Modélisation de l’utilisateur et de l’apprenant

Mention Informatique

Spécialité ANDROIDE

Jean-Marc LABAT

La modélisation de l'utilisateur

• Introduction

Les problématiques

Les 2 catégories d'approches

Définition

• Les architectures cognitives

ACT, SOAR

Exemples : SETHI, SIMPLUS

• Les modèles symboliques statiques

Définition

Exemples

• Les modèles numériques

Définition

Exemples

Bilan

• Conclusion

Introduction

• Problématique très importante de l'IA

sur un plan fondamental

– travail théorique

– travail pluridisciplinaire : neuro-sciences, psychologie cognitive, linguistique

sur un plan appliqué

– pour personnaliser l'enseignement

– pour fournir une aide appropriée à l'utilisation de logiciels

– pour connaître les besoins des internautes

Participation de l'IA au projet de compréhension globale de la cognition humaine

Participation de l'IA à l'amélioration de l'Interaction Homme-Machine

Introduction

• Pourquoi modéliser l’humain ?

Adapter le comportement des systèmes à leurs utilisateurs

» Adapter le parcours dans un hypermédia

» Sélectionner le contenu dans un environnement d’apprentissage

Aider l’humain

» 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 d’autres humains

– des apprenants

– des clients

Faire jouer à l’ordinateur le rôle d’un humain

» Modéliser un enseignant

» Modéliser un joueur

» Modéliser un participant

Améliorer

l’interaction H-M

Se substituer au moins

en partie à un humain

Faciliter l’activité

d’un humain

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 l’humain

La précision de la modélisation de l’humain est inutile si

plusieurs états conduisent toujours à la même situation

• L'approche symbolique

• L'approche numérique

Modèles dynamiques

» objectif : simuler ou rejouer le comportement de l'humain

» utilisation des systèmes à base de connaissances

Modèles statiques (avec mise à jour)

» objectif : stocker de l'information pour prendre des décisions

» utilisation d'attributs-valeurs

Modèles basés sur des calculs et des méthodes d'apprentissage

Ce sont des modèles statiques avec mise à jour

» objectif : avoir un modèle complet qui ne répond jamais de manière aberrante

» utilisation

–des réseaux neuronaux

–des réseaux bayésiens

–du filtrage collaboratif

2 catégories d'approches

Les architectures cognitives

Proposition complète sur la structure de la cognition humaine

l'objectif est d'obtenir un comportement "intelligent", c'est-à-dire flexible

Propriétés d'une architecture cognitive

Fortes et nombreuses !

Hypothèse fondamentale :

Les capacités cognitives humaines conscientes sont bien représentées, sur le plan psychologique,

par le formalisme des règles de production

Ce sont des modèles symboliques exécutables dont le but est d’expliquer par

la simulation le comportement humain

Propriétés • Avoir un comportement rationnel, orienté par les buts et adapté à

l'environnement

• Agir en temps réel dans un environnement complexe

• Utiliser différents niveaux d'abstraction de type symbolique

• Apprendre à partir de l'environnement et de l'expérience

• Faire preuve de conscience de soi (de réflexivité)

• 2 exemples emblématiques

• ACT* (R= rational) http://act-r.psy.cmu.edu/ • Une mémoire déclarative : Les "chunks" ( "cognitive unit" dans ACT*)

• Une mémoire procédurale : les règles de production

•Activer les règles de production a un certain coût en temps calculé par le système

• SOAR version 9.5.0 http://sitemaker.umich.edu/soar/home

• Combiner connaissances et recherche flexible grâce aux notions

d'espace-problème et de règles de productions

Propriétés que doit posséder une architecture cognitive

Exemple d’utilisation

• SETHI : Simulateur d’Environnement Tactique Hétérogène Interactif

système temps-réel de simulation de Forces

a pour fonction d'animer le champ de bataille dans lequel sont immergés des agents virtuels et des avatars de simulateurs physiques.

conçu pour l’entraînement technique et tactique de personnels de différents échelons grâce à la mise en réseau de simulateurs participant à un exercice commun

• SETHI est constitué de quatre composants principaux :

Les fonctionnalités qui permettent à l'utilisateur de définir les scénarios de simulation et de contrôler leur déroulement en temps-réel ;

les bases de données contenant toutes les informations de terrains, d’armes, de véhicules, de réactions comportementales, …

le noyau de calcul qui maintient les données cohérentes en temps réel

une couche réseau permettant le partage d’objets et de messages en temps réel entre applications s’exécutant sur des machines distantes

Exemple d’utilisation

• MEbS (Modèle de sélection d’action Emotionnelle basé sur SOAR) est

composé de 2 sous-systèmes :

Système d’évaluation des émotions

» alimenté par les informations sur l’état de l’environnement et de l’agent

issues de SETHI.

» chaque agent évalue la situation par rapport à un ensemble de critères

qui lui sont propres.

Système de prise de décision

» alimenté par les informations sur les possibilités d’actions issues de

SETHI et les informations sur l’état émotionnel de l’agent issues du

système d’évaluation des émotions

» fournit à SETHI les actions à exécuter par l’agent.

le comportement de l’agent émerge d’une suite de plusieurs cycles de

décision

» Un cycle de décision de MEbS inclut l’évaluation des émotions suivi de

plusieurs cycles de décision de Soar

Exemple d’utilisation

• Modèle de sélection d’action Emotionnelle basé sur SOAR (MEbS)

Olga Kozlova, stage chez Thales 2005-2006

MEbS a pour but de fournir à SETHI un

système comportemental alternatif qui

permet à certains types d’agents

virtuels qui ne suivent pas la doctrine

militaire typique (civils, terroristes,

milices) d’exhiber un comportement

réaliste et de prendre en compte des

événements particuliers.

Evaluation des

Emotions

Choix des

actions

Détections issues

de l'Environnement

(tirs, ennemis, etc.)

Ressources de

l'Agent (armes,

santé, mobilité,

cibles détectés)

Choix de la

Strategie

Peur

Colère

Joie

Agression

Fuite

Abandon

Exploration

Cycle de decision pour chaque agent

Cycle de décision de l'agent

Exemple 2 : Jeux d'entreprises sur le Web

• Exemple de Jeu en ligne: Simulgest

Chaque groupe de joueurs pilote une entreprise

10 périodes, chacune représentant une année

Un ensemble de décisions (une vingtaine) à prendre chaque année :

» production,

» commerciales,

» financières

Des paramètres fixés par le tuteur (ou l’arbitre) :

» 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

Architecture du jeu en ligne

Site de jeu Site du tuteur

Moteur de simulation

Aide aux équipes

Navigation et

simulation

Envoi

des

décisions

Echange

de données

Réception

des

résultats

Base de données

Équipes

Tuteur/arbitre

Objectif : Élaborer une méthode s’appuyant sur une rétro-conception

Propriété remarquable : l’expertise du domaine est embarquée dans le

simulateur

Extraire ces connaissances et les exprimer de manière déclarative pour

concevoir des joueurs virtuels

• 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

Méthodologie générale de conception d'un joueur virtuel

Processus de développement

• Etape 3 : Analyser les fonctions utilisées par le moteur de

simulation

– Fonctions traduisant des connaissances algorithmiques

– Ces fonctions sont dupliquéées telles quelles dans le SE

– Fonctions traduisant l’expertise

– 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

• L’expertise est basée sur les seuils déterminés à l’étape précédente

• 3 types : ambitieux, neutre, timoré

Modèle de l’utilisateur : modèles statiques

• Définition

Un modèle utilisateur est une représentation explicite des caractéristiques des utilisateurs interagissant avec un système

Pas une modélisation générale

» Mais une modélisation adaptée au contexte et aux objectifs visés par l’introduction d’un modèle utilisateur

• Qui est modélisé

» l’utilisateur et les autres, y compris les agents artificiels

• Quelle structure le modèle contient-il ?

Y a-t-il un modèle

» par utilisateur

» par groupe d’utilisateurs

Dimensions d’un modèle utilisateur : QUOI ?

• Que modélise-t-on ?

La connaissance

le niveau d’expertise

Le background

les croyances

les objectifs

les plans

les intentions

les intérêts

les préférences

les émotions

la motivation

l’historique des interactions

» Par session

» Sur un ensemble de sessions

Domaine cognitif

But de l’utilisateur

Domaine affectif

L’historique

Dimensions d’un modèle utilisateur : QUOI ?

• Connaissances

L’une des caractéristiques la plus utilisée, pratiquement tous y font référence.

Nécessite de reconnaître les modifications de celles-ci et de mettre à jour le modèle utilisateur.

En général fondé sur un «overlay model» :

» Fondé sur une représentation conceptuelle des concepts du

domaine

» Issu des systèmes tuteur intelligents et des modélisations

d’étudiants.

Dimensions d’un modèle utilisateur : QUOI ?

• Connaissances

« Overlay model » :

» Représente la connaissance d’un 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

l’individu sur ce concept : binaire, qualitative, une mesure

quantitative (par ex une probabilité)

» Difficile d’initialiser le modèle, même par un interview de

l’étudiant.

Dimensions d’un modèle utilisateur : QUOI ?

• Connaissances

Modèle fondé sur un stéréotype :

» Le système distingue plusieurs modèles typiques ou stéréotypes d’utilisateurs

» Chaque utilisateur est rattaché à un stéréotype

–Un modèle de stéréotype = une paire (Stéréotype, valeur) ou la valeur peut être booléenne (appartient ou non au stéréotype) ou probabiliste.

Combinaison des deux modèles :

» Le modèle de stéréotype est utilisé au départ pour classer un utilisateur et pour fixer des valeurs initiales au modèle «Overlay model »

» ensuite un modèle d’« overlay » classique est utilisé

Dimensions d’un modèle utilisateur : QUOI ?

• Background

Sert à initialiser le modèle de l’apprenant

» Grâce à l’utilisation d’heuristiques basées sur l’expérience des concepteurs du système

Dans les hypermédia

» Initialise les informations liées par exemple aux expériences précédentes de l’utilisateur non liées à l’hypermédia, mais pertinentes pour celui-ci

Dimensions d’un 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 ?

• Quelle est la nature des informations ?

De nature qualitative et/ou quantitative ? certaine ?

le modèle est-il consistant ou les inconsistances sont-elles autorisées ?

Dimensions d’un 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 d’identifier les classes d’utilisateurs, leurs tâches, les facteurs critiques, comme la pression sociale,

» Interviews

–Plus court et moins coûteux que la méthode précédente

–Permet d’obtenir l’expérience, les opinions, les motivations comportementales, les avis sur les outils existants

Dimensions d’un modèle utilisateur : COMMENT ?

• Acquisition du modèle utilisateur

Acquisition a priori par le concepteur

» Questionnaires

–Obtention à moindre coût d’un maximum de données

–Permet des études statistiques et des généralisations plus fortes que les interviews

» Par observation du comportement en cours d’utilisation

–Du même utilisateur ou des utilisateurs précédents

Acquisition en temps réel

» Inférences sur les interactions

» Mémorisation des interactions

» Sélection de stéréotype(s)

» Reconnaissance de plans ou de tâches

Exemple : 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 d’adaptation

• possède un modèle utilisateur

• adapte l’hypermédia à partir de ce modèle et de ces règles

Exemple : Les hypermédia adaptatifs

• Objectifs

– Permettre l’accès à l’information pertinente

– Résoudre les problèmes de navigation

– Améliorer la compréhension d’un document complexe

• Moyens

– Le système a un Modèle des Buts, Préférences et Connaissances

de l’utilisateur et l’utilise dans l’interaction pour s’adapter aux

besoins de ceux-ci.

– A partir de ce ou de ces modèles, le système va adapter

l’information, les liens ou la présentation de l’hypermédia.

Les hypermédia adaptatifs

Modèle utilisateur Contenu

Information

Règles d’adaptation

Technique d’adaptation

Méthodes pour

Hypermédias

Adaptatifs

Présentation

Adaptative

Navigation

Adaptative

Présentation

multimédia

adaptative

Présentation

adaptative de

texte

Adaptation de

modalité

Guidage Direct

Tri des liens

Masquage des

liens

Annotation de

liens

Adaptation de

carte

Masquage

Désactivation

Suppression

Fragments

conditionnels

Pages et fragments

variants

Strechtext

Tri de fragments

Techniques à base

de frames

• Introduction

Différents types de modélisations numériques de l'humain

Tendances

• Réseaux Bayésiens

Définition

Inférence

Apprentissage

Études de cas

» Hydrive

• Systèmes de decision collaborative

• Conclusion

Les approches numériques

Pourquoi des modèles numériques ?

• Tenir compte de l'incertain

en général, ni les buts, ni les connaissances, ni l'état affectif de

l'utilisateur ne sont parfaitement connus

pour les buts, on peut espérer une réponse par questionnement direct

» Encore faut-il savoir quelle question poser, et donc faire des inférences

sur l'activité de l'utilisateur

– ex: MS Office Agent: « Voulez-vous ... ? »

• Faire de l'apprentissage machine

extraire des connaissances à partir des données

Utiliser des techniques d'apprentissage

» numérique (datamining)

» symbolique (PLI)

Un exemple : Connaissances de Unix

DIFFICULTY OF "MORE"

SIMPLE

MUNDANE

COMPLEX

ESOTERIC

DIFFICULTY OF "FG“ (foreground-

tâche au premier plan)

SIMPLE

MUNDANE

COMPLEX

ESOTERIC

KNOWLEDGE BY U OF "MORE"

NOT KNOWN

KNOWN

KNOWLEDGE BY U OF "RWHO"

NOT KNOWN

KNOWN

KNOWLEDGE BY U OF "FG"

NOT KNOWN

KNOWN

UNIX EXPERTISE OF U

EXPERT

INTERMEDIATE

BEGINNER

NOVICE

DIFFICULTY OF "RWHO“ (qui

est connecté à distance ? )

SIMPLE

MUNDANE

COMPLEX

ESOTERIC

Réseaux Bayésiens

• Pourquoi utiliser des RB en modélisation de l'utilisateur ?

● Utilisés en IA pour prendre en compte l'incertain.

● Possibilité d'apprentissage machine

● Intégration de données et de savoir expert

● Sémantique (relativement) claire

• Difficultés

● Comment les construire ?

» Pb du recueil d'expertise ou des données

● Comment (bien) s'en servir ?

● Validation ?

Rappels: Probabilité conditionnelle

Réseaux Bayésiens - Définition

• Réseau bayésien

● Graphe dont les noeuds sont des variables aléatoires

● La topologie du graphe traduit les dépendances entre les v.a.

• Formellement :

● G=(V,A) un graphe acyclique orienté et X1,...,X

n n v.a. telles qu'il existe

une bijection entre l'ensemble des Xi et V, et

● Donc il faut déterminer :

» Les arcs et leurs orientations

–arc de A vers B: A est une cause de B

» Les tables de probabilités conditionnelles

• Utilisation des propriétés du graphe (d-séparation) pour obtenir des informations de dépendances entre les v.a., puis calculer leurs lois.

P X1, ,X

ni 1

n

P Xi Pa Xi

(

RB modélisant les connaissances de Unix

Connaissances de Unix

• Au départ, rien n’est su sur l’utilisateur (partie gauche des v.a.)

• Quand on apprend que l’utilisateur connait la commande « MORE »

mise à jour des probabilités des v.a. (partie droite)

Inférence

prédictive Inférence

diagnostique

Evolution du RB avec les informations successives sur les connaissances de l’utilisateur

Blanc : Initial

Gris : More est réussi

Vert : RWHO est réussi

Noir : FG est raté

Observables

1

2

3

Comment lire l'indépendance conditionnelle sur le graphe

X et Y sont conditionnellement indépendantes sachant Z (i.e l'information ne circule

pas de X à Y (et de Y à X) sachant Z) ssi P(X,Y|Z)=P(X|Z).P(Y|Z)

Z

X

Y

Nœud grisé :

information

Exemple : 1) X = cambriolage Y = Tremblement de terre Z = alarme

2) X = pelouse humide Y = pelouse voisin humide Z = il a plu

3) X = ensoleillement Y = prix du blé Z = récolte abondante

1 2 3

X X

Z Z

Y Y

X est connu

Z est connu

Un exemple: Hydrive

Loi jointe dans Hydrive

Mise à jour des probabilités dans Hydrive

Les calculs exacts deviennent vite très complexes

Construction du réseau

• Un RB est spécifié par

La structure du graphe

» Existence et orientation des arcs

Les tables de probabilités conditionnelles

» Pour chaque noeud X il faut connaitre P(X|parents(X))

• Deux types d'approches

Recueil d'expertise

Apprentissage automatique (machine learning)

Mélange des deux

• Un des intérêts des RB

Possibilité de combiner le savoir expert avec l'apprentissage automatique

Recueil d'expertise

• Acquisition de connaissances auprès d'experts

Dans les systèmes experts traditionnels on modélise le

raisonnement de l'expert, par exemple la démarche d'un médecin

pour établir un diagnostic

Dans les RB on aura plutôt tendance à modéliser le phénomène

physique sous-jacent, par exemple les connaissances (bio) que

l'on a sur une maladie

Recueil d'expertise

• Structure

Noeud: répertorier les évènements possibles

» Distinguer les variables observables de celles qui ne le sont pas

– Variables informationnelles

– Variables hypothétiques

Arcs

» Existence : est-ce que A à une influence sur B ?

» Orientation : est-ce que A est une cause de B ?

– Insuffisant de se demander si une information sur A modifie B, car

la réponse est oui dans les deux sens !

– «Pierre est fort en math parce qu'il a résolu tel exercice difficile»

ou bien «Pierre à résolu un exercice difficile parce qu'il est fort en

math» ?

Réseaux Bayésiens : Bilan

• Avantages:

– Sémantique

– Théoriquement bien fondés

– Multiplicité des usages

– Possibilité d'apprentissage machine

• Inconvénients:

– Construction

• Probabilités a priori

• Structure

– Prise en compte de différentes structures

Exemple : 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 qu’il a rapporté – ce qu’il a coûté sur une période

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 d’un échantillon représentatif

» Chaque segment terminal doit comporter au moins 300 clients

Gestion de la relation client

• Les modèles prédictifs (ou scoring)

Construction d’une fonction qui « probabilise » la réponse du client ou

du prospect

Divise la population par rapport à un comportement particulier

Le résultat s’exprime sous forme d’un 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

Systèmes de decision collaborative

• Problèmes de décision ou de recherche « universels »

– le problème doit être partagé par de multiples utilisateurs

– les utilisateurs s’intéressent à des objets de même type (films, CD, textes)

– les utilisateurs doivent être capables de donner des exemples de ce qu’ils aiment et/ou de ce qu’ils n’aiment 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 d’applications

– Systèmes de conseil de CD, video, Hi-Fi,

– Systèmes de conseil en TV, cinema, théatre, opéra

– Sélection de contenus pour la e-formation

– Choix de lieu de vacances

– Filtrage automatique de la littérature sur le Web

Le filtrage collaboratif

• Idée

– Modéliser la notion de partage d'expériences entre personnes qui

partagent les mêmes goûts ou les mêmes affinités

• Méthode

– Utiliser Internet pour mettre en commun les jugements portés sur

des produits

• Objectif

– Proposer des "produits" en adéquation avec le profil d'une personne

• en se basant sur ses propres opinions précédentes

– pas de modélisation a priori de la personne

• sur les opinions d'un groupe de personnes

– concernant les mêmes types de produit

=> Système d'aide à la décision collaborative

(Collaborative Decision Support)

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

Filtrage orienté "contenu"

Alternatives

a

b

c

Individus

1

2

4 e

d 3

g = f (b, s) s

b

Filtrage orienté "individu"

Alternatives

a

b

c

Individus

1

2

4 e

d 3 b

g = f (a, b) a

Techniques hybrides

Alternatives

a

b

c

Individus

1

2

4 e

d 3

Calcul de similarités

entre individus

Évaluation multicritère

de l'indifférence entre

objets

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 prendre en compte l'évolution des préférences au cours du temps

BILAN

• La modélisation de l’utilisateur est un sujet incontournable

Pour l’amélioration de l’Interaction Homme-Machine

» Presque toutes les applications sont concernées

– Dans le cadre de la navigation sur le web

– Pour l’aider à accomplir une tâche

– Pour l’aider à choisir

Pour l’amélioration de la communication Homme-Homme

» pour la gestion de la relation

» Pour le tuteur humain

• Modéliser l’humain est une activité très difficile

Modèles le plus souvent statiques

Nécessité des techniques d’IA pour la mise à jour

» Apprentissage symbolique et/ou numérique

Complémentarité entre l'IA

"sciences des conditions générales et effectives de l'intelligence" et

"sciences des artefacts interactifs"

Des pointeurs

• A. Becker, P. Naïm. Les réseaux bayesiens, modèles graphiques de

connaissances, Eyrolles, 2001

• A. Jameson. Numerical uncertainty management in user and student

modeling: an overview of systems and issues, in User- Adapted Interaction,

volume 5 (3-4), n°5, pages193-251, 1996

• R. Myslevy, D. Gitomer. The role of probability-based inference in an

intelligent tutoring system, in User-Modeling and User- Adapted Interaction,

n°5, pages 253-282, 1996

• C. Conati, A. Gertner, K. Vanlehn. Using Bayesian networks to manage uncertainty in student modeling, in Journal of User Modeling and User-Adapted Interaction, volume 12 (4), pages371-417, 2002

• A. Bunt, C. Conati. Probabilistic student modelling to improve exploratory behaviour, in Journal of User Modeling and User-Adapted Interaction, volume 13 (3), pp 269-309, 2003

Bibliographie

• Architectures cognitives

A. Newell, P. S. Rosenbloom et J.E. Laird : "Symbolic Architectures for cognition" dans

Foundations of Cognitive Science, MIT Press, pp 93-131, 1989

H. A. Simon : "Invariants of Human Behavior", Annu. Rev Psycho.,41, pp 1-19,90

H. A. Simon : "Artificial intelligence: an empirical science", AI 77, pp 95-127, 95

ACT-R : J. R. Anderson : Rules of the Mind, Lawrence Erlbaum Ass. Publ.

SOAR : "A preliminary analysis of the Soar architecture as a basis for general intelligence", P.S. Rosenbloom, J. E. Laird, A. Newell, R. McCarl, AI 47, pp 289-325, 91

Y. Anzaï and H. A. Simon : "The theory of Learning by Doing", Psychological review, vol 86, n°2, pp 124-140, 1979

[Vanlehn, 91] K. Vanlehn : "Rule Acquisition events in the Discovery of Problem-Solving Strategies", Cognitive Science vol 15, pp 1-47, 1991

• Communauté internationale User modeling (UM)

http://um.org/