THESE DE DOCTORAT
SPECIALITE : INFORMATIQUE
Prsente par
Mme BOUARAB ne DAHMANI Farida
Sujet
Professeur
MC
Professeur
Professeur
Mr Nadjib Badache
Mr Mansour Yacine Djouadi
Professeur
MC
ESI, Algrie
UMMTO, Algrie
USTHB, Algrie
IRIT-UTM, Toulouse,
France
USTHB, Algrie
UMMTO, Algrie
Prsident
Rapporteur
Examinatrice
Examinateur
Examinateur
Examinateur
Soutenue le 28/11/2010
Remerciements
Ce travail de thse a pu aboutir grce la contribution de diffrentes personnes faisant
partie de la communaut duniversitaires et de chercheurs algriens ou trangers et aussi
faisant partie de ma famille . Il mest impossible de dresser une liste exhaustive. Neanmoins
je tiens vivement remercier toute personne mayant aide de prs ou de loin raliser ce
travail en particulier :
-
De leurs ct, les membres de ma famille ont eu un rle trs important pour lavancement
de cette thse :
-
Rsum
Cette thse traite de lapprentissage interactif et porte en particulier sur la possibilit dutiliser les rsultats de
lingnierie ontologique dans la modlisation de domaines denseignement ainsi que dans lvaluation des
connaissances des apprenants en apprentissage par lexercice.
Lvaluation des connaissances tant avec la modlisation de lapprenant, les processus les plus complexes
dun systme dauto-apprentissage, nous sommes galement intresss par la problmatique de sa mise en
uvre travers des approches formalises. Notre contribution consiste notamment en :
Lintroduction dune reprsentation des connaissances du domaine enseigner base sur une ontologie
de domaine (Ont-TDM). Celle-ci, par la dfinition dun ensemble de concepts (notion, item de
connaissance, exercice, erreur, ) et dun ensemble de relations (compos de, value, est reli , ),
permet de modliser la smantique dun domaine utilise dans diffrentes activits dapprentissage par
lexercice,
la proposition dune approche dvaluation automatise des connaissances des apprenants compose
principalement de trois tapes : le diagnostic des erreurs, la notation des apprenants et la mise jour du
modle de lapprenant. Lapproche ODALA (Ontology Driven for Auto-evaluation Learning Approach)
ainsi dveloppe, fonde sur lontologie de domaine Ont-TDM constitue ainsi une partie essentielle des
travaux prsents ici.
Nous prsentons, par ailleurs des applications des rsultats du prsent travail de recherche travers le
dveloppement de diffrents prototypes de systmes de-learning par lexercice. Le systme WebSiela (pour
lalgorithmique) et RDB-E-LEARN (pour les bases de donnes relationnelles), qui tous deux mettent en
pratique les approches et modles introduits ici, ont t ainsi confronts la ralit travers des tests avec
des tudiants de luniversit. Nous avons ensuite, procd la mise en uvre dun environnement dautoapprentissage en rsultat de WebSiela et RDB-E-LEARN grce ladaptation de la plateforme MOODLE.
Les rsultats de ces diffrentes valuations permettent de conclure en premier lieu que lapproche ontologique
que nous avons propose prsente un intrt certain pour les EIAH de type learning by doing, mais
galement que les rsultats obtenus ici sont rutilisables dans diffrents domaines sous des hypothses
relativement proches.
Mots Cls : EIAH, Auto-apprentissage par lexercice, Ontologie, Diagnostic, Evaluation, Modle de
lapprenant, E-learning.
Abstract
This thesis discusses the interactive learning and focuses in particular on the possibility of using the results of
ontological engineering in the areas of teaching domain modelling as well as for learners knowledge
evaluation in the case of learning by doing.
The assessment of knowledge is with the learners modelling, the most complex processes of a self-learning,
so we are also interested in its implementation by proposing formal approaches. Our contribution includes in
particular:
The introduction of a teaching domain knowledge representation based on domain ontology (Ont-TDM).
The latter, by defining a set of concepts (notion, knowledge item, exercise, error, ...) and a set of relationships
(part of, evaluates, is connected to ...), models the semantics of a field used in various learning by doing
activities,
the proposition of an automated evaluation of learners' knowledge that consists mainly of three stages: errors
diagnosis, scoring learners and learner model updating. The approach ODALA (Ontology Driven Auto
evaluation Learning Approach) developed using the domain ontology Ont-TDM is thus an essential part of
the work presented here.
Moreover, we present applications results of this research work through the development of various
prototypes of e-learning by doing systems. The system WebSiela (for algorithmic) and RDB-E-LEARN (for
relational databases), who both practice the approaches and models introduced here were thus faced with the
reality through tests with university students. We then proceeded with the implementation of a self-learning
environment as a result of WebSiela and RDB-E-LEARN through adaptation of the platform MOODLE. The
results of these evaluations can be concluded first that the ontological approach that we proposed is certainly
interesting for learning by doing computer based systems, but also that the results obtained here are reusable
in different areas under similar assumptions.
Keywords: Computer based systems, Self-learning by doing, Ontology, Diagnosis, Evaluation, Learners
Model, E-learning.
I-3- Modelisation de Domaines dEnseignement dans les EIAH de Type Learning by Doing15
I-4- Evaluation des Apprenants................................................................................................ 17
I.4.1. Types dEvaluation ........................................................................................................................ 17
I.4.2. Types de diagnostic ....................................................................................................................... 18
I.4.3. Techniques de diagnostic............................................................................................................... 19
Conclusion ............................................................................................................................... 21
Conclusion ............................................................................................................................... 33
34
40
52
53
54
Conclusion .........................................................................................................................
55
60
63
68
Conclusion ............................................................................................................................... 72
CHAPITRE V : Applications
Introduction ............................................................................................................................. 73
V.1. Enseignement de lAlgorithmique de Base
73
84
98
Conclusion Gnrale
102
Bibliographie
105
Annexes
113
113
115
120
124
131
133
05
05
12
13
14
38
39
41
42
43
43
44
46
47
49
50
52
54
58
59
62
64
74
75
77
78
79
80
80
81
82
83
83
86
89
90
91
48
51
69
70
70
71
71
76
77
82
88
90
98
Introduction Gnrale
Introduction Gnrale
Introduction Gnrale
CHAPITRE I
EIAH et Evaluation des Apprenants
Introduction
Depuis lapparition de linformatique, beaucoup de systmes sont dvelopps dans le
but dutiliser lordinateur pour aider accomplir la tche pdagogique
denseignement/apprentissage. Avant larrive des NTIC et lapparition des plates
formes de e-learning, deux grandes priodes ont marqu lhistoire de cette
mdiatisation technologique de lapprentissage qui a contribu llaboration de
beaucoup de logiciels plus ou moins russis. Nous distinguons lre de lEAO
classique o furent effectues les premires tentatives ad hoc dassistance
lapprenant par des didacticiels, et lre de lEIAO qui a exploit bon escient les
techniques de lintelligence artificielle pour raliser des environnements
denseignement/apprentissage plus intelligents et qui tiennent compte des capacits
cognitives de lapprenant. On convient aujourdhui (du moins chez la communaut
francophone qui sintresse aux systmes informatiques pour lapprentissage) que
tous ces systmes sont des Environnements Informatiques dApprentissage Humains
(EIAH).
Lobjet des travaux de recherche relatifs aux EIAH est dtudier les situations
pdagogiques informatises et les logiciels qui permettent ces situations
[Tchounikine 09]. Ce type de problmatique se base sur les interactions entre
lapprenant et loutil do la ncessit de la reprsentation de lvolution de la
progression de lapprentissage de celui-ci en particulier dans le cas de domaines qui
ncessitent lapprentissage du raisonnement par lexercice. Lvaluation des
connaissances des apprenants est lactivit pdagogique qui permet le calcul de
cette progression.
Aprs un bref expos sur les diffrentes phases qui ont marqus lhistoire de
lapprentissage par ordinateur, nous dtaillons au niveau de la deuxime section les
EIAH de type e-learning puis prsentons une synthse sur lvaluation des
connaissances des apprenants.
Lutilisation dun mme sigle pour identifier lensemble des systmes qui utilisent
lordinateur pour lapprentissage ne signifie pas que les problmatiques et les
proccupations sont les mmes. En effet, pendant que le domaine des "tuteurs
intelligents" connat un mrissement dans certains volets qui relvent de dtails dans
le dveloppement de systmes comme la reprsentation des connaissances du
domaine ou pdagogiques, la modlisation de llve,, celui des plates-formes de
e-learning a beaucoup plus connu une avance vers la gestion du travail coopratif et
le dveloppement de sites WEB ducatifs [Michel & Rouissi 03]. Pour les platesformes d'enseignement distance, le dveloppement grande chelle dans des
environnements techniques diffrents ncessite d'avoir des ressources caractrises
de manire universelle. Dans les systmes dEIAO le besoin est diffrent. La varit
des tches proposes et la grande adaptabilit des systmes ncessitent de disposer de
ressources pdagogiques dfinies de manire extrmement fine. A l'heure actuelle,
les fonctionnalits proposes par ces deux types de systmes sont compltement
diffrentes. Si on va vers un dveloppement technique des plates-formes comme
celui des systmes dEIAO, alors la caractrisation des documents pdagogique va
dans le sens de deux besoins, savoir : dfinir formellement et trs prcisment les
ressources pdagogiques utilises, et le faire selon une norme de manire en
faciliter l'change et laccessibilit.
Aujourdhui, les tendances respectives des deux recherches semblent converger
(avec les travaux sur les Web-ITS : Web based intelligent tutoring systems) pour
aller vers des outils intelligents pour lauto-apprentissage, des outils Web pour la
5
I-2- E-learning
Depuis plusieurs annes, les technologies de linformation et de la communication
(TIC) constituent non seulement un nouvel outil, un nouveau mdia, mais aussi un
moyen douverture sur des ressources du monde entier. On peut considrer que les
TIC sont le rsultat de la convergence de trois technologies : linformatique, les
tlcommunications et laudiovisuel, ces trois domaines se trouvant associs dans
lordinateur connect. Internet a concrtis aujourdhui cette convergence.
Nous nous trouvons ainsi face un nouveau mode de communication qui, par la
quantit dinformations quil rend disponible et la varit de ses sources, pose des
problmes aux enjeux ducatifs considrables paralllement aux avantages certains
quil procure tous les niveaux.
Nous entendons parler de formation distance, formation en ligne, e-learning, tlenseignement, Cest toute une multitude de termes la signification apparente
similaire, mais qui renvoie des aspects diffrents dune nouvelle technologie
ducative la mode, et quil convient de distinguer.
I-2-1- Dfinitions
Dautres classifications sont plus fines. Par exemple, dans [Charp & al. 02], on
trouve une typologie de situations de e-learning o six grands types sont voqus. Ce
sont :
Considrations de Modlisation : Cest lingnierie des systmes de elearning. A ce niveau se font les choix des modles pour lacquisition et la
reprsentation des connaissances ainsi que la conception des interfaces de
telle sorte faciliter linteroprabilit avec dautres systmes en relation
avec la plate-forme, la rutilisabilit des modules, ladaptation aux
mutations de lenvironnement de la plate-forme, ...
De mme, la stratgie.Net lance par Microsoft en juillet 2000 qui consiste utiliser
un ensemble de protocole dnomm SOAP (Simple Object Access Protocol) qui
dfinit comment des applications peuvent communiquer sur un rseau aura une
influence sur les procds de normalisation des technologies ducatives.
2
10
architecture et vocabulaire,
questions intressant les apprenants (modle de lapprenant, modle de
tches, identification des apprenants, etc.),
questions relatives au contenu (langages dinteroprabilit, modle
dorganisation interne des cours, etc.),
signaltique et documentation des objets pdagogiques (matriaux, cours,
etc.),
plates-formes et systmes de gestion.
11
http://ltsc.ieee.org/wg12/files/LOM_1484_12_1_v1_Final_Draft.pdf
12
13
- On peut galement citer la spcification IMS LD, issue des travaux de luniversit
Ouverte des Pays-Bas portant sur les langages de modlisation de lapprentissage
appel EML [Pernin 2003] qui est un mtalangage de description des modles ou
scnarios pdagogiques (accompagne des ressources et des services requis pour
atteindre un ou plusieurs objectifs d'apprentissage).
- La spcification QTI dIMS10 permet quand elle de reprsenter la structure de
donnes dune question (item) et dun test (assessment) ainsi que les rsultats
correspondants a particulirement attire notre attention vu lintrt de cette thse
pour lvaluation. Cependant, comme lindique la figure 5 qui schmatise les
principaux lments de la version v2.1 de juin 2006, cette spcification est base sur
des tests donc des questionnaires et ne traite pas le cas de questions ouvertes. Cette
dernire version nest donc pas encore finalise donc reste en dveloppement.
http://www.imsproject.org/question/index.html
http://www.imsproject.org/question/qtiv2p1pd2/imsqti_oviewv2p1pd2.html#element10009 IMS
Global Learning Consortium de juin 2006
11
14
moyennant des outils logiciels adquats (exemple du standart Scorm avec loutil
OpaleSup 312 ) va acclrer la production de cours avec dventuels questionnaires.
Cependant si on veut travailler sur les connaissances dun domaine denseignement
avec des procds plus dynamiques et plus intelligents comme cest le cas de
lvaluation de la progression dapprenant dans lapprentissage dun domaine, quand
il y a des questions ouvertes (sans rponses prdfinies) ou encore la gnration
adapte de contenus, nous remarquons vite la limite de ces standards. Ceci tant
essentiellement d au fait que les normes nont pas la capacit de modliser la
smantique dun domaine qui permettrait des traitements automatiques sur les
composantes reprsentes qui sont dans la majorit des cas des ressources
pdagogiques.
12
15
Or le constat dans les sciences de lducation rvle des difficults chez les
enseignants humains face aux domaines ncessitant un apprentissage par lexercice
(learning by doing) introduit par John Dewey la fin du XIXe sicle [Westbrook 93].
En effet ces domaines ncessitent de lentrainement de la part des apprenants et les
enseignants sont senss avoir la patience de revoir chaque fois pour corrections les
propositions des apprenants, ce qui est une tche pnible. Linformatique dans ce cas
peut jouer un rle considrable en produisant des systmes dauto apprentissage pour
ces domaines quun apprenant peut utiliser dans une salle de classe en prsence de
lenseignant ou via le Web. Pour cela, deux conditions simposent pour la
modlisation de ces domaines savoir :
Cependant, dans la plupart des EIAH de type e-learning, ces deux besoins sont
souvent non satisfaits car le domaine enseigner est rduit au support de cours sans
tenir compte de la smantique contenue dans les liens entre les composantes; ce qui
rend impossible la gestion des feedbacks de lapprenant quand il sexerce sur le
domaine (que nous captons par exemple par lanalyse de ses erreurs).
Parmi les travaux qui touchent la modlisation du domaine enseigner en elearning, nous pouvons citer [Fernandez & al 2004] o lobjectif est la gnration
automatique de ce que les auteurs appellent les WLMs (Web-based Learning
Materials) ou matriaux pour lapprentissage sur le Web partir de contenus. Un
contenu peut tre une animation, un son, une question, un exercice, etc. Il a une
structure code en XML et un format de prsentation en XSL16 . Dautre part, le
problme prsent et trait dans [Liu & al. 04] concerne lenchanement, la
granularit et la taxonomie dobjets dapprentissage pour des soucis de rutilisation.
Le contenu dans ce travail est reprsent sous forme dun arbre quatre niveaux (de
haut en bas) : cours, unit, leon et unit de connaissance.
Cest du ct des travaux sur les tuteurs intelligents que nous trouvons plus dintrts
pour la modlisation de la structure du domaine comme cest le cas dans [Suraweera
& al. 04]. Mais si la premire condition se trouve plus ou moins satisfaite selon les
systmes, la deuxime est rarement respecte.
Nous noterons dautre part que certains travaux sur les objets pdagogiques comme
dans [Xuan & al. 04] utilisent certains schmas prdfinis pour les mtadonnes
notamment le standard LOM17 de lIEEE LTSC. Seulement les LOMs ont t soumis
aux commentaires lIso SC36 WG4 et de nombreuses lacunes ont t montres en
particulier [Saleh & Bouyahi 04] : le manque de dfinition de la notion dobjet
pdagogique, un excs de gnricit, incompatibilit avec des reprsentations
structures de linformation, le manque de pertinences de certains champs,
La conception de domaines denseignements pour les EIAH destins un
apprentissage par lexercice, en tenant compte de leurs didactiques respectives, et de
16
17
16
l'valuation formative, par contre, n'est pas utilise pour porter un jugement
sur l'lve mais pour que l'enseignant puisse adapter son cours, ou adopter
une autre approche par rapport au contenu d'enseignement qu'il souhaite
17
Enfin, pour tre le plus complet sur ce point, et bien quil sagisse l dune
catgorisation diffrente, nous avons lauto-valuation, correspondant aux
cas o lapprenant (qui est gnralement un adulte) dfinit lui-mme ses
objectifs et ses normes a priori, pour pouvoir procder lvaluation du
travail accompli [Ellis 07].
18
Pour ce qui nous concerne, nous nous intressons ce dernier type de diagnostic,
dans la mesure o il sagit pour nous de traiter un certain nombre dinformations qui
permettent daboutir une estimation du degr dacquisition des connaissances du
domaine par les apprenants.
19
20
Conclusion
Nous pouvons dduire de la prcdente tude que la conception de domaines
denseignement ainsi que celles de certaines activits dapprentissage, basiques pour
un apprentissage par lexercice telle que lvaluation des connaissances des
apprenants est une problmatique peu aborde en particulier quand il y a lieu
dutiliser lors de lapprentissage des questions ouvertes pour lesquelles lapprenant
construit des rponses libres. Lutilisation des ontologies semble donc tre une
direction de recherche intressante qui pourra sensiblement contribuer au
dveloppement de lauto-apprentissage avec les EIAH. En effet la reprsentation
dun domaine denseignement sous forme dun modle ontologique va permettre de
dgager la smantique dun domaine pour un apprentissage par lexercice et facilitera
priori toute opration sur ce domaine. Cest ce concept que nous nous proposons
dexaminer dune faon plus prcise dans le chapitre suivant.
21
CHAPITRE II
Les Ontologies
Introduction
Les ontologies sont lheure actuelle parmi les modles les plus voqus en
Ingnierie des Connaissances (IC). Visant tablir des reprsentations travers
lesquelles les machines puissent manipuler la smantique des informations, la
construction des ontologies demande la fois une tude des connaissances humaines
et la dfinition de langages de reprsentation, ainsi que la ralisation de systmes
pour les manipuler. Les ontologies participent donc pleinement aux dimensions
scientifique et technique de lIntelligence Artificielle (IA).
Au fur et mesure des exprimentations, des mthodologies de construction
dontologies et des outils de dveloppement adquats sont apparus. Emergeant des
pratiques artisanales initiales, une vritable ingnierie se constitue autour des
ontologies, ayant pour but leur construction et leur gestion tout au long dun cycle de
vie. Le champ dapplication des ontologies ne cesse de slargir et couvre les
systmes conseillers (systmes daide la dcision, systmes denseignement assist
par ordinateur), les systmes de rsolution de problmes ou les systmes de gestion
de connaissances. Un des plus grands projets bass sur lutilisation dontologies
consiste ajouter au Web une vritable couche de connaissances permettant, dans un
premier temps, des recherches dinformations au niveau smantique et non plus
simplement syntaxique. Lenjeu de leffort engag est de rendre les machines
suffisamment sophistiques pour quelles puissent intgrer le sens des informations,
qu lheure actuelle, elles ne font que manipuler formellement.
Dans nos travaux, nous nous intressons aux ontologies appliques aux EIAH. Ce
chapitre prsente donc la notion dontologie travers les besoins auxquels elle
rpond dans notre contexte, la place quoccupent les ontologies dans le processus de
reprsentation des connaissances et les diffrents lments dont elles sont
constitues. Une deuxime partie de ce chapitre est consacre aux diffrentes
mthodologies dveloppes pour construire, valuer et maintenir les ontologies ainsi
que les principaux langages et outils correspondants. Nous examinons pour finir
lapplication des ontologies au domaine des EIAH travers des exemples.
23
Cette smantique est cependant fortement contrainte par la faon dont les symboles
sont utiliss dans la machine. Cest pourquoi N. Guarino plaide dans [Guarino & al.
94b] pour lintroduction dun niveau ontologique entre le niveau conceptuel (o
linterprtation est subjective, comme au niveau linguistique), et le niveau
pistmologique, structur (o linterprtation est arbitraire). Au niveau ontologique,
les primitives utilises pour reprsenter les connaissances ne sont plus des mots du
langage naturel, ou des primitives conceptuelles, et pas encore des prdicats
logiques, mais des noncs qui donnent le sens des connaissances, avec une
interprtation contrainte. Fortement lie la smantique interprtative, la smantique
de lontologie est, idalement, indpendante de la smantique oprationnelle, mais
cependant partiellement contrainte par cette dernire.
Les ontologies sont donc des reprsentations de connaissances, contenant des termes
et des noncs qui spcifient la smantique dun domaine de connaissance donn
dans un cadre oprationnel donn. Le terme ingnierie ontologique a t propos
par R. Mizoguchi [Mizoguchi & Ikeda 97] pour dsigner un nouveau champ de
recherche ayant pour but la construction de systmes informatiques tourns vers le
contenu, et non plus vers les mcanismes de manipulation de linformation.
Avant de dcrire plus prcisment les lments conceptuels reprsents dans les
ontologies, nous allons affiner la dfinition dune ontologie en replaant cette notion
au sein du processus gnral de reprsentation des connaissances.
24
machine. Le langage cible doit donc permettre de reprsenter les diffrents types de
connaissances (connaissances terminologiques, faits, rgles et contraintes) et de
manipuler ces connaissances travers des mcanismes adapts lobjectif
oprationnel du systme conu. Ce processus de traduction est appel
oprationnalisation. Une base de connaissances contient les connaissances utilises
dans un Systme Base de Connaissances. Ces connaissances sont formalises et des
mcanismes permettent de grer la base pour consulter des connaissances ou en
ajouter.
En somme, lontologie est un systme de termes primitifs utiliss dans la
construction de systmes artificiels ou une "mtabase de connaissance" [Bourdeau &
Mizoguchi 02]. En ce sens, lontologie est un type particulier de modle de
connaissances [Paquette 02] permettant de construire une ou plusieurs bases de
connaissances du mme type.
Les relations ou liens traduisent les associations (pertinentes) existant entre les
concepts prsents dans le segment analys de la ralit. Ces relations incluent les
associations suivantes: 1) Sous-classe-de (gnralisation spcialisation souvent
appel lien is a) ; 2) Partie-de (agrgation ou composition) ; 3) Associe- ; 4)
Instance de, etc. Ces relations nous permettent dapercevoir la structuration et
linterrelation des concepts, les uns par rapport aux autres.
Les relations taxonomiques ou de subsomption, priori, vont permettre de
construire des hirarchies strictes entre les concepts. Pour cela dans les diffrents
travaux sur les ontologies, seule la relation is a est gnralement cite de
taxonomique ou de subsomption. Cependant dans certains cas particuliers
dontologies, dautres relations peuvent tre taxonomiques, cest le cas de la
relation de composition (part of), quand elle dfinit une hirarchie stricte.
25
rarement voqu dans la description dontologies. Nous pensons que cela est du
au fait que les relations fonctionnelles entre concepts sont plutt prsentes dans
certains domaines scientifiques comme la physique, la chimie,
26
Ontologie Gnrique [Gmez & Prez 99b], [Gmez & Prez 99a], [Van Heijst
& al. 97]. Cette ontologie aussi appele, mta-ontologies ou core ontologies,
vhicule des connaissances gnriques moins abstraites que celles vhicules par
lontologie de haut niveau, mais assez gnrales nanmoins pour tre rutilises
travers diffrents domaines. Elle peut adresser des connaissances factuelles
(Generic domain ontoloy) ou encore des connaissances visant rsoudre des
problmes gnriques (connaissances procdurales) appartenant ou rutilisables
travers diffrents domaines (Generic task ontoloy). WordNet [Miller 88] par
exemple est une ontologie dont le but est de reprsenter la langue naturelle
anglaise. WordNet est un systme de rfrences lexicales dont la conception a t
inspire par les thories de la mmoire linguistique humaine. Elle est compose
densembles de synonymes appels synsets, o chaque terme est regroup en
classes dquivalence smantique. Chaque ensemble de synonymes reprsente un
concept particulier. Chaque terme appartient de plus une catgorie lexicale
donne (nom, verbe, adverbe, adjectif). Un terme peut appartenir plusieurs
synsets et plusieurs catgories lexicales. Les ensembles de synonymes sont
associs par des relations smantiques : gnricit/spcificit, antonymie (relation
entre ensembles de mots qui, par leur sens, sopposent). WordNet couvre le
27
Ontologie de Tches [Mizoguchi & al.00]. Ce type dontologies est utilis pour
conceptualiser des tches spcifiques dans les systmes, telles que les tches de
diagnostic, de planification, de conception, de configuration, de tutorat, soit tout
ce qui concerne la rsolution de problmes. Elle rgit un ensemble de
vocabulaires et de concepts qui dcrit une structure de rsolution des problmes
inhrente aux tches et indpendante du domaine. Selon [Mizoguchi & al.00],
l'ontologie de tche caractrise l'architecture computationnelle d'un systme
base de connaissances qui ralise une tche. Deux exemples d'utilisation de
l'ontologie de tche dans le domaine de l'ducation sont les suivants : 1)
l'ontologie de formation par ordinateur - Computer Based Training Ontology [Jin
& al. 99] - qui rgit un ensemble de concepts spcifiques un systme
d'apprentissage inhrent des ontologies de tche ; et 2) l'ontologie des objectifs
d'apprentissage - Learning Goal Ontology [Inaba & al.00] - qui dcrit les rles
des apprenants et des agents dans le cadre d'un apprentissage collaboratif.
28
Les langages conceptuels des ontologies ont successivement volu des moyens de
reprsentation utiliss par les systmes base de connaissances comme les
reprsentations logiques, les rseaux smantiques, les langages objets, le langage
UML et les reprsentations hybrides vers les langages du Web smantique tels que
les graphes conceptuels et les logiques de description.
Dun point de vue oprationnel, on peut btir une ontologie grce aux langages de
programmation logique classique tels que Prolog et Lisp. Mais, plus souvent, on
utilise des modles et langages spcialiss pour la construction dontologies tels que
OKBC (Open Knowledge base Connectivity)1 et KIF (Knowledge Interchange
format)2. On peut galement utiliser des langages plus avancs tel que DAML+OIL3
ou les standards qui en merg auprs du W3C et qui sont utiliss par le Web
smantique tels que XML, RDF, RDFS et OWL (Ontology Web Language). Le
choix du bon langage de dveloppement dpend notamment du degr de nuance et de
sophistication ncessaire pour rpondre au besoin fonctionnel. De plus en plus, ces
langages tendent intgrer RDF comme technologie fondamentale pour intgrer les
donnes prsentes sur le Web.
http://www.ai.sri.com/~stickel/snark.html
Knowledge Interchange Format draft proposed American National Standard:
http://logic.stanford.edu/kif/dpans.html
3
http://www.daml.org
4
DOE. (2002). Differential Ontology Editor Home Page, http ://opales.ina.fr/public
2
29
5
6
30
Dans le projet IMAT [Desmoulins & Grandbastien 02], une ontologie est utilise
pour lindexation des briques de documents des fins de composition dynamique
de documents dpendamment des contextes dutilisation (technique, mdiatique,
domaine, ou pdagogique). Lontologie pdagogique quils utilisent permet
dattribuer des rles aux briques ainsi que des attributs qualitatifs et des
contraintes dorganisation des briques dans le document final.
31
Dans le projet DIVA-BCTA [Paquette & al. 03)], les objectifs consistent en la
cration dune base de connaissances sur le tlapprentissage par le
dveloppement dune ontologie du domaine et le regroupement de lexpertise sur
le tlapprentissage dans des objets pdagogiques rfrencs en fonction de cette
ontologie. Le rle de cette ontologie du domaine est de servir de systme
dindexation et de classification aux objets pdagogiques. Par ailleurs, une
ontologie de tche permet de dfinir diffrents cas ou scnarios dutilisation de
ces objets, identifis grce leur rfrencement en fonction de lontologie du
domaine. Le rle de cette ontologie de tche est de fournir des rponses aux
requtes des utilisateurs de la base.
II-6-3- Evaluation des apprenants et ontologies dans les EIAH de type learning
by doing
Pour les EIAH bass sur lapprentissage par lexercice (learning by doing), la
reprsentation des exercices et lautomatisation de la correction des solutions sont
trs importants pour favoriser lauto apprentissage et dynamiser lapprentissage.
Si les ontologies sont utilises dans diffrents travaux sur la conception gnrale des
EIAH et pour lindexation et gestion de cours, leurs utilisations pour lvaluation des
apprenants est encore ses dbuts mme si, comme objectif dexploitation de
lontologie dveloppe, nous lavons lus dans diffrents travaux. En effet, dans
lenvironnement O-DEST [Snae & Brueckner 07], lontologie du processus
dapprentissage , telle quelle est appele par les auteurs, contient des mthodes
dapprentissage, des activits dapprentissage, des cours, Une valuation des
apprenants base sur des questionnaires est parmi les fonctionnalits cites en
perspectives pour O-DEST.
Le projet MEMORAe [Fontaine & al. 06], pour sa part, est bas sur lutilisation
dune ontologie dapplication destine lindexation des ressources pdagogiques
32
pour permettre une navigation utilisant les relations dfinies dans lontologie. Cette
ontologie reste alors difficilement utilisable pour dautres activits autres que celle de
recherche de ressources pour laquelle elle est construite.
Nous sommes aussi trs intresss par les travaux sur le systme ACTIVEMATH
[Goguadze, 09]. Celui- ci est tuteur intelligent via le Web (un Web-ITS : Web
intelligent tutoring system) bas sur la correction automatique dexercices et
lvaluation des connaissances des apprenants utilisant des requtes sur la base des
connaissances du domaine (ce qui relve du domaine du Web smantique, en pleine
expansion en e-learning ces dernires annes). Cependant, ce qui est propos est
spcifique au domaine des mathmatiques.
Aussi [Sampson & al. 02] et [Smrz 04] ont voqu lintrt de lutilisation des
ontologies pour lvaluation des apprenants comme perspectives pour leurs travaux.
Dans le cadre de cette thse, nous somme intresss par une ontologie de domaine
pour la reprsentation de domaines denseignement en gnral. Chaque instanciation
de cette ontologie donne lieu une base de connaissances dun domaine particulier.
Les lments de notre ontologie sont exploitables par diffrentes activits lies
lenseignement et/ou lapprentissage par lexercice donc adapts une utilisation par
une valuation automatise de ltat de connaissances des apprenants.
Conclusion
Ltude mene dans ce chapitre permet de mettre en vidence deux types de
modlisations :
une modlisation pour donner du sens, autrement dit, une modlisation des
connaissances ontologiques conduisant la dfinition dune ontologie
conceptuelle;
et une modlisation pour implmenter un systme conduisant une ontologie
computationnelle.
CHAPITRE III
Les Ontologies pour la Modlisation
dun Domaine d'Enseignement
Introduction
Le concept de learning by doing de John Dewey est dvelopp de nos jours pour tre
utilis comme ressource pour dvelopper des mthodologies telles que lapprentissage
par projet, lapprentissage par groupe ou la rsolution de problmes. Lapprenant est
donc confront dun ct aux savoirs techniques et thoriques et de lautre la pratique
pour acqurir la capacit de crer des liens entre la pratique et le domaine enseign.
La conception de domaines denseignements pour produire des reprsentations adaptes
un apprentissage par lexercice est essentielle. En effet, lactivit pivot de tout
learning by doing est lvaluation des connaissances, ce qui induit la ncessit de
modliser les domaines de telle sorte faciliter lautomatisation de ce processus
dvaluation.
Dans ce chapitre nous introduisons dabord le contexte de notre tude travers la
problmatique aborde, les objectifs fixs ainsi que larchitecture gnrale de
lenvironnement que nous nous proposons de mettre en uvre. Ensuite, notre
proposition pour la modlisation de domaine dans les EIAH de type learning by doing
est prsente en indiquant lapproche de modlisation ainsi que le modle ontologique
du domaine synthtis dans un diagramme de classes UML1.
34
Imbrication des lments enseigner avec leurs formats de prsentation : En elearning, on conoit en gnral, les lments enseigner (que les uns appellent
objets pdagogique, dautres contenu ou encore matriaux pdagogique,)
imbriqus avec leurs prsentations respectives. Ceci pose le problme de la
rutilisabilit et de la souplesse de manipulation et de transmission de ces lments.
Dautre part, nous trouvons une ambigut issue des diffrentes appellations des
composantes de la matire enseigner o le niveau de granularit est vague et les
limites avec les composantes relatives la pdagogie ou la modlisation de
lapprenant ne sont plus aussi bien dfinies quavec les tuteurs intelligents.
Objectif 2 : Il convient dexaminer le concept de domaine denseignement plutt
que les diffrents concepts vhiculs qui ont chacun une porte relative. Donc nous
distinguons les connaissances du domaine enseigner des autres connaissances
relatives la pdagogie, la reprsentation de lapprenant ou aux modules
dinterfaage. Ceci dune part, dautre part nous avons lobjectif de reprsenter la
structure du domaine indpendamment de ses ressources [Fontaine & al. 06]. Nous
avons donc une spcification structurelle interne dun domaine laquelle
correspondent des ressources multimdias sous diffrents formats de prsentations
affiches. Ds le dpart, on pense une conception du domaine avec des ontologies
et la description des ressources pdagogiques avec le langage XML en se basant sur
la norme LOM pour les rubriques de spcifications.
35
36
37
Module de cours : est la partie qui soccupe de la gestion des cours (prsentation,
confection, recherche, ).
dapprentissage, de dcider sur le niveau global dun apprenant, . Ce rle peut tre
automatis ou allou un tuteur humain.
Dans ce qui suit, nous nous intressons la modlisation de domaines enseigner pour
aboutir la construction des bases du domaine denseignement (figure 6). Dans le
chapitre suivant, nous allons voquer certaines parties du modle de lapprenant
utilises pour le stockage des rsultats de lvaluation. Ceci constitue lessentiel des
objectifs viss dans le cadre du prsent travail.
39
40
Domaine
Ressources
Pdagogiques
Spcification
Liens entre
Concepts
Concepts
Documents
Cours structur
(ex : Format Scorm)
De limportance de rpondre ces besoins dcoule notre intrt pour les ontologies. En
effet, celles-ci facilitent la taxonomie des composantes du domaine en reprsentant le
maximum de sa smantique dune part, et lunification des dfinitions de chacune de ces
composantes qui sont partages entre des modules et utilisateurs de diffrentes
disciplines (pdagogues, experts du domaine, apprenants, ...) dautres part. Les
reprsentations des relations smantiques en particulier les liens taxonomiques avec les
ontologies facilitent aussi lexplication et la gnralisation.
Le point suivant de ce chapitre introduit un aperu sur la spcification dun domaine
denseignement en gnral sous forme dun modle ontologique. Linstanciation de ce
modle propose pour un domaine spcifique va donner lieu une base de
connaissances de ce domaine.
41
42
Nous prconisons donc une hirarchie strictement arborescente (cf. Figure 11) des
notions, sauf en ce qui concerne les feuilles, qui reprsentent les IC. De fait, il est
clair quun IC peut rentrer dans la composition de diffrentes notions. Par exemple,
dans le cas de lalgorithmique, lIC forme dinstruction de bloc peut tre rattach,
entre autres, aux notions structure alternative et structure itrative.
Les Exercices : Ce sont des units dvaluation prsentes sous forme de question
ouverte avec un nonc. La rsolution de chaque exercice va ncessiter la mise en
uvre dun ensemble dIC, dont on attend quils apparaissent dans la formulation de
la solution (librement construite) de lapprenant, do lintervention de notions
situes diffrents niveaux de lontologie. La reprsentation du domaine enseigner
43
sous forme dune ontologie permet ainsi dassocier les notions requises par
lapprentissage du domaine denseignement considr aux diffrents exercices
proposs par le systme, lorsque la rsolution de ceux-ci exige leur mise en uvre.
A un exercice, les concepteurs peuvent dfinir un ou plusieurs corrigs types.
Selon cette modlisation, un exercice sera donc dcrit par une structure dynamique
projete sur les composantes structurelles de lontologie du domaine enseigner,
que nous pouvons reprsenter travers un certain nombre de liens pointant sur les
notions requises, et en particulier sur les IC (feuilles), ainsi que lindique la figure
12. Celle-ci montre que chaque exercice permet de dfinir un sous domaine
denseignement par projection par rapport aux composantes, situes diffrents
niveaux du modle ontologique du domaine denseignement considr, values par
lexercice.
Nous proposons aussi dassocier chaque couple (exercice, IC), un coefficient C.
Celui-ci est un nombre entier, lequel somm avec les autres coefficients
respectivement associs aux autres IC valus par lexercice donnera la note
maximale prvue pour lexercice dans le barme. Ces coefficients permettent au
pdagogue de pondrer limportance de chaque IC dont lexercice a pour but
dvaluer la matrise, ce qui introduit un degr de souplesse supplmentaire de par la
possibilit daccentuer ainsi plus ou moins limportance relative des diffrents IC
intervenant dans la rsolution dun mme exercice, selon lobjectif pdagogique
vis.
Figure 12: Modlisation dun exercice par projection sur les composantes
structurelles du domaine
Les Erreurs : Ltude des erreurs occupe une place importante notamment en
psychologie, en didactique et en intelligence artificielle. Ainsi, [Davis 84] a soulign
que cest lun des plus prcieux moyens permettant dexplorer la nature du
44
Les erreurs smantiques spcifiques (E.S.S) expriment, par contre, le fait que
des caractristiques attendues dans une solution lunit dvaluation
propose ne sont pas exprimes par lapprenant. En fait, nous prconisons
que chaque rfrence dans une unit dvaluation un IC dune notion de
45
46
Nous synthtisons dans le tableau suivant (cf. Tableau 1), la description (par les
attributs qui nous intressent pour le contexte de lvaluation) des concepts considrs
pour la spcification ontologique dun domaine denseignement et dcrit dans cette
section. Pour mieux expliquer la conceptualisation de chaque concept, nous anticipons,
parfois, la description ce certains liens.
47
Concept
Attribut
Item de
Commentaire
Num-IC, Nom-IC
connaissance (IC)
Notion
Num-Notion, Nom_Notion
Exercice
Code-Exo, Nom-Exo,
Enonc-Exo, DDEx,
Niv_cible, URL-Enonc
Num-err, Type-Erreur,
Erreur
Texte-Erreur
Exemple
Num-exple, Contenu-exple
Corrig-type
Num-corrige, code-exo,
Contenu-corrig
Question
Num-question, Enoncquestion
Caractristique
Coefficient, Adresse du
paquet de rgles de
48
Le Lien Pr-requis de : Cest un lien didactique qui dfini le fait quune notion ou
un IC du domaine denseignement doit tre acquis avant un autre pour des soucis de
meilleure assimilation. Ce lien est transitif (cf. Figure16 pour un exemple en
Algorithmique).
Instruction
Instruction daffectation
daffectation
Prrequis de
Instruction
InstructionConditionnelle
Conditionnelle
Prrequis de
Transitif
Prrequis de
Instruction
Instructionitrative
itrative
49
Le Lien Exemple de Notion : Cest un lien entre un exemple une notion Il est
aussi smantique et didactique.
50
Nom du
Concept
Concepts De
Lien
dOrigine
Destination
Est
Notion
Notion, IC
compos
Proprits
Lien Inverse
Attribut
Commentair
e et/ou Rgle
- Rflexif
-Transitif
Est Composant
- Un IC peut
de
tre
de
composant
de diffrentes
notions
Est un
Sous
Concept
-Transitif
A pour sous
Concept
gnrique :
-Taxonomique
classe
- Rflexif
A pour
erreur, unit
dvaluation.
Est Pr-
IC, Notion
IC, Notion
requis de
Evalue
-Transitif
Unit-
IC, Notion
Prrecquis
Est valu Par
- Poids-
Ce lien et son
dEvaluati
IC
lien inverse
-on,
- Rgles-
produisent
Dtectio
lassociation
n-ESS
Caractristi
que.
Est
Erreur
IC
Relie
A pour erreur
Un IC peut
potentielle
tre reli
plusieurs
erreurs.
Exemple
Exemple
Notion
de
Notion a pour
Exemple
notion
Exemple
Exemple
IC
de IC
Dtecte
IC a pour
Exemple
Caractris
E.S.S
tique
Est
Corrig-
corrig
Type
Est dtecte
par
Exercice
A pour Corrig
de
51
Documents
Liste-Erreurs
Cours
Section
Exemple
Enonc
dxercice
Questionnaire
Corrig-Type
52
Un document cours : concerne une notion ou une sous notion du domaine. A partir
de ce genre de documents, on peut naviguer vers un document-section, un autre
document-cours relatif un concept prrecquis, un document-exemple,
Un document liste derreurs : un document qui prsente une liste derreurs dtectes
par la tche de diagnostic des erreurs dans une solution-apprenant.
53
54
55
avec le langage OWL pour le cas de son exploitation avec les outils et
techniques du Web smantique dans le cadre dEIAH de type e-learning,
Conclusion
Ce chapitre prsente globalement lapproche que nous nous proposons de mettre en
uvre pour dvelopper un environnement dauto apprentissage par lexercice, en
prcisant la problmatique considre ainsi que les principaux objectifs projets. Y est
aussi dcrite notre approche de modlisation ontologique pour le domaine
denseignement en dfinissant un ensemble de concepts et de liens du modle propos.
Celui-ci peut tre utilis par diffrentes activits dapprentissage dun systme EIAH de
type learning by doing. Chaque activit dfinit un contexte dutilisation de lontologie.
Nous nous intressons dans le chapitre suivant lactivit dvaluation.
56
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
CHAPITRE IV
Une Approche dEvaluation
Automatise des Connaissances des
Apprenants Base sur un Modle
Ontologique
Introduction
L'volution des mthodes denseignement dcoulant de lintroduction des technologies
de linformation s'est accompagne d'une volution dans la faon de juger les rsultats
des apprenants. Cest ainsi que lchec ou linsuffisance de rsultats nest plus perue
comme la consquence dun manque de travail, d'attention ou d'intelligence.
La pense pdagogique actuelle substitue en effet la notion de contrle, celle,
beaucoup plus large et plus complexe, d'valuation, qui consiste dgager de manire
plus objective et plus rationnelle les diffrents paramtres qui ont une incidence sur le
rsultat des lves [Bisault & Lavarde 95].
Cette volution a introduit toutefois la ncessit dun processus dvaluation
automatise dans les EIAH par lexercice; ce qui ncessite par consquent la dfinition:
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
Dans le mme ordre dides, la dfinition dune mthode hirarchise de notation nous
permet de retenir un ensemble dindicateurs de comprhension que nous synthtisons
dans une matrice intgre au modle de lapprenant. Ainsi, partant de notes
granulaires relatives aux plus petites composantes du domaine enseign, nous
calculons des notes de niveau suprieur relatives un exercice ou une notion de plus
haut niveau dabstraction.
Lapproche ODALA (Ontology Driven Auto-evaluation for Learning Approach) ainsi
propose, est fonde dune part, sur la reprsentation du domaine enseigner sous
forme dune ontologie de domaine, et dautre part sur la classification des erreurs
commises et/ou susceptibles dtre commises.
57
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
58
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
59
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
60
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
la forme dun algorithme bas sur un pseudo langage algorithmique structur avec
mots cls en Franais,
Ces cas tudis taient trs enrichissants sur lanalyse des possibilits dautomatisation
de lanalyse de la forme dune solution en apprentissage. Ils nous ont permis de
constater, par exemple, que pour un mme domaine, il y a autant danalyseur que de
formes possibles de solutions et que lanalyse de la forme sapplique tous les
exercices du domaine indpendamment de son nonc. Nous dtaillerons les rsultats de
ces tudes de cas au niveau du chapitre V.
61
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
62
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
L'heuristique (du grec ancien , eurisko, je trouve ), parfois orthographie euristique, est un
terme de didactique qui signifie l'art d'inventer, de faire des dcouvertes (Daprs Wikipedia). Nous
voquons le concept au sens qui lui est donn en thorie des graphes et optimisation qui dfinit une
heuristique comme suit Une heuristique, ou mthode approximative, est donc le contraire d'un
algorithme exact qui trouve une solution optimale pour un problme donn. Les algorithmes de rsolution
exacts tant de complexit exponentielle, il est gnralement plus judicieux de faire appel des mthodes
heuristiques pour des problmes difficiles.
63
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
domaine notamment les exercices, les notions de plus haut niveau de la hirarchie de
dcomposition du domaine, Nous appelons ce phnomne, la propagation de
lvaluation de lapprenant dans le domaine.
Ainsi un exercice donn, est not en utilisant la notation de chaque IC quil value. De
mme, on dduit, aprs rsolution dun ou plusieurs exercices, ce que nous appelons
lindice de comprhension [Bouarab-Dahmani & Si-Mohammed 07] correspondant
chaque IC. Cet indice, important dans la mesure o le but du processus de notation est
dapprcier la matrise de chaque IC, est calcul dune faon incrmentale, cest dire
que tout nouvel exercice trait par lapprenant rfrenant le mme IC, permet den
obtenir une notation plus prcise, aprs application dune fonction de calcul prsente
ci-aprs.
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
65
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
Les formules de calcul de notes que nous prconisons [Bouarab-Dahmani & al. 09a]
[Bouarab-Dahmani & al. 09c] sont comme suit :
NExj =
Pij * Nij
i =1
O :
NICj : est le nombre dIC valus par lexercice j
Nij : est la note de chaque ICi dans lexercice j, i tant compris entre 1 et NICj,
Pij : est le coefficient qui indique limportance de litem ICi pour lexercice j en
fonction de lobjectif pdagogique assign lexercice j.
NN
Lj
i = NICj
NN
(L - 1)ij
/NICj ;
i =1
66
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
Nous noterons toutefois que la note dune notion avant la fin de lapprentissage de tout
le domaine peut tre incomplte. En effet son calcul dans le cas o certains de ses items
de connaissances composants nont pas t encore valus par les exercices rsolus par
lapprenant pose un problme. Selon les objectifs pdagogiques, on peut choisir soit de
faire ce calcul la dernire session, donc titre sommatif, o tous les IC auraient t
tous valus, soit de faire le calcul dune note incomplte qui servira pour une
valuation formative. Dans ce dernier cas, nous proposons un calcul de note de notion
par dfaut en affectant la note zro aux items non encore valus ou par excs en
omettant les IC non encore valus de la moyenne ce qui rduit NICj au nombre de
composantes de la notion j dj values. Pour le cas de note incomplte, il y a lieu de
prciser ( la sauvegarde du rsultat) chaque fois les items dj valus utiliss pour le
calcul de la note et ceux qui restent valuer pour ladaptation, au besoin, des sessions
suivantes.
j=N
j=N
j =1
j =1
La note de la session est donc ncessairement volutive jusqu sa fermeture car elle
est actualise par recalcule chaque rsolution dun nouvel exercice par lapprenant.
j=N
j =1
j =1
67
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
IndN Li = ( ( IndN
(L - 1)j
/ N ))
j =1
Nous noterons toutefois, comme pour le cas de la note de notion, que lindice de
comprhension dune notion avant la fin de lapprentissage de tout le domaine peut tre
incomplet. Les choix pdagogique concernant le calcul ou non du paramtre suit ceux
concernant le calcul des notes respectives des notions.
Les Rsultats de base non calculables par les foncions dfinies par des formules :
nous avons essentiellement, dans cette catgorie, le nombre derreurs dtectes
aprs la rsolution dun exercice par un apprenant durant une session et la liste
derreurs correspondante.
Les Rsultats calculables par les foncions dfinies par les formules dont nous avons
donnes certaines au niveau du point prcdent de ce chapitre.
Si les rsultats non calculables doivent tre imprativement sauvegards dans le modle
de lapprenant, les rsultats calculables par des formules explicites peuvent tre dduits
en intgrant des fonctions adquates implmentant ces formules au niveau du module de
gestion du modle apprenant. Ces fonctions doivent aussi tre excutables partir de
68
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
La matrice des erreurs : dans laquelle on affecte, pour chaque apprenant, sa liste
des codes des erreurs dtectes pour chaque exercice rsolu durant une session
donne, ou le caractre # si lexercice point na pas encore t rsolu ni durant la
session courante ni durant les sessions prcdentes (cf. Tableau 3). Lintrt dune
telle structure est formatif si le rsultat est utilis tel quel pour observer les erreurs et
chercher leurs origines respectives en utilisant les liens de lontologie. Les donnes
de cette matrice, sachant que le nombre derreurs dtectes est dductible de la liste,
vont aussi permettre de calculer les autres notes en commenant par le calcul des
notes des IC.
Cette matrice est considre de base vu quelle est non calculable aprs le
changement dexercices durant la session.
Exercice 1
Apprenant 1
Apprenant 2
Apprenant P
Liste erreurs
Liste erreurs
Exercice12
#
Liste erreurs
#
Liste erreurs
Exercice N
Liste erreurs
#
Liste erreurs
#
69
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
Indice de Comprhension
de lApprenant 1 pour
lIC 9
IC 1
IC
Apprenant
Apprenant 1
Apprenant 2
Apprenant n
100%
100%
100%
IC9
100%
94.25 %
#
50%
IC 41
#
#
#
#
Exercice 1
Apprenant 1
Apprenant 2
Apprenant n
20
20
20
Exercice12
20
19,33
18
10
Exercice20
#
#
#
#
70
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
Rsultat
Liste des
IndN
composantes
Notion 1
Apprenant 1
Apprenant 2
Apprenant P
Rsultat
Rsultat s
Notion 12
#
Rsultat
#
Rsultat
Notion N
Rsultat
#
Rsultat
#
Rsultat
IndN
Notion 1
Apprenant 1
Apprenant 2
Apprenant P
Rsultat
Rsultat s
Notion 12
#
Rsultat
#
Rsultat
Notion
N
Rsultat
#
Rsultat
#
71
Chapitre IV : Une Approche dEvaluation Automatises des Apprenants Base sur un Modle Ontologique
Conclusion
Nous avons propos, dans ce chapitre, une approche dvaluation automatise des
connaissances dun apprenant base sur la modlisation dun domaine denseignement
sous forme dune ontologie, destine faciliter lautomatisation de lvaluation des
apprenants en mode dauto-apprentissage. Une telle structuration du domaine est
essentielle car elle permet de reprsenter la connaissance du domaine par dcomposition
en notions et IC, puis de rpercuter les rsultats du diagnostic sur chacune de ces
composantes pour en dduire une valuation globale. Nous avons aussi distingu les
processus de dtection derreurs en nous basant sur la taxonomie de celles-ci proposes
par lontologie du domaine.
Le calcul des diffrents paramtres lors de ltape de notation est ralis avec des
formules polynomiales en utilisant les erreurs dtectes (dont des erreurs smantiques)
aprs correction de rponses librement construites par des apprenants, les questions
tant ouvertes. Cest l galement un aspect intressant sagissant de systmes
dapprentissage par lexercice, qui se contentent gnralement dune valuation
dichotomique (connat ou ne connat pas) et de questions fermes (QCM, cases
cocher, ).
Notre approche a fait lobjet de deux premires mises en oeuvre au sein de deux
prototypes de systme dauto-apprentissage distance respectivement destins pour
lenseignement de lalgorithmique et lenseignement des bases de donnes
relationnelles. Le chapitre suivant dcrit ces deux prototypes et discute les rsultats des
diffrentes exprimentations conduites pour valuer nos propositions.
72
Chapitre V : Applications
CHAPITRE V
Applications
Introduction
Nous prsentons dans ce chapitre la mise en uvre de notre approche pour la
modlisation de domaines denseignement et lvaluation automatise dapprenant en
Learning by doing avec des questions ouvertes, dans le cadre du dveloppement de
prototypes de systmes denseignement de domaines choisies. Nous avons opt pour
deux modules de la formation universitaire LMD qui sont : lalgorithmique de base
(enseign au semestre 1 du tronc commun LMD mathmatiques et informatique) et les
bases de donnes relationnelles (BDDR) (enseign au semestre 4 de la deuxime anne
LMD informatique). Nous avons donc dvelopp dans un premier temps des systmes
denseignement distance autonomes respectivement pour lalgorithmique et les
BDDR. Ensuite, nous avons expriment les possibilits dun environnement
dapprentissage de plusieurs domaines bas sur la plate forme MOODLE o les
prototypes dvelopps pour lauto-apprentissage sont intgrs.
73
Chapitre V : Applications
74
Chapitre V : Applications
75
Chapitre V : Applications
Notions
Sous Notions
-Structuration
dun algorithme
- Dclarations
- Syntaxe de len-tte
- Dlimitation du corps
- Syntaxe dune instruction
- Forme dinstruction de bloc
- Lexique des mots
Dclaration de constantes
Dclaration de variables
4-E/S
donnes
de
-Instruction
daffectation
-Instruction
alternative
Instruction
itrative
La boucle Tant que
La boucle Pour
Instruction sur
la
structure
Tableau
Items de connaissance
76
Chapitre V : Applications
Enonc de lexercice
Notions correspondantes
Ecrire un algorithme
qui lit un caractre et
affiche
le
messageCest un A
sil sagit de la lettre
A
-Structuration dun
algorithme
IC correspondants
-Syntaxe de len-tte
-Forme gnrale dune dclaration
de variable
-Dclaration de variables -Dlimitation du corps dalgorithme
-Structure dun algorithme
-E/S de donnes
-Syntaxe dune instruction
-Ecriture dexpression
-Instruction alternative
-Syntaxe dune instruction
conditionnelle
-Dlimitation dune instruction
dE/S
-Lecture de variable
-Ecriture de message
-Forme dinstruction de bloc
-Lexique des mots
-Dclaration de variables caractre
-Les identificateurs
Coefficient
1
1
1
1
1
1
3
1
1
3
1
1
3
1
Tableau 9. Caractrisation dun exercice dalgorithmique par les notions et les IC.
La figure 25 montre que chaque exercice permet de dfinir un sous domaine
denseignement par projection par rapport aux composantes, situes diffrents niveaux
du modle ontologique du domaine denseignement considr, values par lexercice.
77
Chapitre V : Applications
A titre dexemple, dans le cas de lexercice prcdent, les erreurs criture de message
inexistante , ou instruction alternative non utilise seraient des E.S.S. alors que des
erreurs comme type de lidentificateur diffrent du type de lexpression qui lui est
affect ou identificateur non dclar seraient des E.S C.
78
Chapitre V : Applications
79
Chapitre V : Applications
Figure 28. Vue sur les notes de sessions dun apprenant partir de lespace auteur
Figure 29 Vue sur les notes des exercices dans lespace apprenant
80
Chapitre V : Applications
Figure 30. Vue sur les indices de comprhension des items de connaissances de la
session courante partir de lespace apprenant
81
Chapitre V : Applications
Erreurs
Lexico_Syntaxiques
dtectes et
commises
Erreurs
Lexico_Syntaxiques
dtectes et non
commises
Taux de
dtection par
WebSiela
91,27 %
Taux de
dtection par le
correcteur 1
Taux de
dtection par le
correcteur 2
96,56
35 %
(7 parmi les 20 copies
o il y a des erreurs
lexico-syntaxiques)
0
100
Erreurs
Smantiques
prsentes dans
la base
derreurs
100%
Erreurs
Smantiques
absentes de la
base derreurs
97,23
100
100
98,33
des erreurs dtectes non commises qui est un problme connu en compilation. En
effet certaines erreurs lexico-syntaxiques faussent la suite de lanalyse et donnent
lieu dautres erreurs. Lorsque, par exemple, le mot cl Tant que est mal crit,
la suite de la boucle est mal analyse puisque les rgles syntaxiques correspondantes
ne vont pas tre appliques. Ceci fait dailleurs lobjet de nos travaux actuels dans le
sens dune plus grande adaptation du processus de diagnostic des erreurs ce type
danomalie,
des erreurs smantiques commises non dtectes du fait quelles sont absentes dans
la base derreurs du systme qui est videmment incapable de les dtecter. Il va de
82
Chapitre V : Applications
soi que sur ce plan le problme consiste enrichir jusqu lexhaustivit, autant que
possible, la base derreurs smantiques du systme. Lexprimentation mene a
dailleurs dj t trs instructive sur ce point.
83
Chapitre V : Applications
84
Chapitre V : Applications
85
Chapitre V : Applications
Notions
-Introduction
au modle
relationnel
Sous Notions
Items de connaissance
2. Historique du modle
relationnel
3. La relation.
Algbre
relationnelle
86
Chapitre V : Applications
6. Les oprateurs binaires
7. Opration algbrique
Arbre
algbrique
8. La reprsentation
graphique des operateurs
unaire
9. La reprsentation
graphique des operateurs
binaire
Le
langage
SQL
87
Chapitre V : Applications
Dpendances
et
Normalisation
SQL
78. Expression de la semi-jointure avec SQL
79. Recherche des valeurs nulles
80. Les oprateurs arithmtiques
81. La fonction MAX avec SQL
82 La fonction MIN avec SQL
83. La fonction COUNT avec SQL
84. La fonction SUM avec SQL
85. La fonction AVG avec SQL
86. La fonction DISTINCT avec SQL
87. La fonction Order By avec SQL
88. La fonction Group By avec SQL
89. La fonction Between avec SQL
90. La fonction Like avec SQL
91. Principe des dpendances fonctionnelles
92. Proprits des dpendances fonctionnelles
93. Les
dpendances
fonctionnelles
lmentaires
94. Les dpendances fonctionnelles directes
95. Graphe de dpendances fonctionnelles
96. La fermeture transitive
97. La couverture minimale
98. Principe de normalisation
99. La premire forme normale
100. La deuxime forme normale
101. La troisime forme normale
102 La forme normale de Boyce_Codd
103. Principes des dpendances multivalues
104. Proprits des dpendances multivalues
105. Principe de normalisation
106. La quatrime forme normale
107. Principe de dpendances de jointures
108. Principe de normalisation
109. La cinquime forme normale
110. Principe de normalisation
111. Algorithmes de normalisation par synthse
112. Algorithmes
de
normalisation par
dcomposition
88
Chapitre V : Applications
89
Chapitre V : Applications
La colonne des poids, qui reprsentent les coefficients dimportances des items de
lexercice, influent sur le barme de notation de celui ci.
Exercice 2 : Enonc
"Soit le schma
relationnel suivant se
rapportant la
reprsentation dune
base de donnes
arienne :
-PILOTE(NUMPIL,
NOMPIL, ADR, SAL)
-AVION (NUMAV,
NOMAV, CAP, LOC)
-VOL (NUMVOL,
NUMPIL, NUMAV,
VILLE_DEP,
VILLE_ARR,
H_DEP,
H_ARR)
Rpondre la requte
suivante avec une
expression algbrique
:
Quels
sont
les
avions
(numro et
nom) localiss Alger
et ceux qui ont dj
effectu un vol vers le
Singapour
Items de connaissances
-Le concept de
- Introduction relation
au modle
relationnel
-Opration
algbrique
-Algbre
Relationnelle
Poids
1
1
1
1
1
1
2
2
1
1
3
2
1
1
1
La rponse de lapprenant tant une rponse une requte, elle a au moins une des trois
formes suivantes :
Chapitre V : Applications
Arbre algbrique: cest une forme graphique o chaque oprateur algbrique est
exprim avec un symbole spcifique. La figure 37 exprime la solution
prcdente sous forme dun arbre algbrique.
91
Chapitre V : Applications
De mme, la taxonomie des erreurs est respecte avec RDB-E-LEARN. En effet nous
avons construit la base derreurs de forme et derreurs smantiques (les spcifiques et
les communes) comme lindique lannexe D o les principales erreurs sont prsentes.
V-2-2-Diagnostic des erreurs [Bouarab-Dahmani & al. 10a]
Selon lapproche ODALA, le diagnostique des erreurs se dcompose en ces deux tapes
:
92
Chapitre V : Applications
1)
<OPERATIONALG>
<<ID >> << :=>> <<UNION>> <<(>> <<ID>> <<,>> <<ID>> <<) >> | <<ID >>
<< :=>> <<DIF >> <<( >> <<ID>> <<,>> <<ID >><<)>> |<<ID >> << :=>> <<INTER>> <<(>> <<ID>> <<,>>
<<ID>> <<)>> |<<ID >> << :=>>
<<EXTJOIN >> << (>> << ID>> <<,>> <<ID>> <<)>> |<<ID >> << :=>>
<<SEMIJOIN>> <<(>> <<ID>> <<,>> <<ID>> <<)>> |<<ID >> << :=>> << NATJOIN>> <<( >> <<ID>> <<,>>
<<ID>> <<)>> | <<ID >>
<< :=>>
<<AUTOJOIN>>
<<(>>
<<ID>>
<< :=>>
<<THETAPRODUCT>> <<(>> <<ID>> <<,>> <<ID>> <<)>> |<<ID >> << :=>> <<PRODUCT>> <<(>> <<ID>>
<< ,>> <<ID>> <<)>> | <<ID >> << :=>> <<SELECTION>> <<(>> << ID>> <<\>>
<<COMP>> <<(>> <<ID>> <<)>>|<<ID >> << :=>> << PROJ>>
> <<)>>
2)
<SUITEOPALG> <PGALGEBRIQUE>
3)
<LISTATTRIBUPROJ >
4)
5)
<EXPCOND>
6)
<EXPCOMP>
<EXPARITH>
7)
<<[ >> <EXPCOND> << ] >> <OPLOG> <<[>> <EXPCOND> <<]>> | <EXPCOMP>
<<CSTE>> |
8)
9)
<OPCOMP> << < >> | << > >> | << <= >> | << >= >> | << <> >> | << = >>
93
Chapitre V : Applications
94
Chapitre V : Applications
Figure 43. Exemple daffichage derreurs smantique aprs analyse dun arbre
algbrique par RDB-E-LEARN
95
Chapitre V : Applications
Figure 44. Affichage dun cours sur une notion par RDB-E-LEARN
96
Chapitre V : Applications
Le cas des arbres algbriques : Les rsultats (comme le montre la figure 46),
quand les erreurs smantiques sont connues pas le systme, sont des
moments meilleurs que celles des correcteurs humains. Aussi, nous navons
pas la contrainte des erreurs de forme qui faussent des fois lanalyse de la
smantique. Les apprenants ont prfr le mode graphique pour la facilit
offerte par la table des symboles. Certains enseignants de notre dpartement
pensent que lditeur graphique est adquat pour les novices qui nont pas
encore maitris les oprateurs algbriques.
Figure 46. Taux de dtection derreurs avec RDB-E-LEARN dans le cas darbres
algbriques [Bouarab-Dahmani & al. 10a].
97
Chapitre V : Applications
Les erreurs non enregistres dans la base derreurs ne sont pas dtectes
par RDB-E-LEARN.
Les erreurs enregistres dans la base derreurs sont toujours detectes par
RDB-E-LEARN.
Les copies dexamens sont toutes values de la mme faon avec RDB-ELEARN. Cependant, ce nest pas le cas des correcteurs humains o le
niveau de dtail de la correction dpend du niveau de fatigue, de
concentration, du correcteur.
Taux de
dtection
par RDB-ELEARN
Taux de
dtection
par le
correcteur 1
Taux de
dtection
par le
correcteur 2
Erreurs
Lexico_Syntaxiques
dtectes et
commises
90.27 %
Erreurs
Lexico_Syntaxiques
dtectes et non
commises
97.56%
Erreurs
Smantiques
de la base
derreurs
100%
Erreurs
Smantiques
absentes de la
base derreurs
0
100%
95.23%
100%
97.56%
100
96,33%
Chapitre V : Applications
99
Chapitre V : Applications
100
Chapitre V : Applications
Conclusion
Les tudes pratiques menes pour valuer nos propositions nous permettent dobtenir
des rsultats encourageants et nous orientent vers la ncessit de cerner dune faon plus
optimale, lensemble des erreurs smantiques de chaque domaine considr en nous
penchant davantage sur les liens possibles entre les erreurs pour viter le constat
rcurrent derreurs dtectes non commises. Plus gnralement, les rsultats de ces tests
permettent denvisager limplmentation de cette mme approche dans dautres
domaines denseignement, pour peu quil soit possible de les reprsenter sous forme
dontologies faisant intervenir notions et IC, ce que nous nous fixons comme objectif
pour la suite de nos travaux.
101
Conclusion Gnrale
Conclusion Gnrale
Le prsent travail de thse traite dune problmatique sarticulant sur trois axes de
recherches : les ontologies, les Environnements Informatique dApprentissage
Humain (EIAH), et lvaluation automatise des connaissances dun apprenant.
Lintrt de ce type de problmatique est particulirement significatif de nos jours du
fait du dveloppement considrable doutils dassistance lducation, formation et
apprentissage, favoris notamment par le phnomne Web.
Nous avons consacr les deux premiers chapitres de cette thse un examen de ltat
de lart dans chacun de ces trois axes, en prsentant dabord lessentiel des notions
considres ainsi que certains travaux de recherches sur les EIAH, lvaluation des
apprenants et les ontologies. Nous nous sommes ensuite intresss aux travaux
pouvant associer ces trois domaines, portant donc directement notre problmatique.
Nous avons pu dduire au bout de notre tude que lutilisation des ontologies pour la
modlisation de domaines denseignement destins lapprentissage par lexercice et
intgrant de ce fait lvaluation automatise des apprenants est une approche
relativement originale. En effet, bien que lintrt daborder ce type de dmarche
pour avoir des environnements dapprentissage comptitifs et efficaces est voqu
dans certains travaux, nous navons pratiquement pas pu rencontrer de propositions
concrtes de mise en uvre, que se soit en termes dapproches, de modles ou de
techniques.
Notre contribution au traitement de cette problmatique intgre les trois aspects
suivants :
-
Conclusion Gnrale
Conclusion Gnrale
cerner dune faon plus optimale, lensemble des erreurs smantiques du domaine de
lalgorithmique et celui des BDDR par dautres tests avec des tudiants pour aller
vers des systmes dauto-apprentissage en ligne exploitables par des tudiants
dbutants dans lun de ces deux domaines.
Plus gnralement, les rsultats de ces tests permettent denvisager la gnralisation
des rsultats ainsi obtenus dautres domaines denseignement relevant dautres
disciplines, pour examiner la rutilisabilit des approches, modles et techniques
proposs. Dautre part, la perspective de lutilisation de lvaluation propose avec
une rsolution dexercices base sur lusage de formalismes graphiques semble
particulirement intressante et porteuse. En effet lassistance apporte par les
diteurs graphiques vite certaines faiblesses des prototypes, observes lors des tests
qui sont particulirement relies lanalyse de la forme dune solution.
Lexploitation de lontologie Onto-TDM, dans le cadre de cette thse sest limite au
contexte dutilisation de lactivit dvaluation des connaissances des apprenants.
Diffrentes autres exploitations sont possibles en particulier avec les techniques et
outils du Web smantique pour raliser dautres activits denseignement ou
dapprentissage au sein de plates formes de e-learning.
Enfin nous ne pouvons tre exhaustifs sur les possibilits dutilisation ou dextension
de nos rsultats bien quayant abord trois aspects essentiels pour lefficacit de tout
EIAH savoir la modlisation du domaine denseignement, lvaluation automatise
de la progression des connaissances des apprenants et partiellement la modlisation
de lapprenant. Le caractre central de ces aspects fait que nos propositions devraient
pouvoir tre intgres aux plates formes de e-learning, combines aux normes et
standard correspondants (par exemple la norme LOM pour la modlisation de
ressources), utilises par les moteurs dadaptation dans les hypermdias adaptatifs, et
exploites par des gnrateurs automatiss de contenus adapts au profil de
lapprenant.
De cette intgration devrait dcouler une meilleure prise en charge de diffrents
aspects des systmes EIAH, tels que la didactique des domaines, une gestion efficace
de ltat de connaissances de chaque apprenant, ladaptation de sessions
dapprentissage, ou la prise en charge de question ouvertes. Ce qui va nettement
contribuer au passage vers des systmes EIAH plus intelligents et donc plus
efficaces. Cest ce que nous nous proposons de traiter dans des travaux ultrieurs.
104
Bibliographie
Bibliographie
[Anderson & Reiser 85] : Anderson J.R., Reiser B.J. The Lisp Tutor, Byte, 10(4),
1985, p. 159-175.
[Aplusix 2004] : Guide dutilisation dAplusix 1.42, site Web http//aplusix.imag.fr,
juin 2004.
[Apted & al. 03] : Apted T.,Kay J., Lum A. et Uther J. (2003). Visualisation of
Learning Ontologies. In Hoppe H.U. & Verdejo M.F. & Kay J. (Eds.), Proc.
AIED2003, 359-361.
[Bachimont 99] : Bachimont B. Lintelligence artificielle comme criture dynamique
: de la raison graphique la raison computationnelle, Grasset, Paris, 1999.
[Bachimont 00] : Bachimont B. (2000). Engagement smantique et engagement
ontologique : conception et ralisation dontologies en ingnierie des connaissances.
In R. Teulier, J. Charlet & P. Tchounikine, Coordinateurs, Ingnierie des
connaissances, chapitre 19. Paris : LHarmattan. Article rdit en 2005 dans le
cdrom associ au livre.
[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.
[Balacheff 97] : Balacheff, N., Baron, GL., Baron, M., Desmoulins, C.,
Grandbastien, M., Vivet, M. Conception denvironnements interactifs
dapprentissage avec ordinateur. Actes des cinquimes journes EIAO de Cachan.
14-16 mai 1997, Herms, (pp. 315-337).
[Balacheff 99] : Balacheff N. Apprendre la preuve. In: Sallantin J., Szczeciniarz J. J.
(eds.), Le concept de preuve la lumire de lintelligence artificielle (pp.197-236).
Paris: PUF. (1999)
[Baneyx 07] : Baneyx A. construire une ontologie de la pneumologie aspects
thoriques, modles et exprimentations. Thse de doctorat de luniversit paris 6
spcialit : informatique mdicale. Fvrier 2007.
[Bisault & Lavarde 95] : Bisault J., Lavarde, A. Le mmoire en IUFM : Thorie et
pratique, Beauvex cedex, CDDP Oise, 1995, 104 p, ISBN2903729700.
[Bouarab-Dahmani 00] : Bouarab-Dahmani F. Conception et valuation de la
composante experte du domaine dun systme intelligent pour lenseignement de
105
Bibliographie
106
Bibliographie
107
Bibliographie
108
Bibliographie
[Guarino 97a] : Guarino N. (1997a). Some organizing principles for a unified toplevel ontology. AAAI Spring.
[Guarino 97b] : Guarino N. (1997b). Understanding, building and using ontologies.
International J. Human-Computer Studies, 46, 293-310.
[Hadji 97] : Hadji C. Lvaluation dmystifie, ESF, Paris, 1997
[Hatzily & Prentzas 04] : Hatzilygeroudis I., Prentzas J. Knowledge representation
requirements for intelligent tutoring systems, Proceedings of the 7th international
conference, ITS 2004, Brazil 2004.
[Hayashi & al. 99] : Hayashi Y., Jin L., Seta K., Ikeda M. et Mizoguchi R. (1999). A
Multiple View Authoring Tool for Modeling Training Materials (AI Technical
Report 99-05). Osaka: Osaka University.
[Horacek et Wolska 06] : Horacek H., Wolska M. Handling errors in mathematical
formulas, in ITS 2006, LNCS 4053, PP 339-348, 2006.
[Inaba & al. 00] : Inaba A., Supnithi T., Ikeda M., Mizoguchi R. et Toyoda J. (2000).
An Overview of Learning Goal Ontology. Proc. of ECAI2000 Workshop on Analysis
and Modelling of CollaborativeLearning Interactions, 23-30.
[Jarraud & La Passardire 04] : Jarraud P., De La Passardire B. Un profil
dapplication du LOM pour Campus Sciences, Revue STICEF, Volume 11, 2004.
[Jean 00] : Jean S. Ppite, un systme dassistance au diagnostic des comptences ,
thse de doctorat de lUniversit du Maine, 2000
[Jin & al. 99] : Jin L., Chen W., Hayashi Y., Ikeda M., Mizoguchi R., Takaoka Y. et
Ohta M. (1999). An Ontology-Aware Authoring Tool Functional structure and
guidance generation. Paper presented at the AIED1999, Le Mans, France.
[Johnson 86] : Johnson W. L. Intention-Based Diagnosis of Novice Programming
Errors , Morgan Kaufmann Publishers, Los Altos, 1986.
[Kabel & al. 99] : Kabel S.C., Wielinga B.J., DE Hoog R. Ontologies for indexing
Technical Manuals for Instruction. Workshop on Ontologies for Intelligent
Educational Systems, Ninth International Conference on Artificial Intelligence in
Education, AIED'99, Le Mans, France, July 19-23, 1999.
[Kassel & al. 00].: Kassel G., Abel M., Barry C., Boulitreau P., Irastorza C., Perpette
S., Construction et exploitation dune ontologie pour la gestion des connaissances
dune quipe de recherche, in Actes des journes francophones dIngnierie des
Connaissances (IC2000), 2000.
[Labat 02] : Labat J. M. EIAH : Quel retour dinformation pour le tuteur, Confrence
TICE, 2002, P. 81-87, Novembre 2002.
109
Bibliographie
[Liu & al. 04] : Liu Q., Yang Z., Yan K., Wu D. Reusable Learning Object and its
strategies for e-learning, W. Liu & al. edition, ICWL 2004, LNCS 3143, pp. 386392, 2004.
[Lhaire & Faltin 03] : Haire S., Faltin A. V. Diagnostic dErreurs dans le Projet
FreeText ", Alsic journal, volume 6, N2, Dcembre, 2003, pp. 21-37.
[Michel & Rouissi 03] : Michel C., Rouissi S. E-learning : normes et spcifications,
Etude des spcifications LOM et IMS-QTI caractrisant des documents interchangeables et rutilisables pour lacquisition et lvaluation des connaissances ,
dans la revue Document numrique, 2003
[Maedche 02] : Maedche A. (2002). Ontology Learning for the Semantic Web.
Boston: Kluwer Academic Publishers.
[Miller 88] : Miller G.A. Nouns in WordNet, In WordNet, An Electronic Lexical
Database C. Fellbaum (Ed), pp 23-46, MIT Press, 1988.
[Mizoguchi & Ikeda 97] : Mizoguchi R. and Ikeda M. Towards ontology
engineering. In Proceedings of the Joint Pacific Asian Conference on Expert
Systems, 1997.
[Mizoguchi 98] : Mizoguchi R. : A Step Towards Ontological Engineering. Paper
presented at the 12th National Conference on AI of JSAI, June, 1998.
[Mizoguchi & al.00] : Mizoguchi R., Kozaki K., Sano T. et Kitamura Y. (2000).
Construction and Deployment of a Plant Ontology. The 12th International
Conference, EKAW2000, (Lecture Notes in Artificial Intelligence 1937), 113-128.
[Nkambou & al. 03] : Nkambou R. Frasson C. et Gauthier G. (2003). CREAMTools: An Authoring Environment for Knowledge Engineering in Intelligent
Tutoring Systems. In Murray T. Blessing S. & Ainsworth S. (Ed.), Authoring Tools
for Advanced Technology Learning Environments: Toward cost-effective adaptive,
interactive, and intelligent educational software, Kluwer Academic Publishers.
[Nicaud & al.06]: Nicaud J.F., Chaachoua H., Bittar M. Automatic calculation of
students conceptions in elementary algebra from aplusix log files, in ITS 2006,
LNCS 4053, PP 433-442, 2006.
[ONeil 01] : ONeil M. What is E-learning, Home Magazine, May 2001.
[Oravep 00] : ORAVEP. Etude comparative technique et pdagogique des
plateformes pour la formation distance , www.oravep.asso.fr , 2000.
[Paquette 02] : Paquette, G. (2002). L'ingnierie pdagogique pour construire
l'apprentissage en rseau. Qubec, Presses de l'Universit du Qubec.
110
Bibliographie
111
Bibliographie
[Suraweera & al. 04] : Suraweera P., Mitrovic A., Martin B., The role of domain
ontology in knowledge acquisition for ITSs, Proceedings of the 7th international
conference, ITS 2004, Brazil 2004.
[Tchtagni & Nkambou 02] : Tchtagni J . M. P., Nkambou R. Hierarchical
representation and evaluation of the student in an intelligent tutoring system, ITS
2002, LNCS 2363, pp 708-717.
[Tchounikine 09] : Tchounikine P. Prcis de recherche en ingnierie des EIAH,
Version Juin 2009, en ligne sur le Web.
[Uschold & Grninger 96] : Uschold M. et Grninger M. (1996). Ontologies:
Principles, Methods and Applications. Knowledge Engineering Review, 11(2).
[Van Heijst & al. 97] : Van Heijst G., Schreiber A. et Wielinga B. J. (1997). Using
Explicit Ontologies in KBS Development. International Journal of Human and
Computer Studies /Knowledge Acquisition, 46(2/3), 183-292.
[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.
[Westbrook 93] : Westbrook R. B. John Dewey (1859-1952). Revue trimestrielle
dducation compare (Paris, UNESCO : Bureau international dducation), vol.
XXIII, n 1-2, 1993, p. 27793.
[Xuan & al. 04] : Xuan W., Li Z., Frang Y. An implementation of learning objects
management system, W. Liu & al. edition, ICWL 2004, LNCS 3143, pp. 393-399,
2004.
112
Annexes
Annexes
Annexe A : Pseudo Langage Algorithmique Utilis dans WebSiela
Cette annexe prsente la grammaire danalyse lexico-syntaxique de WebSiela qui est
une extension de celle donne dans [Bouarab-Dahmani 2000]. Ces extensions sont
mentionnes en gras.
La grammaire G du langage est dfinie par un quadrupl : G (algo, Vn, Vt , P) o algo
est laxiome de la grammaire, Vn lensemble des symboles non terminaux, Vt
lensemble des symboles terminaux et P lensemble des productions que nous
prsentons dans ce qui suit:
<algo>
fin
<declaration>
<decl_const> <decl_var> |
<decl_const>
<const>
<val>
<identif> ; <decl_const> |
<identif> = <val>
<caractere> | <nombre> | <const_log>
<decl_var>
<var>
<dvar>
<var><decl_var> |
<dvar> :<typedonnee>
<identif> , <dvar> | <identif>
<typedonnee>
< tableau>
<typesimple>
<corps>
<inst> ;<corps> |
<inst>
<expression>
<valaffect>
<exp>
<e1>
<e2>
<e3>
<suit_ident>
<opcomp>
<opadd>
<opmult>
<const-log>
<identif><suit_ident> := <valaffect>
<exp> | <caractere>
<e1><opcomp><exp> {A1} | <e1>
<e2><opadd><e1> {A3} | <e2>
<e3><opmult><e2> {A3} | <e3>
<identif> <suit_ident> | <exp> | <nombre> | <const_log> |
[<indice> ] |
< | > | <= | = | <>
+ | - | |
* | / | &
vrai | faux
113
Annexes
<inst-choix>
<Suite-si>
<bloc>
<binst>
<inst-boucle>
<boucle>
<btantque>
<bpour>
<valfinale>
<btantque> | <bpour>
<tantque <exp>
pour <identif> allantde <valinitiale> jusqua
<suitepour>
<suitepour>
pas <valpas>
<inst- e/s>
<lecture> | <ecriture>
<lecture>
<bloces>
lire (<bloces> )
<identif><suit_ident><bles>
<ecriture>
<bles>
<ecriture>
<blocecrit>
ecrire (<blocecrit> )
,<bloces> |
ecrire (<blocecrit> )
<message> | <bloces>
114
Annexes
Intitul erreur
Premier mot de lalgorithme diffrent du mot cl algorithme
Sparateur incorrect aprs le premier mot de l en-tte
Identificateur de lalgorithme introuvable ou incorrect
Point virgule introuvable aprs la dclaration de l entte
Mot cl Const. inexistant avant dclaration de constante
Constante introuvable aprs le symbole =
Identificateur de constante mal crit : mot invalide ou incorrect
Symbole = inexistant aprs un identificateur de constante
Caractre spcial illgal dans la partie dclaration de constantes
Anticipation dans une dclaration de variables
Identificateur de variable introuvable ou mal crit aprs une virgule
Mot cl indiquant un type de donne de variable introuvable aprs :
Caractre spcial illgal dans une dclaration de variables
Identificateur de variable invalide ou inexistant
Mot cl var inexistant avant dclaration de variables
Marque de dbut d'algorithme introuvable
Marque de fin d'algorithme introuvable
Ecriture aprs la marque de fin d algorithme
Mot incorrecte ou invalide aprs l'en-tte : Const, Var ou Debut
recherch
Sparateur incorrect aprs l en-tte
Point virgule introuvable en fin d instruction
Symbole : non autoris seul dans une instruction du corps
Mot cl non autoris en dbut d instruction
Constante non autorise en dbut d instruction
Mot invalide en dbut d instruction
Affectation mal crite : espace entre : et =
Affectation mal crite : : ou = introuvable
Expression errone affecte un identificateur
Affectation mal crite : = et = inverss
Symbole := introuvable aprs un identificateur dans le corps
Partie gauche d une affectation errone
) d une expression inexistante
Utilisation d un mot cl ou constante comme identificateur dans une
expression
( oublie ou ) en plus dans une expression
Caractre spcial illgal dans une expression
Le mot cl SI inexistant ou mal crit
Sparateur incorrect aprs le mot cl SI
Le mot cl FSI introuvable
Le mot cl ALORS introuvable
Item
IC
1
1
1
1
2
2
2
2
2
3
3
3
3
3
3
4
4
4
5
Type
erreur
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
5
6
6
6
6
6
24
24
7
24
7
7
8
8
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
8
8
9
9
9
9
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
Toutes les erreurs crites en gras ont t ajoutes par rapport au systme SIELA [Bouarab-Dahmani,
00].
115
Annexes
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
9
9
10
10
10
10
10
10
10
11
11
12
13
14
15
29
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
26
26
26
28
lex_syn
lex_syn
lex_syn
lex_syn
27
lex_syn
28
lex_syn
28
lex_syn
27
lex_syn
28
lex_syn
28
lex_syn
27
27
lex_syn
lex_syn
27
27
2
lex_syn
lex_syn
sem_spe
sem_spe
25
sem_spe
sem_spe
10
26
12
29
13
2
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
25
sem_spe
116
Annexes
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
sem_spe
10
26
12
29
13
19
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
20
sem_spe
21
sem_spe
22
sem_spe
19
sem_spe
20
sem_spe
21
sem_spe
22
sem_spe
16
sem_spe
16
sem_spe
17
sem_spe
18
sem_spe
16
sem_spe
16
sem_spe
17
sem_spe
18
sem_spe
sem_com
8
8
8
8
sem_com
sem_com
sem_com
sem_com
9
10
sem_com
sem_com
23
23
25
sem_com
sem_com
sem_com
23
34
34
34
34
34
sem_com
lex_syn
lex_syn
lex_syn
lex_syn
lex_syn
117
Annexes
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
146
148
147
145
149
150
151
152
153
154
156
155
157
158
159
160
161
34
34
33
lex_syn
lex_syn
lex_syn
33
33
23
32
8
34
lex_syn
lex_syn
lex_syn
sem_spe
sem_com
sem_spe
34
sem_spe
37
sem_spe
38
39
sem_spe
sem_spe
40
sem_spe
37
38
39
sem_spe
sem_spe
sem_spe
40
sem_spe
23
lex_syn
34
lex_syn
33
33
33
33
33
33
lex_syn
lex_syn
lex_syn
lex_syn
sem_com
sem_com
26
33
sem_com
sem_com
33
29
31
sem_com
sem_com
sem_com
12
9
sem_com
sem_com
35
36
sem_spe
34
35
3
8
8
sem_spe
sem_spe
lex_syn
sem_com
lex_syn
lex_syn
lex_syn
118
Annexes
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
8
14
8
lex_syn
sem_com
sem_com
8
26
25
26
sem_com
lex_syn
sem_com
sem_com
5
5
34
lex_syn
lex_syn
sem_com
34
26
sem_com
sem_com
23
sem_com
36
sem_com
8
8
8
8
8
8
8
8
29
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
sem_spe
119
Annexes
: la slection ou restriction
: lunion
: la diffrence
: le produit cartsien
: lintersection
: la semi jointure
: lauto jointure
: la jointure naturelle
: le thta produit
: le complment
: la projection
: la jointure externe
b. Les identificateurs
Un identificateur est une suite de caractres alphanumrique qui commence
obligatoirement par une lettre ([az] ou [AZ]) et qui doit tre diffrent des mots
cls du langage algbrique retenu.
c. Les oprateurs
Les oprateurs arithmtiques : +, x, /, Les oprateurs de comparaison <, >, <=, >=, <>, =
Les oprateurs logiques :
Le AND logique est reprsent par &&
Le OU logique est reprsent par ||
Loprateur daffectation := est utilis pour affecter une opration algbrique
une relation intermdiaire.
d. Les sparateurs
La parenthse ( : elle dlimite les identificateurs utiliss par le mot cl qui les
prcde
La parenthse ) : elle dlimite les identificateurs utiliss par le mot cl qui les
prcde
La virgule , : sparatrice entre les identificateurs
Le | : spare un identificateur de relation et la condition, ou bien un
identificateur de relation et la liste dattributs sur les quels et faite la projection
e. Les constantes
Constante numrique : relle ou entire, constante caractre ou boolene.
120
Annexes
Le tableau rcapitulatif suivant prsente une synthse des oprateurs algbriques utiliss
dans RDB-E-LEARN avec le formalisme des arbres algbriques, oprateur algbrique
et clause SQL.
Type
Operateur
Oprateur
Expression
Algbrique
algbrique
Symbole
Reprsentation
En SQL
graphique
propose
Union
rsultat := UNION
(R1, R2)
* FROM R1 UNION
SELECT < attribut>+ /
*
diffrence
rsultat:=
FROM R2 ;
DIF
(R1, R2)
FROM R1
MINUS
SELECT < attribut>+ /
*
FROM R2 ;
intersectio
rsultat:= INTER
(R1, R2)
rsultat
*
FROM R1
INTERSECT
R1
R2
*
FROM R2 ;
121
Annexes
elle
pas
rsultat :=
extrieure
JOIN (R1,
R2|condition)
part
Op _binaire
EXT-
nest
Jointure
des
SGBD
relationnels
Semijointure
SELECT
rsultat:=
SEMIJOIN
<
+,
attribuR1>
(R1,
<attribuR2>+
R2|condition)
FROM R1,R2
WHERE <condition> ;
Jointure
rsultat:=
SELECT attribu1R1
naturelle
NATJOIN (R1,
FROM R1
R2|condition)
WHERE attribuR2 IN
(SELECT attribuR2
FROM R2 WHERE
<condition>) ;
Consiste en un produit
Thta-
rsultat:=
produit
THETAPRODUCT
(R1,R2|condition)
slection
rsultat
SELECT
<
attribuR1>+,
R2
R2
<attribuR2>+
FROM
R1,R2
WHERE
attributR1=
attribuR2;
Select *
rsultat
Produit
rsultat:=
cartsien
PRODUCT
(R1,R2)
x
R1
Op_
Unaire
Slection
ou
restriction
rsultat:=
R2
rsultat
Select
[distinct]
<
attribut> / *
SELECTION
(R1|condition)
Condition
From R1
Where <condition> ;
R1
Complm
Rsultat :=
ent
COMP(R1)
rsultat
Sobtient
par
une
combinaison
doprateurs
relationnels
R1
122
Annexes
Projection
rsultat:=
PROJ
(R1|X1 X2 ..Xn)
Select
[distinct]
<
attribut>
From R1 ;
AUTO
Rsultat: =
SELECT Y.attribut
JOINTUR
AUTOJOIN
FROM R1Y,R1
(R|condition)
WHERE <condition> ;
123
Annexes
Libell de lerreur
Num
ItemC
36
37
36
dun chiffre)
4
37
37
26
26
26
algbrique UNION
9
26
26
11
oprateur d''affectation mal crit manque de '=' aprs les deux points
37
12
23
13
23
14
20
15
20
opration SELECTION
16
20
la slection
17
20
18
22
19
22
opration de projection
20
22
22
22
parenthse
30
ouvrante
manquante
aprs
oprateur
algbrique
THETAPRODUCT
124
Annexes
23
30
30
30
30
30
produit
28
28
29
28
28
28
28
33
27
INTER
34
27
27
27
27
38
32
extrieure
39
32
32
32
32
extrieure
43
33
jointure
125
Annexes
44
33
33
33
33
jointure
48
31
naturelle
49
31
31
31
31
naturelle
53
29
cartsien
54
29
29
29
29
cartsien
58
21
complment COMP
59
21
21
61
22
algbrique de projection
62
22
projection
63
35
condition)
126
Annexes
64
20
65
35
logique
66
35
logique
67
35
68
23
23
32
31
33
37
74
35
75
35
76
35
35
35
79
35
80
35
81
35
82
30
32
27
algbrique de l'intersection
85
28
30
31
127
Annexes
88
prsence d'un seul identificateur entre les parenthses dans une opration
26
35
90
35
attendu)
91
35
attendu)
92
prsence d'un seul identificateur entre les parenthses dans une opration
algbrique binaire du produit cartsien
29
Num err
Libell de lerreur
122
les deux relations utilises dans la SEMI JOINTURE n'ont pas d'attributs
Num
ItemC
33
communs
110
27
les deux relations utilises dans la jointure naturelles n'ont pas d'attributs
31
communs
105
26
les deux relations utilises dans la jointure extrieure n'ont pas d'attributs
32
communs
110
27
27
130
26
128
Annexes
Num err
Libell de lerreur
Num
ItemC
93
Oprateur algbrique du complment trouv alors qu'il nest pas prvu par
21
l'exo
94
Oprateur algbrique de projection introuvable alors qu'il est prvu par l'exo
22
95
Oprateur algbrique de la semi jointure introuvable alors qu'il est prvu par
33
l'exo
96
Oprateur algbrique dintersection trouv alors qu'il nest pas prvu par l'exo
28
97
Oprateur algbrique de complment introuvable alors qu'il est prvu par l'exo
21
98
Oprateur algbrique de la semi jointure trouv alors qu'il nest pas prvu par
33
l'exo
99
Oprateur algbrique de la jointure extrieure trouv alors qu'il nest pas prvu
32
par l'exo
100
Oprateur algbrique d'union trouv alors qu'il nest pas prvu par l'exo
101
Oprateur algbrique de la jointure naturelle trouv alors quil nest pas prvu
26
par l'exo
102
Oprateur algbrique du thta produit trouv alors qu'il nest pas prvu par
30
l'exo
103
Oprateur algbrique de la slection trouv alors qu'il nest pas prvu par l'exo
20
108
Oprateur algbrique de la projection trouv alors qu'il nest prvu par l'exo
22
109
32
par l'exo
111
Oprateur algbrique d'UNION introuvable alors qu'il est prvu par l'exo
26
112
Oprateur algbrique de slection introuvable alors qu'il est prvu par l'exo
20
113
Oprateur algbrique de diffrence introuvable alors qu'il est prvu par lexo
28
114
Oprateur algbrique dintersection introuvable alors qu'il est prvu par l'exo
27
115
oprateur algbrique de l auto jointure introuvable alors quil est prvu par l
23
exercice
116
29
Oprateur algbrique de jointure naturelle introuvable alors qu'il est prvu par
31
l'exo
118
Oprateur algbrique de l'auto jointure trouv alors qu'il nest pas prvu par
23
l'exo
119
29
Oprateur algbrique dintersection introuvable alors qu'il est prvu par l'exo
30
121
Oprateur algbrique de la diffrence trouv alors qu'il nest prvu par l'exo
27
129
Annexes
123
20
124
22
125
22
126
22
127
22
128
26
129
26
131
22
132
27
27
130
Annexes
131
Annexes
132
Annexes
Communications Nationales
-
Annexes
134
Annexes
135