Yannick Bourrier - Diagnostic et prise de décision pour la construction de compétences non-techniques en situation critique

10:00
Friday
21
Jun
2019
Organized by: 
Yannick Bourrier
Speaker: 
Yannick Bourrier
Teams: 
Keywords: 
Detailed information: 

 

Lieu de soutenance

salle RC27 (rez-de-chaussée du batium Atrium), sur le campus Pierre et Marie-Curie, de la Sorbonne, à Paris.

(Présoutenance au LIG, le mardi 18/06 à 15h30, en salle 406)

Membres du jury :

  • M. Pierre-Yves Oudeyer, directeur de recherches à l'INRIA Bordeaux (Rapporteur)
  • Mme. Anne Boyer, professeure à l'université de Lorraine (Rapportrice)
  • M. Ronan Querrec, professeur à l'école nationale d'ingénieurs de Brest (Examinateur)
  • Mme. Domitile Lourdeaux, maître de conférences à la Sorbonne UTC (Examinatrice)
  • M. Nicolas Maudet, professeur à la Sorbonne UPMC (Examinateur)
  • Mme. Vanda Luengo, professeure à la Sorbonne UPMC (Directrice de thèse)
  • Mme. Catherine Garbay, directrice de recherche CNRS au laboratoire d'information de Grenoble (Co-directrice)
  • M. Francis Jambon, maître de conférences à l'université Grenoble-Alpes (Co-encadrant)
Abstract: 

Les compétences non-techniques (CNT) sont un panel de capacités métacognitives complémentant les compétences techniques, et garantissant la réalisation d’une activité technique sûre. Elles jouent un rôle particulièrement important dans la gestion de situations critiques, et ce dans de nombreux domaines, comme la conduite automobile, ou la médecine d’urgence. Les travaux de cette thèse ont eu pour but de contribuer à la construction d’un environnement virtuel pour l’apprentissage humain (EVAH) de ces compétences non-techniques, via l’expérience de situations critiques.

Les travaux se sont focalisés sur deux aspects fondamentaux pour la mise en place d’un EVAH. Dans un premier temps, nous nous sommes focalisés sur la conception d’une architecture de diagnostic des compétences non-techniques de l’apprenant, un problème complexe, « mal-défini » au regard du faible degré de formalisation du domaine, de la nature en temps réel de cet apprentissage, et des relations, propres à chaque individu, entre criticité, compétences techniques et compétences non-techniques. Cette architecture associe connaissances du domaine, apprentissage machine et un réseau bayésien, afin de franchir l’important gap sémantique séparant l’activité perceptivo-gestuelle de l’apprenant produite au sein d’un environnement virtuel, de l’évaluation épistémique de ses compétences.

Dans un second temps, nous avons consacré nos efforts à la conception d’un module pédagogique capable de raisonner sur la base du module de diagnostic pour proposer à chaque apprenant un voyage à travers la criticité qui lui soit adapté, personnalisé, et à même de renforcer ses CNT. Ce module associe connaissances issues du réseau bayésien, à un algorithme d’apprentissage par renforcement de type « bandit manchot », pour guider l’apprenant vers une maîtrise toujours plus grande de ses compétences non-techniques.

Les expérimentations ont eu pour but de valider les choix de modélisation. Elles se sont basées sur des données réelles, obtenues au cours de sessions d’apprentissage réalisées sur un simulateur « grande échelle » de conduite automobile, pour mettre en évidence la robustesse et la capacité de couverture de l’architecture de diagnostic. Nous avons ensuite conçu un jeu de données synthétiques pour évaluer les capacités du module pédagogique à proposer des situations d’apprentissage adaptées aux singularités de chaque apprenant, et à mêmes de contribuer au renforcement de ses CNT.