaSE couvre complètement le cycle de vie d'un logiciel dans les systèmes multi-agents. MaSE comporte sept étapes réparties en deux phases. Chacune des étapes a pour résultat un ou plusieurs diagrammes. La phase d’analyse comprend trois étapes: identifier des objectifs, identifier les cas d’utilisation, affiner les rôles. La phase de conception comprend quatre étapes : créer les classes d’agents, construire les interactions entre agents, assembler les classes d’agents, et enfin déployer le système.
La phase d’analyse
Le diagramme hiérarchisé des objectifs
Le diagramme hiérarchisé des objectifs a pour principal but de résumer et d’organiser les besoins du système sous la forme d’une arborescence des objectifs et sous-objectifs.
Un environnement d’apprentissage est conçu pour permettre à chaque utilisateur d’avoir accès, de manière simple et à travers les réseaux, aux outils de communication, services et ressources numériques dont il a besoin pour son activité. Donc, les principales fonctionnalités qu'un tel environnement doit offrir à l'apprenant sont : Gérer les connexion et les déconnexions de l’apprenant, Gérer son espace de travail, et son espace de communication (le chat dans notre cas).
Mais l’objectif principal de notre travail est la mémorisation des traces de navigation de l’apprenant dans le modèle de l’apprenant. Cet objectif a été ajouté aux fonctionnalités principales de l'environnement d'apprentissage. Ainsi, nous avons organisé les objectifs, qui indiquent les services que notre système doit fournir dans un diagramme hiérarchisé des objectifs (Figure 1).
_Mediani1.png)
Diagrammes de séquence
Les diagrammes de séquence dans MaSE indiquent les interactions entre les rôles. Pour l’ensemble de nos cas d’utilisation, nous avons défini les rôles suivants :
– R_Interface. Encapsule l’interface entre l’apprenant et le système. C’est lui le responsable des interactions avec l'apprenant, lui présentant le contenu pédagogique. Il transfère également les actions/réponses de l'apprenant au R_Assistant.
– R_Assistant. Encapsule les tâches effectuées par l’agent de l’apprenant, qui consiste à adresser des requêtes relatives au savoir (charger cours, exercice, sauvegarder le travail, etc).
– R_Spy. Encapsule les tâches effectuées par l’agent de l’apprenant, qui consiste à adresser des requêtes pour sauvegarder les traces des activités de l’apprenant dans le modèle de l’apprenant.
– R_Collaborator. Il accompagne l’apprenant durant son interaction avec les autres (apprenants ou enseignants) via les outils de communication (chat dans notre cas), et envoie les traces d’interaction au R_Assistant.
– R_Evaluator. Il effectue l’évaluation automatique des exercices de type QCM en comparant les connaissances de l'apprenant à celles de l'expert (l’enseignant dans notre cas) et en envoyant les résultats d'évaluation au R_Assistant pour les sauvegarder dans le modèle de l’apprenant.
– R_DB_Supervisor (DBS). Encapsule les tâches de l’agent superviseur de la base des données, qui consistent principalement à répondre aux requêtes venant des agents enseignants et apprenant concernant le savoir (le contenu pédagogique, les vidéos, ….). Il est le seul à faire des transactions de nature lecture ou écriture avec la base des données.
– R_DB. Encapsule l’interface SYSTEME-BD (BD est la base des données qui contient le contenu pédagogique).
– R_Learner_model (LM). Encapsule l’interface SYSTEME-LMD (LMD est la base de données qui contient le modèle de l’apprenant). A titre d’exemple, nous présentons dans la figure suivante (Figure 2) le diagramme de séquence décrivant le cas d’utilisation charger cours ou exercice.
Cas d’utilisation « charger un cours/exercice »
- L’apprenant informe son agent interface qu’il désire commencer le cours, l’agent interface annonce le rôle R_Assistant du choix de l’étudiant, ce choix sera transmis au superviseur de la base de données (R_BD_Supervisor) qui envoie le cours ou l’exercice désiré au R_Assistant puis au R_Interface. Le R_Assistant sauvegarde cette activité dans le modèle de l’apprenant.
_Mediani2.png)
Le diagramme des rôles et des tâches
L’objectif de cette étape est de transformer le diagramme hiérarchisé des objectifs et les diagrammes de séquence issus des différents cas d’utilisation, en un diagramme de rôles associés aux tâches concurrentes. Les tâches sont des processus indépendants que le rôle doit exécuter pour atteindre ses objectifs.
Les interactions inter-rôles sont dessinées par des chemins de communication entre les tâches. Chacun des objectifs ou sous-objectifs du diagramme hiérarchisé des objectifs est assigné à un rôle particulier. La méthodologie MaSE indique que chaque objectif doit être assigné à au moins un rôle. Dans la diagramme suivant (Figure 3), nous identifions l’ensembles des rôles et des tâches associées de notre environnement.
_Mediani3.png)
La description des tâches concurrentes.
Le but de cette étape est de spécifier les différentes tâches et les transitions des rôles dans la réalisation d'une tâche. Les automates à états finis sont utilisés pour illustrer le fonctionnement d'une demande de service formulée par un rôle émetteur de cette demande, et la manière dont le rôle récepteur de la demande l'exécute.
La phase de conception
Le passage entre la phase d'analyse et la phase de conception se fait comme suit :
– Le concepteur crée les classes d’agents et assigne chaque rôle à au moins une classe d’agents.
– Les communications entre les tâches déterminent les conversations entre les agents.
Le diagramme des classes d'agents
En ce qui concerne notre système, nous avons transformé directement nos rôles en agents, c’est-à-dire que nous avons affecté chacun des rôles de l’étape précédente à un agent différent sauf pour l’agent Assistant qui remplit deux rôles (Figure 4). La méthodologie recommande de noter dans chaque rectangle représentant une classe d’agents les rôles qu’elle remplit. Pour notre application, nous avons donc sept classes d'agents: – L’agent Interface : qui remplit le rôle R_interface.
- – L’agent Assistant : qui remplit les rôles R_assistant et R_Spy.
- – L’agent Evaluator : qui remplit le rôle R_evaluator.
- – L’agent collaborator : qui remplit le rôle R_collaborator.
- – L’agent DB_Supervisor : qui remplit le rôle R_DBS.
- – L’agent Inter_DB : qui remplit le rôle R_DB.
- – L’agent Inter_LM : qui remplit le rôle R_LM.
_Mediani4.png)
La construction des communications inter-agents
Cette étape a pour but de construire le détail des interactions entre agents. Ces interactions sont spécifiées grâce à des diagrammes d’automates à états finis selon le même principe que la spécification des tâches concurrentes de la troisième étape. Pour chaque protocole de communication entre agents, le concepteur doit définir deux diagrammes de communication de classes : l’un pour l’initiateur et l’autre pour le destinataire.
Implémentation des agents
La méthodologie de conception multi agents MaSE ne définit et n’impose aucune architecture interne des agents mis en œuvre. Cette tâche est laissée au concepteur. Nous avons choisi le modèle d’architecture JAM pour définir la structure interne de nos agents. Le modèle JAM a été élaboré par Huber et ses collègues (Huber, 2001). L’architecture JAM permet d’implémenter des capacités de mobilité, elle est construite autour d’un noyau BDI (Belief-Desire-Intention). Chaque agent JAM est composé de cinq composants primaires :
– un modèle du monde: modèle du monde est une base de données représentant les croyances de l’agent.
– une bibliothèque de plans: est un ensemble de plans que l’agent utilise pour atteindre ses objectifs.
– un interpréteur : est le cerveau de l’agent, il permet à l’agent de raisonner sur ce qu’il doit faire, quand et comment.
– une structure intentionnelle : est un modèle interne des objectifs actuels de l’agent; elle garde les traces de l’engagement et de la progression de l’agent dans la réalisation de ses objectifs.
– un observateur : est une procédure déclarative spécifiée par l’utilisateur qui permet à l’agent de relier les étapes d’un plan afin de remplir des fonctionnalités simples et périodiques.
Les changements dans le modèle du monde et l’apparition de nouveaux objectifs déclenchent un processus de raisonnement afin de rechercher les plans à appliquer à la nouvelle situation, l’interpréteur sélectionne un plan de la liste des plans applicables en faisant un raisonnement de niveau méta ou d’utilité maximale.
Selon la figure 5 qui montre l'interface de l’apprenant, l’onglet "Cours" permet d’accéder au contenu d’un module et d’afficher la liste des chapitres et des cours qu’il contient. L’onglet "Exercice" permet d’offrir à l’apprenant un espace de travail lui permettant de résoudre ses exercice. En bas, nous trouvons un espace de communication entre les acteurs humains du système.
_Mediani5.png)
_Mediani6.png)
Conclusion
A travers cet article, nous avons eu recours au paradigme d’agent pour proposer un outil de mémorisation des traces d’interaction de l’apprenant qui se trouve dans une situation d’apprentissage à distance. Ce système a été analysé, spécifié et conçu suivant une méthodologie de développement de système multi-agents MaSE.
La méthode MaSE nous a énormément aidé à modéliser notre système grâce à la simplicité de ses concepts et l'utilisation de certains diagrammes d'UML.
Notre ambition est d’utiliser les résultats de ce travail pour adapter les fonctionnalités de l’environnement aux besoins de l’apprenant.
Références bibliographiques
[Akhras et al., 1996] ↑ F. Akhras et J. Self, "From the process of instruction to the process of learning constructivist implications for the design of intelligent learning environment", Proceedings of the Euro AIED, Lisbon, Portugal, 9-15, 1996.
[Al-Sakran, 2006] ↑ H. Al-Sakran, "An agent-based architecture for developing E-learning system", Information Technology Journal, 5 (1): 121-127, 2006.
[Aroyo et al, 1999] ↑ L. Aroyo et P. Kommers, "Preface-Intelligent Agents for Educational Computer-Aided Systems", Journal of Interactive Learning Research, Special Issue on Intelligent Agents for Educational Computer-Aided Systems,Vol. 10, No 3/4, 235-242, 1999.
[Belkada et al, 2001] ↑ S. Belkada, A I. Cristea et T. Okamoto, "Measuring Knowledge Transfer Skills by Using Constrained-Student Modeler Autonomous Agent", Proceedings of the IEEE International Conference on Advanced Learning Technologies (ICALT), IEEE Computer Society, 375-378, 2001.
[Claroline, 2006] ↑ , http://www.claroline.net/, Consulté en Sep. 2006.
[Deloach et al, 2001] ↑ S.A. DeLoach, M.F. Wood et C.H. Sparkman, "Multiagent Systems Egineering", International Journal on Software Engineering and Knowledge Engineering, Vol. 11, N° 3, pp. 231-258. 2001.
[Ganesha, 2007] ↑ , http://www.anemalab.org/ganesha/, Consulté en Jan. 2007.
[Huber, 2001] ↑ M.J. Huber, "JAM: A BDI-theoretic Mobile Agent Architecture", http:// marcush.net/IRS/irs_papers.html, 2001.
[Kabassi et al, 2003] ↑ K. Kabassi et M. Virvou, "Learner Modelling in a Multi-Agent System through Web Services," Proceedings of the 3rd IEEE International Conference on Advanced Learning Technologies (ICALT’03), 2003.
[Mediani et al., 2006] ↑ Mediani C. et M. Djoudi, "Une architecture à base d’agents intelligents pour la modélisation du comportement de l’apprenant dans un environnement d’apprentissage coopératif à distance," Congrès International de la Pédagogie Universitaire, AIPU Monastir, 15-18 Mai, 2006.
[Mediani et al., 2005] ↑ C. Mediani, "Modélisation de l’apprenant dans un environnement d’apprentissage collaboratif", Congrès International en Informatique Appliquée, CIIA05, BBA, Algérie, pp. 27-32, 19-21 nov, 2005..
[O'Riordan et al, 1999] ↑ C. O'Riordan, " A Multi-Agent System for Intelligent Online Education,"Journal of Interactive Learning Research, Special Issue on Intelligent Agents for Educational Computer-Aided Systems, Vol. 10, No 3/4, 263-274, 1999.
[Tanimote, 2005] ↑ S. Tanimoto, " Dimensions of Transparency in Open Learner Models, Proc. Int'l Workshop on Learner Modelling for Reflection, to Support Learner Control, Metacognition and Improved Communic. between Teachers and Learners," in conj.with AIED, Amsterdam, July, 2005.
[WebCT, 2001] ↑ , http://www.webct.com
