CAMLearn: Une Architecture de Syst` eme de
This presentation is the property of its rightful owner.
Sponsored Links
1 / 265

Mlearning PowerPoint PPT Presentation


M-learning

Download Presentation

Mlearning

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Mlearning

CAMLearn: Une Architecture de Syst` eme de

Recommandation S´ emantique Sensible au Contexte.

Application au Domaine du M-Learning.

Fayrouz Soualah-Alila

To cite this version:

Fayrouz Soualah-Alila.

S´ emantique Sensible au Contexte. Application au Domaine du M-Learning.. Informatique

[cs]. Universit´ e de Bourgogne, 2015. Fran¸ cais. <tel-01238233v2>

CAMLearn:

Une Architecture de Syst` eme de Recommandation

HAL Id: tel-01238233

https://hal.archives-ouvertes.fr/tel-01238233v2

Submitted on 14 Jan 2016

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of sci-

entific research documents, whether they are pub-

lished or not.

The documents may come from

teaching and research institutions in France or

abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est

destin´ ee au d´ epˆ ot et ` a la diffusion de documents

scientifiques de niveau recherche, publi´ es ou non,

´ emanant des ´ etablissements d’enseignement et de

recherche fran¸ cais ou ´ etrangers, des laboratoires

publics ou priv´ es.


Mlearning

Thèse de Doctorat

école doctorale scienc es pour l’ingénieur et microtechniques

U N I V E R S I T É D E B O U R G O G N E

CAMLearn*: Une architecture de syst` eme de

recommandation s´ emantique sensible au contexte.

Application au domaine du m-learning.

FAYROUZ SOUALAH ALILA

n


Mlearning

Thèse de Doctorat

é cole do ctora le s c i e n c es p o u r l ’ i ng é n i e u r e t m i c ro te c h n i q u es

U N I V E R S I T É D E B O U R G O G N E

TH`ESE pr´ esent´ ee par

FAYROUZ SOUALAH ALILA

pour obtenir le

Grade de Docteur de

l’Universit´ e de Bourgogne

Sp´ ecialit´ e : Informatique

CAMLearn*: Une architecture de syst` eme de recommandation

s´ emantique sensible au contexte. Application au domaine du

m-learning.

Soutenue publiquement le 18/03/2015 devant le Jury compos´ e de :

M. JACKY AKOKA

MME. MYRIAM LAMOLLE

M. IOAN ROXIN

Rapporteur

Rapporteur

Examinateur

Professeur, CNAM Paris

Professeur, IUT Montreuil

Professeur, Univ. Franche-

Comt´ e

Maˆ ıtre de conf´ erences, Univ.

Nice Sophia Antipolis

Maˆ ıtre de conf´ erences, Univ.

Montpellier

Professeur, Univ. Bourgogne

Maˆ ıtre de conf´ erences, Univ.

Bourgogne

MME. CATHERINE FARON ZUCKER

Examinatrice

MME. SANDRA BRINGAY

Examinatrice

Directeur de th` ese

Encadrante de th` ese

M. CHRISTOPHE NICOLLE

MME. FLORENCE MENDES

*CONTEXT-AWARE M-LEARNING


Mlearning

REMERCIEMENTS

Au terme de ce travail de recherche, je suis convaincue que cette th` ese est loin d’ˆ etre un

travail solitaire. Je tiens donc ` a remercier tous ceux qui, de loin ou de pr` es, ont contribu´ e

` a la r´ ealisation de ce projet.

En premier lieu, je remercie vivement les membres du jury, qui ont accept´ e d’´ evaluer mon

travail. Je remercie les rapporteurs de cette th` ese, Jacky Akoka (professeur associ´ e au

CNAM ` a Paris), et Myriam Lamolle (professeur associ´ e ` a l’IUT de Montreuil). Je les re-

mercie pour la rapidit´ e avec laquelle ils ont lu mon manuscrit, malgr´ e un emploi du temps

sans doute tr` es charg´ e. Je leur suis tr` es reconnaissante pour l’int´ erˆ et qu’ils ont port´ e ` a

mes travaux de recherche.

Je remercie ´ egalement Ioan Roxin (professeur ` a l’universit´ e de Franche-Comt´ e), Cathe-

rine Faron Zucker (maˆ ıtre de conf´ erences ` a l’universit´ e de Nice Sophia Antipolis) et San-

dra Bringay (maˆ ıtre de conf´ erences ` a l’universit´ e de Montpellier) d’avoir accept´ e de faire

partie de mon jury.

Je tiens ` a exprimer mes plus vifs remerciements ` a Christophe Nicolle qui fut pour moi un

directeur de th` ese attentif et disponible malgr´ e ses nombreuses charges. Je le remercie

pour la confiance qu’il m’a toujours accord´ ee, pour son soutien et ses conseils au cours

de l’´ elaboration de cette th` ese. J’ai ´ enorm´ ement appris ` a ses cˆ ot´ es et ces quelques lignes

sont peu de choses par rapport ` a tout ce qu’il m’a apport´ e.

J’adresse tout ma gratitude ` a Florence Mendes, encadrante de cette th` ese, pour ces

encouragements, son aide et son soutien sans faille tout au long de ces ann´ ees de travail.

Je la remercie aussi pour toutes nos discussions et ses conseils qui ont ´ et´ e et resteront

des moteurs de mon travail de chercheur.

J’adresse aussi mes remerciements ` a Erik Gebers qui a particip´ e ` a mon encadrement

dans cette th` ese et qui a contribu´ e au bon d´ eroulement de ce travail de recherche. Je lui

souhaite d’ailleurs bon courage pour ses projets futurs.

Je remercie Florian Orpeli` ere pour sa grande patience et son aide inconditionnelle, et

Val´ eriane Eymenier pour sa bonne humeur et son appui. Ces deux ing´ enieurs de l’´ equipe

Checksem ont permis de faire avancer ce travail de th` ese.

Les travaux pr´ esent´ es dans cette th` ese ont fait l’objet d’une convention CIFRE entre la

soci´ et´ e CrossKnowledge et l’´ equipe Checksem.

Je tiens ` a avoir une pens´ ee sympathique pour toutes les personnes sans exception,

coll` egues et amis de la soci´ et´ e CrossKnowledge, qui savent si bien rendre agr´ eable le

v


Mlearning

cadre de travail. Je remercie particuli` erement Muriel Richelet pour sa patience et sa gen-

tillesse. Une pens´ ee particuli` ere ` a Bruno Larosa qui nous a quitt´ es il y’a un peu plus d’un

an pour un monde meilleur. Reposes en paix.

Il m’est impossible d’oublier de remercier mes coll` egues de l’´ equipe Checksem pour leur

bonne humeur et leur soutien. C’est un plaisir de les cˆ otoyer tous les jours. Je ne vais pas

les citer de peur d’en oublier quelqu’un. Merci ` a mes voisins de bureau qui ont du suppor-

ter ma pr´ esence. Je remercie particuli` erement le trio Yoan Chabot, Benjamin Harbelot et

David Werner. Les pauses caf´ e et les PhD nights vont me manquer.

Mes remerciements vont aussi ` a ma famille et mes amis qui, avec cette question

r´ ecurrente, ? quand est-ce que tu la soutiens cette th` ese? ?, bien qu’angoissante en

p´ eriode fr´ equente de doutes, m’ont permis de ne jamais d´ evier de mon objectif final.

Cela va de soi, je remercie avec grande ´ emotion mes sœurs soussou et doudou, mon

petit fr` ere rourou, mon oncle migo, pour leur irremplac ¸able soutien, et ma petite M´ elie

pour sa bonne humeur permanente. Ils m’ont toujours encourag´ e ` a aller de l’avant dans

la vie malgr´ e la difficult´ e d’ˆ etre loin de ses proches. Merci d’avoir ´ et´ e l` a pour ´ ecarter les

doutes, soigner les blessures et partager les joies. Un grand remerciement ` a papa pour

son soutien et ses encouragements.

Ces remerciements seraient incomplets si je n’en adressais pas ` a mon h´ ero¨ ıne : ma

maman. Sa pr´ esence et ses encouragements sont pour moi les piliers fondateurs de ce

que je suis et de ce que je fais. Cette th` ese elle est pour toi chouchou!

Last but not least, je remercie chaleureusement Hadrien Levionnois, pour ses encoura-

gements et sa grande patience (je te promets je vais essayer de rˆ aler moins). Tu auras

connu tous les moments difficiles mais aussi les petites victoires. Dans chacun de ces

moments ton amour sans faille m’aura donn´ e la force d’un g´ eant.

J’en oublie certainement encore et je m’en excuse.

Encore un grand merci ` a tous pour m’avoir conduit ` a ce jour m´ emorable.

vi


Mlearning

R´ ESUM´ E

En raison de la croissance rapide des technologies de l’information et de la communi-

cation, les m´ ethodes d’apprentissage sont en constante ´ evolution. Le e-learning (ou ap-

prentissage ´ electronique) a ´ et´ e consid´ er´ e comme la premi` ere application des syst` emes

hyperm´ edia adaptatifs. Les syst` emes de recommandation sont bas´ es sur les syst` emes

hyperm´ edia adaptatifs d´ evelopp´ es durant la fin des ann´ ees 90.

Maintenant, le grand d´ efi des entreprises e-learning est de combler le foss´ e entre le e-

learning statique et l’apprentissage mobile (ou m-learning). Parmi les caract´ eristiques

du m-learning : la flexibilit´ e, l’accessibilit´ e et l’informalit´ e. La flexibilit´ e est la capacit´ e du

syst` eme ` a acc´ eder librement ` a la formation d’apprentissage sans contraintes dans le

temps et l’espace. L’accessibilit´ e est la capacit´ e du syst` eme ` a trouver des informations

sur la formation d’apprentissage ind´ ependamment de l’organisation initiale de cet appren-

tissage. L’informalit´ e est la capacit´ e du syst` eme ` a d´ evelopper un processus d’apprentis-

sage non intentionnel qui d´ ecoule des activit´ es de la vie quotidienne, contrairement ` a

l’apprentissage pr´ ed´ efini par le formateur.

Nos travaux de recherche portent sur le d´ eveloppement d’une architecture pour le m-

learning. Nous proposons une approche pour un syst` eme m-learning contextuel et adap-

tatif int´ egrant des strat´ egies de recommandation de sc´ enarios de formations sans risque

de rupture. Notre approche respecte les caract´ eristiques de flexibilit´ e, d’accessibilit´ e et

d’informalit´ e. Ce syst` eme est une extension des travaux effectu´ es sur les syst` emes de

recommandation bas´ es sur le contenu.

Dans le domaine du e-learning, la plupart des propositions existantes de syst` emes de

recommandation sont bas´ ees sur un ensemble de couches qui sont inspir´ ees des ar-

chitectures hyperm´ edia adaptatifs. Une architecture form´ ee de trois couches minimum

est n´ ecessaire pour la cr´ eation d’un syst` eme hyperm´ edia adaptatif. Ces trois couches

sont : le mod` ele de domaine, le mod` ele utilisateur et le mod` ele d’adaptation. Nous avons

adapt´ e ces trois mod` eles ` a notre architecture.

Nous proposons une architecture d’un syst` eme de recommandation form´ e de deux par-

ties : une partie statique repr´ esentant ` a la fois les connaissances sur les contenus d’ap-

prentissage et le contexte de l’apprenant; et une partie comportementale contenant les

r` egles et les m´ etaheuristiques, qui visent ` a combiner des modules d’apprentissage. Notre

syst` eme prend en compte le contexte spatio-temporel de l’apprenant, l’´ evolution du profil

de l’apprenant et l’adaptation dynamique des modules durant le processus d’apprentis-

sage dans un environnement mobile.

vii


Mlearning

ABSTRACT

Due to the rapid growth of information and communications technology, learning methods

are evolving. E-learning (or electronic learning) was considered as the first application of

adaptive hypermedia systems. Recommender systems are based on adaptive hyperme-

dia systems developed during the end of the 90’s.

Now, the great challenge of e-learning companies is to bridge the gap between the static

e-learning and the mobile learning (or m-learning). M-learning features are numerous but

can be focused on these three mains : flexibility, accessibility and informality. Flexibility is

the ability of the system to access freely to learning courses without constraints in time

and space. Accessibility is the ability of the system to find any piece of information about

learning courses independently from the initial organization of this learning. Informality

is the ability of the system to develop a process of learning beyond the original path of

learning defined by the teacher.

Our research focuses on the development of a new architecture for a m-learning recom-

mandation system. We propose an approach incorporating contextual and adaptive stra-

tegies and respecting flexibility, accessibility and informality characteristics of m-learning.

The proposed systeme is an extension of works on content based recommender sys-

tems.

In the e-learning domain, most of the existing proposals are based on a set of layers

which are closed to adaptive hypermedia architectures. A consensus of proposals des-

cribed a basic set of three layers made of a domain model, a user model and an adaptive

model. We adapted these three layers to our architecture.

We propose a new architecture as an extension of content based recommender sys-

tem, made of a static part representing both teachers knowledge and learners profile and

context, and a behavioral part containing rules and metaheuristics, which aims at combi-

ning learning modules. Our system takes into account learners spatio-temporal context,

the evolution of learner’s profile and the dynamic adaptation of modules during the lear-

ning process in a mobile environment.

ix


Mlearning

SOMMAIRE

I

Introduction

1

Introduction

3

Contexte

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

Approche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5

Structure du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6

´Etat de l’art

II

9

1

Mobile Learning

13

Introduction ` a l’apprentissage en situation de mobilit´ e . . . . . . . . . . . . 13

1.1

1.1.1

Du d-learning au m-learning . . . . . . . . . . . . . . . . . . . . . . . 14

1.1.2

Le m-learning dans les entreprises . . . . . . . . . . . . . . . . . . . 18

D´ efinition du m-learning . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.1.3

Caract´ eristiques du m-learning . . . . . . . . . . . . . . . . . . . . . 23

1.1.4

1.2

Plateformes m-learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

Le m-learning, une activit´ e en contexte . . . . . . . . . . . . . . . . . . . . . 29

1.3

1.4

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

Contexte et sensibilit´ e au contexte

2

31

2.1

Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

D´ efinition du contexte . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.1.1

2.1.2

Dimensions du contexte . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.1.2.1

Dimension spatiale

. . . . . . . . . . . . . . . . . . . . . . 36

2.1.2.2

Dimension temporelle . . . . . . . . . . . . . . . . . . . . . 36

2.1.2.3

Dimension utilisateur . . . . . . . . . . . . . . . . . . . . . 37

2.1.2.4

Dimension dispositif . . . . . . . . . . . . . . . . . . . . . . 38

xi


Mlearning

SOMMAIRE

2.1.3

Acquisition des informations de contexte . . . . . . . . . . . . . . . . 38

Mod´ elisation du contexte . . . . . . . . . . . . . . . . . . . . . . . . 39

2.1.4

Syst` emes sensibles au contexte . . . . . . . . . . . . . . . . . . . . . . . . 43

2.2

D´ efinition de la sensibilit´ e au contexte . . . . . . . . . . . . . . . . . 43

2.2.1

Architecture g´ en´ erale d’un syst` eme sensible au contexte

2.2.2

. . . . . . 44

Exemples d’architectures de syst` emes sensibles au contexte . . . . 46

2.2.3

2.3

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

Syst` emes de recommandation

3

57

Introduction aux syst` emes de recommandations . . . . . . . . . . . . . . . 58

3.1

3.2

Approches de recommandation . . . . . . . . . . . . . . . . . . . . . . . . . 60

Recommandations bas´ ees sur le contenu . . . . . . . . . . . . . . . 60

3.2.1

3.2.2

Recommandations par filtrage collaboratif . . . . . . . . . . . . . . . 65

Avantages et inconv´ enients des approches de recommandation

3.2.3

. . 67

3.2.4

Approches hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

Syst` emes de recommandation sensibles au contexte

3.2.5

. . . . . . . . 70

3.3

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Approche s´ emantique et combinatoire pour un syst` eme de recom-

III

mandation sensible au contexte

73

Autour des objets p´ edagogiques

4

77

Objet p´ edagogique, d´ efinition et caract´ eristiques . . . . . . . . . . . . . . . 78

4.1

D´ efinition d’un objet p´ edagogique

4.1.1

. . . . . . . . . . . . . . . . . . . 78

Caract´ eristiques d’un objet p´ edagogique

4.1.2

. . . . . . . . . . . . . . . 79

Cycle de vie d’un objet p´ edagogique . . . . . . . . . . . . . . . . . . . . . . 80

4.2

Normes pour la description d’un objet p´ edagogique

4.3

. . . . . . . . . . . . . 83

4.3.1

Dublin Core . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

4.3.2

LOM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

4.3.3

IMS-LD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.3.4

SCORM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

4.3.5

TIN CAN

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

xii


Mlearning

SOMMAIRE

4.3.6

LRMI

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

Que choisir pour notre mod` ele? . . . . . . . . . . . . . . . . . . . . 93

4.3.7

4.4

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

Architecture du syst` eme

5

97

Pr´ esentation g´ en´ erale de l’architecture . . . . . . . . . . . . . . . . . . . . . 98

5.1

Serveur s´ emantique de connaissances

5.2

. . . . . . . . . . . . . . . . . . . . 100

Le Web s´ emantique . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

5.2.1

Mod´ elisation par les ontologies . . . . . . . . . . . . . . . . . . . . . 104

5.2.2

Mod` ele des LO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

5.2.3

Mod` ele de contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

5.2.4

Mod` ele de contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . 120

5.2.5

Mod` ele d’adaptation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

5.3

5.4

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

Probl` eme d’optimisation

6

127

D´ efinition du probl` eme d’optimisation combinatoire . . . . . . . . . . . . . . 128

6.1

6.1.1

Formalisation des LO . . . . . . . . . . . . . . . . . . . . . . . . . . 129

Pond´ eration des LO . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

6.1.2

6.1.3

Graphe des LO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

6.1.4

Pertinence d’une solution . . . . . . . . . . . . . . . . . . . . . . . . 135

Les m´ etaheuristiques

6.2

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

Introduction aux m´ etaheuristiques . . . . . . . . . . . . . . . . . . . 137

6.2.1

M´ ethodes m´ etaheuristiques approch´ ees . . . . . . . . . . . . . . . . 138

6.2.2

M´ ethodes constructives . . . . . . . . . . . . . . . . . . . . . . . . . 139

6.2.3

M´ ethodes de recherche locale / ` a solution unique

6.2.4

. . . . . . . . . . 140

6.2.4.1

Le Hill-Climbing . . . . . . . . . . . . . . . . . . . . . . . . 141

Le recuit simul´ e . . . . . . . . . . . . . . . . . . . . . . . . 142

6.2.4.2

La m´ ethode tabou . . . . . . . . . . . . . . . . . . . . . . . 145

6.2.4.3

La recherche ` a voisinage variable . . . . . . . . . . . . . . 146

6.2.4.4

M´ ethodes ´ evolutives / ` a population de solution . . . . . . . . . . . . 147

6.2.5

Les algorithmes g´ en´ etiques

6.2.5.1

. . . . . . . . . . . . . . . . . 149

xiii


Mlearning

SOMMAIRE

Les algorithmes ` a estimation de distribution . . . . . . . . . 151

6.2.5.2

6.2.5.3

Les algorithmes de colonies de fourmis . . . . . . . . . . . 152

Impl´ ementation des m´ etaheuristiques . . . . . . . . . . . . . . . . . . . . . 154

6.3

6.3.1

Construction d’une solution initiale par un algorithme de type glouton154

Am´ elioration de recherche locale par un algorithme Hill-Climbing . . 156

6.3.2

Am´ elioration de recherche locale par un algorithme de recuit simul´ e 157

6.3.3

Am´ elioration de recherche locale par un algorithme tabou . . . . . . 158

6.3.4

Am´ elioration de recherche locale par un algorithme VNS

6.3.5

. . . . . . 160

R´ esultats exp´ erimentaux

6.4

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

Jeux de donn´ ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

6.4.1

Param´ etrage des algorithmes et r´ esultats . . . . . . . . . . . . . . . 164

6.4.2

6.5

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

IV

Conclusion et travaux futurs

169

Conclusion et travaux futurs

171

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

Travaux futurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

V

Annexes

175

A Les hyperm´ edia adaptatifs

177

A.1 Les hyperm´ edia classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

A.2 Les hyperm´ edia adaptatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180

A.2.1 M´ ethode et techniques d’adaptation . . . . . . . . . . . . . . . . . . 180

A.2.2 Architecture des hyperm´ edia adaptatifs . . . . . . . . . . . . . . . . 183

A.3 Avantages et inconv´ enients . . . . . . . . . . . . . . . . . . . . . . . . . . . 190

B La logique de description

191

B.1 Les langages formels et le Web s´ emantique . . . . . . . . . . . . . . . . . . 191

B.1.1 Les bases de connaissances . . . . . . . . . . . . . . . . . . . . . . 192

B.1.2 Les familles de logiques de description

. . . . . . . . . . . . . . . . 193

xiv


Mlearning

SOMMAIRE

B.1.3 Le langage ontologique OWL . . . . . . . . . . . . . . . . . . . . . . 197

B.2 Les raisonneurs

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200

B.2.1 Inf´ erence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201

B.2.2 Approches de raisonnement

. . . . . . . . . . . . . . . . . . . . . . 202

B.2.3 Les raisonneurs pour OWL . . . . . . . . . . . . . . . . . . . . . . . 204

B.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205

´Etude comparative des triplestores

C

207

´Evolution des mod` eles de donn´ ees . . . . . . . . . . . . . . . . . . . . . . . 208

C.1

C.1.1 Le mod` ele hi´ erarchique . . . . . . . . . . . . . . . . . . . . . . . . . 208

C.1.2 Le mod` ele r´ eseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208

C.1.3 Le mod` ele relationnel . . . . . . . . . . . . . . . . . . . . . . . . . . 209

C.1.4 Le mod` ele objet

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209

C.1.5 Le mod` ele s´ emantique

. . . . . . . . . . . . . . . . . . . . . . . . . 210

C.2 Les solutions triplestores

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 213

C.2.1 Syntaxes RDF support´ es . . . . . . . . . . . . . . . . . . . . . . . . 213

C.2.2 Langages d’interrogation

. . . . . . . . . . . . . . . . . . . . . . . . 215

C.2.3 Inf´ erence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216

C.2.4 Langages support´ es pour les clients . . . . . . . . . . . . . . . . . . 217

C.2.5 Licences

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217

C.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218

Rapports techniques

219

Publications

221

Bibliographie

236

xv


Mlearning

I

INTRODUCTION

1


Mlearning

INTRODUCTION

L’apprentissage constitue aujourd’hui une pr´ eoccupation majeure. Propuls´ ees par les

technologies en constante ´ evolution, les th´ eories et les m´ ethodes p´ edagogiques se

succ` edent dans l’objectif d’´ elaborer et de mettre en place des outils susceptibles de

rendre plus efficaces et pertinents les processus d’apprentissage.

La source de l’apprentissage ` a distance est apparu il y a plus de deux cent ans avec l’in-

vention de la poste moderne au Royaume-Uni et par cons´ equent l’apparition des cours

par correspondance destin´ es aux apprenants qui ´ etaient dans l’impossibilit´ e de s’inscrire

dans des ´ etablissements d’enseignement (cause de la distance, maladie, etc.). Sa prin-

cipale caract´ eristique est la s´ eparation entre l’enseignant et l’apprenant. L’apprentissage

commence alors ` a sortir des salles de cours et ` a entrer dans des environnements moins

classiques. Au gr´ e de l’apport des technologies de l’information et de la communication,

l’apprentissage ` a distance se d´ ecline en de multiples fac ¸ons d’apprentissage : serious

game (application dont l’objectif est de combiner l’aspect s´ erieux de l’apprentissage avec

des ressorts ludiques issus des jeux vid´ eo), apprentissage ´ electronique, apprentissage

mobile ou encore blended learning (combinaison de l’apprentissage ´ electronique ` a un

apprentissage classique pr´ esentiel), sont aujourd’hui de nouvelles m´ ethodes de l’appren-

tissage en plein essor.

L’´ evolution dans la formation ` a distance peut ˆ etre caract´ eris´ ee comme un passage de

l’apprentissage classique pr´ esentiel, ` a l’apprentissage ´ electronique puis aujourd’hui ` a

l’apprentissage mobile. Ces trois stades de d´ eveloppement correspondent ` a l’influence

de la r´ evolution industrielle dans les pays en d´ eveloppement, sur la soci´ et´ e du 18 ` eme au

19 ` eme si` ecle, la r´ evolution ´ electronique des ann´ ees 1980 et la r´ evolution des technolo-

gies mobiles et sans fil des derni` eres ann´ ees du 20 ` eme si` ecle (les t´ el´ ephones portables,

les baladeurs num´ eriques, les ordinateurs portables, les assistants personnels, les Net

Books et maintenant les tablettes et les Smartphones).

Personnel, portable, collaboratif, interactif, adapt´ e au contexte, l’apprentissage mobile a

des qualit´ es sp´ ecifiques qui le distinguent de l’apprentissage ` a distance classique. Il pri-

vil´ egie l’apprentissage juste ` a temps et une transmission des connaissances qui peut

ˆ etre effectu´ ee en tout lieu et ` a tout moment. L’apprentissage mobile peut ˆ etre ainsi d´ efini

comme une activit´ e dont le but est de localiser et de d´ elivrer des contenus p´ edagogiques

` a cet apprenant en fonction de son besoin en informations et du contexte dans le-

quel il se situe. Jusqu’` a pr´ esent l’environnement d’apprentissage ´ etait soit d´ efini par

un cadre p´ edagogique (exemple, l’´ ecole, le formateur, etc.) soit impos´ e par le contenu

3


Mlearning

p´ edagogique (l’apprenant devait alors organiser son environnement pour recevoir la for-

mation). Dans notre travail, nous cherchons ` a l’inverse ` a adapter le cadre p´ edagogique

et le contenu p´ edagogique au contexte dynamique de l’apprenant.

Afin d’atteindre cet objectif, il est n´ ecessaire d’adapter les syst` emes d’apprentis-

sage ´ electronique actuels avec de nouvelles technologies pour la repr´ esentation, la

mod´ elisation, l’indexation des contenus p´ edagogiques dans un contexte de mobilit´ e.

CONTEXTE

Le travail de recherche ´ elabor´ e dans le cadre de cette th` ese s’inscrit dans un projet de

collaboration entre la soci´ et´ e CrossKnowledge1et l’´ equipe Checksem2(Semantic Intel-

ligence Research) du laboratoire LE2I3(Laboratoire Electronique, Informatique et Image

– Universit´ e de Bourgogne).

CrossKnowledge est le leader europ´ een des solutions d’apprentissage ´ electronique et du

d´ eveloppement des comp´ etences manag´ eriales sur internet. Fond´ ee en 2000, CrossK-

nowledge est une entreprise internationale de plus de 200 salari´ es, pr´ esente dans de

nombreux pays d’Europe, d’Asie et d’Am´ erique. CrossKnowledge conc ¸oit, d´ eveloppe et

commercialise le catalogue le plus complet du march´ e avec plus de 17 mille forma-

tions multilingues en apprentissage ´ electronique abordant l’ensemble des th´ ematiques

de leadership, de management et d’accompagnement du changement. Ces contenus

sont conc ¸us en partenariat avec des professeurs et des experts d’HEC, ESSEC, HAR-

VARD, INSEAD, etc. CrossKnowledge compte plus de 3 million d’apprenants au sein de

grandes entreprises internationales de tous secteurs.

La recherche dans l’´ equipe Checksem est bas´ ee sur plusieurs ´ el´ ements fondateurs. Les

travaux concernent premi` erement l’ing´ enierie d’ontologies, ` a savoir la mod´ elisation, le

peuplement, la persistance et l’´ evolution des ontologies. Les travaux au sein de Check-

sem concernent aussi l’ing´ enierie de r` egles (r` egles logiques, m´ etaheuristiques). Le der-

nier aspect des recherches au sein de l’´ equipe vise la qualification formelle des connais-

sances s´ emantiques ainsi que la gestion des profils et contextes utilisateurs lors de l’ex-

ploitation des ontologies, tout au long du cycle de vie du syst` eme d’information. Cet

ensemble de comp´ etences forme un axe de recherche coh´ erent sur le th` eme de la

mod´ elisation s´ emantique et de son exploitation contextuelle par des syst` emes intelli-

gents.

Ce projet de collaboration a pour objectif la proposition d’une nouvelle architecture pour la

conception d’une plateforme d’apprentissage mobile. Cette plateforme doit permettre par

le d´ eveloppement d’un syst` eme de recommandation s´ emantique orient´ e m´ etier appliqu´ e

au contexte de l’apprentissage mobile, la personnalisation de l’exp´ erience p´ edagogique

1. http ://www.crossknowledge.com/fr FR/elearning/home.html

2. http ://checksem.u-bourgogne.fr/www/

3. http ://le2i.cnrs.fr/

4


Mlearning

selon les besoins des apprenants (connaissances et comp´ etences ` a acqu´ erir) et les si-

tuations d’apprentissage (contexte de mobilit´ e : informel, en entreprise, etc.).

L’enjeu derri` ere cet effort d’innovation est d’augmenter l’efficacit´ e de l’apprentissage, que

ce soit du point de vue des apprenants, des formateurs ou des organisations financ ¸ant la

formation.

APPROCHE

Pour atteindre les objectifs fix´ es par l’entreprise, nous avons souhait´ e ´ etudier dans un pre-

mier temps les syst` emes sensibles au contexte. La sensibilit´ e au contexte est un concept

indispensable dans la conception de syst` emes d’apprentissage mobile. L’´ etude des ar-

chitectures de ces syst` emes nous a permis de d´ egager les principaux concepts pour la

conception d’un syst` eme contextuel. Ces architectures constituent un cadre g´ en´ eral pour

la conception, l’acquisition d’informations contextuelles et l’adaptation des contenus aux

utilisateurs. L’objectif est de rendre le syst` eme capable de r´ eagir de fac ¸on pertinente aux

changements de l’environnement dans lequel se situe l’apprenant.

Nous avons ´ etudi´ e dans un second temps les syst` emes hyperm´ edia adaptatifs pour com-

prendre comment fonctionnent les m´ ecanismes d’adaptation d’un ensemble de donn´ ees.

L’hyperm´ edia adaptatif concerne le d´ eveloppement de syst` eme Web o` u le contenu et la

navigation sont dynamiquement adapt´ es en fonction d’un profil utilisateur. Nous avons pu

identifier que l’architecture d’un syst` eme hyperm´ edia adaptatif est construite par un em-

pilement de couches. Une architecture minimale form´ ee de trois couches peut servir de

base ` a tous types de syst` emes hyperm´ edia adaptatifs. Cette architecture est form´ ee d’un

mod` ele de domaine, un mod` ele utilisateur et un mod` ele d’adaptation. Le premier mod` ele

contient l’ensemble des donn´ ees du syst` eme, le second d´ ecrit le profil de l’utilisateur et

le dernier contient les r` egles d’adaptation.

Notre recherche nous a permis d’identifier un sous-ensemble des syst` emes hyperm´ edia

adaptatifs qui sont les syst` emes de recommandations. Nous avons pr´ esent´ e une

´ etude approfondie de ces syst` emes qui nous a permis d’identifier les principales ca-

ract´ eristiques de ces syst` emes et de proposer une classification des principales ap-

proches. Ces approches proposent des m´ ecanismes pour recommander un item4` a un

utilisateur soit en se basant sur une analyse du contenu des offres ` a recommander, soit

en se basant sur une analyse des avis des utilisateurs. Bien que nous ayons pu identifier

certains m´ ecanismes utiles pour notre probl` eme, tels que ceux utilisant des ontologies

pour d´ efinir la s´ emantique des contenus, aucun projet de recherche identifi´ e ne permet

ni de proposer des combinaisons d’items, ni de proposer des m´ ecanismes de recom-

mandation bas´ es sur le savoir-faire des experts m´ etiers. Le travail de recherche pr´ esent´ e

4. Item est le terme usuel dans le domaine des syst` emes de recommandation pour parler d’un ´ el´ ement

` a recommander

5


Mlearning

dans ce m´ emoire a pour principal objectif de d´ evelopper une architecture g´ en´ erique qui

permet la construction d’un syst` eme de recommandation qui r´ epond aux limites de ces

syst` emes.

Nous avons aussi ´ etudi´ e les standards et normes actuelles de mod´ elisation des contenus

d’apprentissage. Un probl` eme d’efficacit´ e se pose aujourd’hui avec le d´ eveloppement

des contenus p´ edagogiques ces derni` eres ann´ ees, qui a conduit ` a un important volume

d’informations h´ et´ erog` enes et difficilement r´ eutilisables. Les efforts de standardisation qui

ont vu le jour suite ` a ce probl` eme, doivent n´ ecessairement ˆ etre pris en compte dans les

nouveaux projets du domaine afin d’assurer l’interop´ erabilit´ e, le partage et la r´ eutilisation

des contenus.

A l’intersection de ces diff´ erents domaines de recherche, ce travail pr´ esente une archi-

tecture pour la construction d’un syst` eme de recommandation sensible au contexte d´ edi´ e

au domaine de l’apprentissage mobile.

Pour r´ epondre au probl` eme de combinaison de contenus p´ edagogiques adapt´ es au

contexte, nous avons ´ etudi´ e le domaine de recherche de l’optimisation combinatoire. Ce

domaine n´ ecessite de d´ efinir pr´ ecis´ ement le probl` eme d’optimisation qui doit ˆ etre ´ etudi´ e.

Nous avons d´ efini le probl` eme d’optimisation d’offres d’apprentissage, puis nous avons

´ etudi´ e les diff´ erentes m´ etaheuristiques qui pouvaient r´ esoudre ce probl` eme.

Pour r´ epondre aussi au probl` eme de la mod´ elisation du savoir-faire des experts m´ etiers

et au verrou de l’h´ et´ erog´ en´ eit´ e des contenus, nous avons ´ etudi´ e le domaine du Web

s´ emantique. L’ontologie est un concept central du Web s´ emantique. Une des d´ efinitions

de l’ontologie qui fait autorit´ e dans le domaine est celle de (Gruber, 1993) : une ontologie

est une sp´ ecification explicite d’une conceptualisation. Le caract` ere formel d’une ontolo-

gie implique que celle-ci doit ˆ etre exploitable par des machines tandis que le caract` ere

partag´ e de sa conceptualisation indique que les cr´ eateurs de l’ontologie doivent avoir

une mˆ eme vision du domaine repr´ esent´ e. Une ontologie est ainsi vue comme une struc-

ture de donn´ ees compos´ ee de concepts, de relations entre ces derni` eres et repr´ esentant

les connaissances d’un domaine. Pour r´ esumer, l’utilisation d’une ontologie dans notre

syst` eme permet de standardiser le vocabulaire, d’uniformiser le langage d’´ echange entre

les diff´ erentes plateformes d’apprentissage et de structurer la connaissance pour simpli-

fier l’analyse des contenus p´ edagogiques. Nous avons ainsi ´ etendu les propositions des

syst` emes de recommandations utilisant des ontologies en ajoutant des m´ ecanismes de

pond´ eration et des r` egles logiques pour r´ epondre aux besoins de l’entreprise en mati` ere

de mod´ elisation de son savoir-faire m´ etier.

STRUCTURE DU DOCUMENT

Ce rapport de th` ese est articul´ e en 6 chapitres :

– Le chapitre 1 est un ´ etat de l’art de l’apprentissage mobile. Nous pr´ esentons

6


Mlearning

dans ce chapitre l’historique de d´ eveloppement, les classifications et les ca-

ract´ eristiques de l’apprentissage. Nous pr´ esentons et comparons aussi des architec-

tures repr´ esentatives de l’apprentissage mobile dans lesquelles nous avons cherch´ e

des inspirations. Finalement nous d´ ecrivons l’apprentissage mobile comme une acti-

vit´ e en contexte.

– Dans le chapitre 2 nous pr´ esentons un ´ etat de l’art du contexte et de la sensibilit´ e au

contexte. Dans la premi` ere partie du chapitre nous pr´ esentons les diff´ erentes visions

de la notion du contexte en essayant d’en faire ressortir les caract´ eristiques que nous

regrouperons en dimensions. La combinaison de ces dimensions permet de construire

des contextes sp´ ecifiques pour des besoins clairement identifi´ es. Dans la deuxi` eme

partie du chapitre nous ´ etudions l’architecture des syst` emes sensibles au contexte en

essayant d’en extraire les principales fonctionnalit´ es requises pour prendre en charge

ce contexte en apprentissage mobile.

– Le chapitre 3 est un ´ etat de l’art de diff´ erentes m´ ethodes et techniques de recomman-

dations utilis´ ees pour la r´ esolution de notre projet de recherche. La premi` ere partie

de ce chapitre pr´ esente bri` evement le domaine des syst` emes hyperm´ edia adaptatifs

(un ´ etat de l’art plus complet sur les syst` emes hyperm´ edia adaptatifs est propos´ e dans

l’annexe A). Cette partie met en ´ evidence une architecture suffisante pour la r´ ealisation

de syst` emes adaptatifs avec une description des couches principales. Le but des

syst` emes hyperm´ edia adaptatifs est de r´ esoudre le probl` eme de surcharge cogni-

tive (ou surcharge d’informations) et le probl` eme de perte dans l’hyperespace. Nous

d´ ecrivons ces deux probl` emes dans le chapitre. Un sous-domaine des hyperm´ edia

adaptatifs, charg´ e de r´ esoudre uniquement le premier probl` eme, est appel´ e syst` emes

de recommandation. Dans ces syst` emes, pr´ esent´ es dans la seconde partie de ce cha-

pitre, il existe deux principales m´ ethodes de recommandations : la m´ ethode bas´ ee

sur le contenu et la m´ ethode par filtrage collaboratif. Nous identifions qu’aucune de

ces deux m´ ethodes ne r´ epond ` a notre besoin de combiner plusieurs items selon des

crit` eres s´ emantiques et contextuels pour en faire une recommandation ` a l’utilisateur

final.

– Dans le chapitre 4 nous introduisons la notions d’objets p´ edagogiques. Les res-

sources p´ edagogiques sont consid´ er´ ees comme la pierre angulaire de l’appentissage

´ electronique. La qualit´ e des ressources p´ edagogiques d´ etermine la qualit´ e de la for-

mation. L’assurance qualit´ e se d´ efinit comme le r´ esultat des dispositions prises par

les organismes de normalisation qui visent ` a ´ etablir des r` egles qui faciliteront le par-

tage et la r´ eutilisation des objets p´ edagogiques. Nous d´ etaillerons dans ce chapitre le

point de vue adopt´ e par les diff´ erents organismes de normalisation et les faiblesses

de certaines approches. Cette ´ etude nous permet de nous positionner par rapport

aux diff´ erentes normes propos´ es et de choisir celle qui est la plus adapt´ ee pour notre

syst` eme.

– Le chapitre 5 d´ efinit formellement un nouveau type de syst` eme de recommandation

proposant des combinaisons d’objets p´ edagogiques et permettant la prise en compte,

7


Mlearning

sous la forme de r` egles m´ etiers du savoir-faire des fournisseurs des contenus. Cette

proposition est une extension des syst` emes de recommandation bas´ es sur le contenu

utilisant une ontologie associ´ ee ` a des m´ ecanismes de pond´ eration et d’indexation.

L’architecture utilis´ ee est issue des syst` emes hyperm´ edia adaptatifs et est compos´ ee

de trois couches : le mod` ele des objets p´ edagogiques (qui correspond au mod` ele de

domaine dans l’architecture hyperm´ edia), le mod` ele de contexte (qui correspond au

mod` ele utilisateur) et le mod` ele d’adaptation. Les deux premiers mod` eles forment un

serveur s´ emantique des connaissances. Pour proposer des recommandations sous

forme de combinaisons d’objets p´ edagogiques, le mod` ele d’adaptation est d´ ecrit de

mani` ere ` a pouvoir utiliser des algorithmes d’optimisation combinatoire adapt´ es au do-

maine d’application.

– Le chapitre 6 a pour objectif de d´ efinir le probl` eme d’optimisation combinatoire en

apprentissage mobile et de proposer des pistes pour la r´ esolution de ce probl` eme.

Ce chapitre d´ efinit formellement le probl` eme de combinaison d’objets p´ edagogiques

et pr´ esente les concepts n´ ecessaires ` a la r´ esolution des probl` emes d’optimisation.

Comme notre probl` eme n’est pas r´ esolvable par des heuristiques classiques en un

temps raisonnable, la deuxi` eme partie du chapitre pr´ esente les m´ etaheuristiques les

plus connues pour r´ esoudre des probl` emes d’optimisation combinatoire classiques. Fi-

nalement, la derni` ere partie du chapitre est d´ edi´ e ` a la description et l’impl´ ementation

des algorithmes m´ etaheuristiques utilis´ es pour r´ esoudre notre probl` eme. Quatre al-

gorithmes sont test´ es pour la g´ en´ eration de combinaisons : un algorithme de type

Hill-Climbing, un algorithme bas´ e sur le recuit simul´ e, un algorithme tabou et un algo-

rithme de recherche ` a voisinage variable. Des benchmarks de comparaison des perfor-

mances de ces algorithmes sont pr´ esent´ es. Il en ressort que l’algorithme de recherche

` a voisinage variable est sup´ erieur en terme de qualit´ e.

– Trois annexes et une bibliographie viennent compl´ eter ce rapport de th` ese. L’annexe A

pr´ esente un ´ etat de l’art sur les syst` emes hyperm´ edia adaptatifs, l’annexe B porte sur

la logique de description et l’annexe C propose une ´ etude comparative entre diff´ erents

triplestores.

8


Mlearning

II

´ETAT DE L’ART

9


Mlearning

Les dispositifs mobiles offrent aujourd’hui des possibilit´ es de formation que nous ne pou-

vons pas avoir couramment avec d’autres outils d’apprentissage. Ils permettent notam-

ment d’acc´ eder ` a des contenus n’importe o` u et en tout temps, et de vivre de nouvelles

situations d’apprentissage dans diff´ erents lieux (Droui et al., 2014).

Cette variabilit´ e du contexte en apprentissage mobile n´ ecessite d’une part, de lever

des verrous sur la mod´ elisation du contexte, mais aussi de trouver des solutions pour

pr´ eserver les objectifs p´ edagogiques du processus d’apprentissage, malgr´ e les varia-

tions du contexte de l’apprenant. Pour r´ epondre ` a ces objectifs, de nombreux travaux de

recherche ont ´ et´ e men´ es ses 15 derni` eres ann´ ees.

Tout d’abord, dans le domaine de l’apprentissage mobile, o` u l’obtention d’un consen-

sus pour une d´ efinition pr´ ecise de l’apprentissage mobile reste difficile. Ensuite, plus

sp´ ecifiquement dans le domaine de la mod´ elisation contextuelle, qui n’est pas propre ` a

l’apprentissage mobile. La d´ efinition d’un contexte est une tˆ ache difficile, compos´ ee de

nombreux param` etres. L’identification de ses param` etres et leur mod´ elisation dans un

tout coh´ erent ` a destination de l’apprentissage mobile demande un grand travail de clas-

sification. Enfin, dans le domaine des syst` emes hyperm´ edia adaptatifs, qui propose des

architectures de recommandation dont le but est de limiter la surcharge cognitive de l’uti-

lisateur par une s´ election appropri´ ee d’un item ou d’une combinaison d’items.

Notre ´ etat de l’art est ainsi compos´ e de trois grands chapitres d´ edi´ es ` a chacun des do-

maines pr´ ecis´ es.

Le premier chapitre est un ´ etat de l’art de l’apprentissage mobile.

Ce chapitre pr´ esente une br` eve description de l’´ evolution de l’apprentissage mobile

ainsi que les nombreuses d´ efinitions associ´ ees. L’apprentissage mobile caract´ erise tout

type d’apprentissage qui se produit lorsque l’apprenant n’est pas ` a un endroit fixe,

pr´ ed´ etermin´ e, et lorsque ce dernier utilise des technologies de l’information et de la com-

munication mobiles pour se former (O’Malley et al., 2005).

Certaines approches consid` erent que l’apprentissage mobile est simplement une exten-

sion de l’apprentissage ´ electronique. Toutefois, nous verrons que les besoins et les at-

tentes des apprenants dans une situation de mobilit´ e diff` erent de ceux des apprenants

dans un contexte d’enseignement ´ electronique.

Afin de mieux adapter l’apprentissage aux besoins des apprenants en mobilit´ e, ce cha-

pitre pr´ esentera une ´ etude des caract´ eristiques des environnements mobiles et du com-

portement des syst` emes d’apprentissage dans ces environnements. La mobilit´ e est tra-

duite par les notions de contexte d’apprentissage et de sensibilit´ e au contexte.

Le second chapitre se concentre naturellement sur la notion de contexte et la notion de

sensibilit´ e au contexte.

Nous avons en tant qu’humains une compr´ ehension intuitive du contexte. Nous

r´ eagissons diff´ eremment en fonction d’´ el´ ements tels que l’heure, la localisation, la m´ et´ eo,

le niveau de bruit, etc. Ainsi, en fonction des informations rec ¸ues nous adaptons notre

comportement aux conditions externes. Il en est de mˆ eme pour les nouveaux syst` emes

11


Mlearning

informatiques.

Dans les deux derni` eres d´ ecennies, l’´ evolution de l’informatique mobile, a donn´ e lieu

` a de nombreux travaux sur la notion de contexte. En apprentissage mobile le but est

d’am´ eliorer l’efficacit´ e de l’exp´ erience d’apprentissage, en recommandant les contenus

appropri´ es au contexte actuel de l’apprenant et aux changements de l’environnement.

Vu la complexit´ e du contexte et les diff´ erentes informations contextuelles qui pourraient

influencer les syst` emes mobiles, il est n´ ecessaire de classifier les diff´ erents types de

contexte et les fac ¸ons de r´ eagir au contexte. La sensibilit´ e au contexte est un concept

indispensable dans la conception d’un syst` eme d’apprentissage mobile. L’objectif est de

rendre le syst` eme capable de r´ eagir de fac ¸on pertinente aux changements de l’environ-

nement de l’apprenant. On en arrive ainsi ` a l’adaptation ou encore la recommandation de

contenus d’apprentissage dans un contexte mobile.

Le troisi` eme chapitre de l’´ etat de l’art est une ´ etude des syst` emes hyperm´ edia adaptatifs,

dont l’utilisation est r´ epandue dans le domaine de l’apprentissage ´ electronique.

De nombreuses architectures sont propos´ ees pour construire de tels syst` emes. Elles

sont toutes construites ` a partir d’une architecture pivot, n´ ecessaire et suffisante pour la

r´ ealisation d’un syst` eme adaptatif (Picot-Cl´ emente, 2011); cette architecture est articul´ ee

en trois couches : une couche qui repr´ esente (1) l’utilisateur et le contexte, (2) une couche

qui repr´ esente le domaine et (3) une couche qui repr´ esente les m´ ecanismes d’adapta-

tion.

Le but des syst` emes hyperm´ edia adaptatifs est de r´ esoudre deux probl` emes : le

probl` eme de perte dans l’hyperespace (perte de rep` eres au sein de la structure du r´ eseau

hypertexte) et le probl` eme de surcharge cognitive (surcharge par l’abondance d’informa-

tions et par l’exc` es de tˆ aches ` a r´ ealiser). Dans un environnement d’apprentissage mobile,

l’objectif est de proposer ` a l’apprenant des contenus adapt´ es, sans que ce dernier se

perde dans la multitude de propositions.

Une sous-classe des syst` emes hyperm´ edia adaptatifs charg´ es de r´ esoudre le probl` eme

de surcharge cognitive est appel´ ee syst` emes de recommandation. La seconde partie

de ce chapitre pr´ esente les diff´ erentes cat´ egories de syst` emes de recommandation et

surtout leurs limites par rapport aux objectifs de recommandation d’un syst` eme d’ap-

prentissage en mobilit´ e.

12


Mlearning

1

MOBILE LEARNING

L’objectif des travaux en mobile learning est de construire un environnement d’apprentis-

sage o` u les activit´ es doivent s’adapter ` a la situation de mobilit´ e de l’apprenant ` a l’aide

des nouvelles technologies num´ eriques.

Ce chapitre pr´ esente un ´ etat de l’art de l’apprentissage en situation de mobilit´ e (appren-

tissage mobile ou mobile learning ou m-learning) articul´ e en trois parties. La premi` ere

partie pr´ esente un bref historique de l’´ evolution de l’apprentissage ´ electronique vers l’ap-

prentissage mobile ainsi qu’une ´ etude des d´ efinitions de l’apprentissage mobile et de

ses caract´ eristiques. La seconde partie est une analyse des diff´ erentes strat´ egies et pla-

teformes d´ evelopp´ ees dans le cadre de l’apprentissage mobile. La troisi` eme partie se

focalise sur l’impact du contexte sur l’apprentissage mobile.

Sommaire

Introduction ` a l’apprentissage en situation de mobilit´ e . . . . . . . .

1.1.1

Du d-learning au m-learning . . . . . . . . . . . . . . . . . . . . .

1.1.2

Le m-learning dans les entreprises . . . . . . . . . . . . . . . . .

1.1.3

D´ efinition du m-learning . . . . . . . . . . . . . . . . . . . . . . .

1.1.4

Caract´ eristiques du m-learning . . . . . . . . . . . . . . . . . . .

Plateformes m-learning

. . . . . . . . . . . . . . . . . . . . . . . . . .

Le m-learning, une activit´ e en contexte . . . . . . . . . . . . . . . . .

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1

13

14

18

21

23

26

29

30

1.2

1.3

1.4

INTRODUCTION ` A L’APPRENTISSAGE EN SITUATION DE MOBI-

LIT´ E

1.1/

Avec le d´ eveloppement du tout connect´ e, l’acc` es ` a la connaissance et sa transmission

se sont d´ emultipli´ es de fac ¸on exponentielle ces 30 derni` eres ann´ ees. Propuls´ ees par les

nouvelles technologies, les th´ eories et les m´ ethodes se succ` edent pour ´ elaborer et mettre

en place des outils susceptibles de rendre plus efficaces et pertinents les processus

13


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

d’apprentissage. N´ eanmoins, efficaces et pertinents signifient aussi en ad´ equation avec

leur ´ epoque et en prise avec les soci´ et´ es qu’ils doivent instruire (Li´ enard, 2010).

Dans la suite, nous pr´ esenterons tout d’abord, un r´ esum´ e de l’´ evolution de la transmis-

sion du savoir dans le domaine de l’apprentissage ` a distance. Ensuite, nous focaliserons

notre ´ etude sur l’usage du e-learning au sein des entreprises. L’apprentissage dans un

environnement professionnel est un enjeu strat´ egique pour l’´ economie des entreprises.

C’est dans cet environnement que de nombreuses ´ etudes et avanc´ ees ont ´ et´ e r´ ealis´ ees

pour proposer des solutions d’apprentissage mobile, chacune des solutions avec ses

propres objectifs et sa propre vision de l’apprentissage mobile. Enfin nous profiterons de

cette h´ et´ erog´ en´ eit´ e pour identifier la principale contrainte qui peut diff´ erencier l’appren-

tissage ´ electronique classique (e-learning) de l’apprentissage en situation de mobilit´ e

(m-learning) : l’impact du contexte de l’apprenant en situation d’apprentissage.

1.1.1/

DU D-LEARNING AU M-LEARNING

Historiquement, l’apprentissage ` a distance, ou d-learning, est apparu apr` es l’apprentis-

sage classique il y a plus de deux cent ans. L’apprentissage ` a distance, est?l’utilisation

de techniques p´ edagogiques, de ressources et de moyens de communication sp´ ecifiques

qui facilitent l’apprentissage, impliquant des apprenants et des formateurs s´ epar´ es dans

le temps et dans l’espace?1. Les premi` eres formations ` a distance ont vu le jour ` a l’Uni-

versit´ e de Londres, au 19 ` eme si` ecle, avec des cours par correspondance destin´ es aux

citoyens britanniques qui ´ etaient dans l’impossibilit´ e de s’inscrire ` a cause de la distance.

Plus pr´ ecis´ ement, l’apprentissage ` a distance par correspondance est n´ e avec la nais-

sance de la poste. Ensuite, avec l’apparition de chaque nouveau m´ edia (e.g. la radio,

le t´ el´ ephone, la t´ el´ evision) qui permettait de faciliter la communication, cette technologie

´ etait utilis´ ee pour enrichir l’apprentissage ` a distance et les approches p´ edagogiques.

Les approches p´ edagogiques permettent de?r´ epondre ` a l’ambivalence math´ etique par

la polyvalence didactique?(Leclercq, 1998). Avec l’´ emergence des Technologies d’Infor-

mation et de Communication (TIC), il est possible de r´ epondre ` a la diversit´ e de styles cog-

nitifs (visuel ou auditif), aux besoins, aux attentes des apprenants en mati` ere d’apprentis-

sage. De plus la vari´ et´ e de ces technologies permet d’entretenir chez les apprenants, la

motivation n´ ecessaire pour s’investir dans leur apprentissage. L’apprenant devient acteur

et peux choisir lui-mˆ eme la m´ ethode, le parcours, le moment.

Avec l’apparition des TIC, l’apprentissage ` a distance a ´ evolu´ e pour devenir un appren-

tissage rapide et efficace, avec un minimum de probl` emes d’organisation et de perte

de temps. Ce mode d’apprentissage est bas´ e sur l’acc` es ` a des formations en ligne, in-

teractives et parfois personnalis´ ees, diffus´ ees par l’interm´ ediaire d’un r´ eseau (Internet

ou Intranet) ou d’un autre m´ edia ´ electronique2. Cet acc` es permet de d´ evelopper les

1. http ://www.unesco.org/new/fr/unesco/themes/icts/lifelong-learning/open-and-distance-learning/

2. http ://eduscol.education.fr/numerique/dossier/archives/eformation/e-formation-e-learning

14


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

comp´ etences des apprenants, tout en rendant le processus d’apprentissage ind´ ependant

du temps et du lieu. Ce nouveau mode d’apprentissage est l’apprentissage ´ electronique,

plus connu sous l’appellation e-learning.

Il existe une grande diversit´ e de d´ efinitions et de mani` ere de nommer l’e-learning (forma-

tion en ligne, site web ´ educatif, t´ el´ e-formation, e-training, etc.). ”Certaines d´ efinitions sont

centr´ ees sur le support technologique, d’autres sur la distance, d’autres insistent sur les

aspects p´ edagogiques”, tandis que d’autres insistent sur les types d’interactions.

La d´ efinition la plus r´ epandue de l’e-learning est celle propos´ ee par la Commission Eu-

rop´ eenne,?c’est l’utilisation des nouvelles technologies multim´ edias et de l’Internet pour

am´ eliorer la qualit´ e de l’apprentissage en facilitant l’acc` es ` a des ressources et des ser-

vices, ainsi que les ´ echanges et la collaboration ` a distance?3. Cette d´ efinition pr´ esente

l’e-learning comme une nouvelle technique d’apprentissage ne consistant simplement

qu’` a mettre sur internet des ressources p´ edagogiques ou des applications d’´ evaluation

de connaissances. Mˆ eme si on peut effectivement classer ce genre d’apprentissage dans

le domaine du e-learning, cette vision est tr` es r´ eductrice et nous renvoie aux syst` emes

d’apprentissage des ann´ ees 60-70, appel´ es aussi syst` emes d’Enseignement Assist´ e par

Ordinateur (EAO) (Blanchard, 2007).

Le guide de l’e-learning4pr´ ef` ere s’appuyer sur la d´ efinition propos´ ee par le LabSET5(La-

boratoire de Soutien ` a l’Enseignement T´ el´ ematique) :?e-learning ou electronic learning :

apprentissage en ligne centr´ e sur le d´ eveloppement de comp´ etences par l’apprenant et

structur´ e par les interactions avec le tuteur et les pairs?.

Avec cette nouvelle d´ efinition de l’e-learning centr´ ee sur l’apprenant, et depuis le d´ ebut

des ann´ ees 80, l’EAO a alors ´ evolu´ e vers ce que l’on nomme fr´ equemment Envi-

ronnements Informatiques pour l’Apprentissage Humain (EIAH). Alors que l’EAO se

pr´ eoccupait plutˆ ot de la transmission de contenus, l’EIAH tente d’orienter l’apprentis-

sage en fonction de l’apprenant (ses pr´ ef´ erences p´ edagogiques, ses connaissances, ses

objectifs, etc.). L’objectif de l’EIAH est d’adapter l’apprentissage en fonction des particu-

larit´ es propres ` a l’apprenant.

Ainsi, en e-learning, on peut distinguer deux types d’applications : d’une part les

syst` emes d’apprentissage ne proposant aucune adaptation, et d’autre part les syst` emes

d’apprentissage adaptatifs cherchant ` a mieux comprendre l’apprenant pour lui fournir

le meilleur contenu correspondant ` a ses besoins. Ces derniers syst` emes sont com-

mun´ ement appel´ es Syst` emes Tutoriels Intelligents (STI).

Les STI sont des syst` emes d’apprentissage informatiques, r´ epandus aujourd’hui sous le

nom de Learning Management Systems (LMS), qui poss` edent (1) des contenus sous

forme de base de connaissances, (2) des strat´ egies d’apprentissage et (3) une connais-

sance sur l’apprenant pour une meilleure adaptation (Murray, 1999). Il s’agit principale-

3. http ://www.awt.be/web/edu/index.aspx?page=edu,fr,gui,080,010

4. http ://www.awt.be/

5. http ://www.labset.ulg.ac.be/portail/

15


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

ment de concevoir des syst` emes d’apprentissage individualis´ es.

Un LMS est une plateforme e-learning d´ evelopp´ ee pour accompagner tout apprenant

dans son processus de formation. Les plateformes LMS sont les outils les plus utilis´ es

pour acc´ eder aux cours tout en permettant une adaptation des contenus p´ edagogiques.

Ils permettenet aussi d’administrer des contenus provenant de diff´ erents fournisseurs

mais ne fournissentt pas des outils pour la cr´ eation de contenus d’apprentissage, qui est

le rˆ ole des LCMS (Learning Content Management System). Une plateforme LCMS est

donc destin´ ee aux experts de la production de formations et intervient en amont de la

diffusion des contenus (cette 2e ´ etape est r´ ealis´ ee via une plateforme LMS).

Plateforme

Ganesha

-

Propri´ et´ e

Claroline

+

Blackboard

+

Moodle

-

Sakai

+

CK LMS

+

Personnalisation

par

les

teurs du menu de

navigation

Personnalisation

par

l’apprenant

de l’interface du

cours

Personnalisation

du

contenu

fonction du profil

de l’apprenant

QCM, QCU

Description,

r´ eponse

mise en corres-

pondance,

` a trous

Forum

Wiki

Groupes d’appre-

nants

Communaut´ e

d’apprentissage

forma-

-

-

-

+

-

+

Adaptation

+/-

-

-

-

-

+/-

en

+

+

+

+

+

-

+

+

+

+

+

+

´Evaluation

courte,

texte

+

+

+

+

+

+

+

-

+

+

+

+

+

+

+

+

+

+

Collaboration

-

-

-

+

+

+

TABLE 1.1 – Tableau comparatif de LMS

Il existe aujourd’hui plusieurs LMS en licence libre, comme par exemple Claroline6et

Blackboard7. Ces plateformes sont personnalisables, adaptables et offrent un environ-

6. http ://www.claroline.net/

7. http ://fr.blackboard.com/sites/international/globalmaster/

16


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

nement de travail flexible et sur mesure. Ganesha8est une plateforme qui permet ` a un

formateur, dans le cadre d’une formation ` a distance ou pour enrichir le pr´ esentiel, de

mettre ` a la disposition d’un ou plusieurs groupes de stagiaires des modules de forma-

tion avec supports de cours, compl´ ements, quiz et tests d’´ evaluation ainsi que des outils

collaboratifs. L’apprenant n’est plus seul face ` a son cours et aux interrogations qu’il peut

se poser, mais fait partie d’un groupe de travail dans lequel il peut communiquer avec

les autres participants ` a l’aide d’un forum ou d’un chat (Dogbe-Semanou et al., 2008).

Moodle9et Sakai10int` egrent la notion de communaut´ e d’apprentissage, c’est ` a dire par-

tager ses connaissances et communiquer avec les formateurs et les apprenants, plutˆ ot

que juste mettre en ligne des contenus p´ edagogiques.

Parmi les LMS en licence payante et vu le contexte de la th` ese, nous citons la plateforme

d’apprentissage de CrossKnowledge, connu sous le non de CrossKnowledge Learning

Suite. La CrossKnowledge Learning Suite prend la forme d’un Learning portal de derni` ere

g´ en´ eration, personnalis´ e, social et mobile. Il permet de regrouper en un seul espace

toutes les activit´ es d’apprentissage auxquelles est inscrit le participant : ses parcours,

ses ressources e-learning, ses ´ echanges avec son tuteur, son groupe ou sa commu-

naut´ e, ses flux RSS, etc. Le Learning Portal de CrossKnowledge est assez flexible et

param´ etrable sans comp´ etence technique particuli` ere. La personnalisation peut se faire

avec de multiples possibilit´ es de mise en page de l’environnement de formation, grˆ ace ` a

une large s´ election de widgets disponibles.

Le tableau 1.1 r´ esume les caract´ eristiques des diff´ erentes plateformes d´ ecrites

pr´ ec´ edemment. Nous remarquons qu’aucune de ces plateformes ne propose d’adap-

tation des contenus suivant le profil de l’apprenant, seuls les param` etres d’affichage

peuvent ˆ etre modifi´ es.

En e-learning, un nouveau ph´ enom` ene a ´ emerg´ e au cours de ces derni` eres ann´ ees, il

s’agit des MOOC (Massive Open Online Course). L’apparition des MOOC aux Etats-Unis

dans les ann´ ees 2010 rel` eve de choix ´ economiques de pure rentabilit´ e. L’objectif affich´ e

´ etait de r´ epondre ` a la crise des universit´ es priv´ ees am´ ericaines, suite ` a la hausse des

frais de scolarit´ e, ` a l’augmentation des emprunts ´ etudiants, au chˆ omage croissant des

jeunes diplˆ om´ es et ` a l’affaiblissement de leur retour sur investissement. En 2011, trois

cours en ligne massifs propos´ es par l’universit´ e de Stanford d´ epassent la barre sym-

bolique des 100 000 ´ etudiants, un an avant que les plateformes Coursera11, Udacity12

ou edX13fassent r´ eellement leur apparition. Depuis, les MOOC connaissent un essor

remarquable, et prennent de plus en plus d’ampleur en mati` ere d’enseignement. Mais

alors que les MOOC se donnaient l’ambition de d´ emocratiser l’enseignement et d’attirer

un nouveau public vers l’universit´ e, il apparaˆ ıt que la plupart des inscrits qui r´ eussissent

8. http ://www.ganesha.fr/

9. https ://moodle.org/

10. https ://sakaiproject.org/

11. https ://fr.coursera.org/

12. https ://www.udacity.com/

13. https ://www.edx.org/

17


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

une formation MOOC sont d´ ej` a diplˆ om´ es. En effet, l’inscription ` a un MOOC est tr` es fa-

cile, il reste ensuite la capacit´ e de l’´ etudiant ` a s’autodiriger, ` a s’auto´ evaluer et ` a exploiter

les ressources ` a sa disposition, donc ` a les d´ ecoder. En r´ ealit´ e la plus part des ´ etudiants

inscrits n’ont pas, au d´ epart, forc´ ement la volont´ e de suivre le cours de A ` a Z, alors qu’un

MOOC n´ ecessite un effort de longue dur´ ee qui n´ ecessite une grande motivation initiale.

Si les inscriptions sont massives, les abandons le sont tout autant (seuls 5% des inscrits

valident leur formation)14.

Suite ` a ce au taux d’abandon trop ´ elev´ e, une ´ evolution des MOOC fait apparition. Le

SPOC (Small Private Online Courses) s’impose donc comme une solution ad´ equate :

permettre une meilleure proximit´ e formateur/´ etudiant ainsi qu’un meilleur encadrement

des apprenants. Et surtout, l’obtention d’un diplˆ ome ` a la fin, donne plus de cr´ edibilit´ e ` a la

formule des SPOC. Les SPOC ont ´ et´ e exp´ eriment´ e par exemple ` a Harvard et San Jos´ e.

San Jos´ e, dont l’exp´ erience MOOC avait ´ et´ e peu concluante, a conclu un partenariat

SPOC avec la plateforme Edx, dont les premiers r´ esultats sont encourageants : 91 %

des ´ etudiants ont obtenu leur examen ` a la fin du cours bas´ e sur le SPOC, contre 65 %

en moyenne les ann´ ees pr´ ec´ edentes15.

1.1.2/

LE M-LEARNING DANS LES ENTREPRISES

Aujourd’hui, l’e-learning est utilis´ e principalement par deux secteurs bien distincts : le

secteur des grandes entreprises qui l’utilisent pour former et actualiser les connais-

sances de leurs employ´ es de mani` ere plus rapide, et le secteur des universit´ es qui

offrent des alternatives de formation ` a distance. Vu l’omnipr´ esence d’Internet dans les

´ etablissements scolaires et les nouvelles technologies qui font d´ esormais partie de la

vie des jeunes g´ en´ erations, l’int´ egration de l’e-learning devient n´ ecessaire dans le mi-

lieu ´ educatif. Dans le milieu professionnel, la formation des salari´ es se retrouve ˆ etre

au cœur des pr´ eoccupations des services de ressources humaines, avec pour ques-

tion principale ?comment motiver et responsabiliser les salari´ es dont les formations ne

sont pas forc´ ement adapt´ ees ` a l’´ evolution de l’entreprise??(Chomienne et al., 2008). L’e-

learning devient de plus en plus accessible ` a un plus grand nombre d’entreprises. L’offre

est de plus en plus vari´ ee et large. Dans le secteur bancaire par exemple, l’exploitation

du e-learning s’explique notamment par l’´ evolution rapide des produits et des services

n´ ecessitant des efforts de formation massifs.

Selon le barom` etre Europ´ een de l’e-learning men´ e par CrossKnowledge (Fiehl et al.,

2010), nous constatons que le nombre de salari´ es ayant suivi au moins une formation

en e-learning est plus important dans les grandes entreprises et dans le secteur des

services, alors que dans le secteur de l’industrie les taux restent assez faibles. Dans ce

rapport, CrossKnowledge pr´ edit une forte progression du e-learning ` a l’horizon 2020. En

14. http

formation-4534/

15. http ://www.slate.fr/story/78916/mooc-cours-internet-spoc

://etudiant.lefigaro.fr/les-news/actu/detail/article/moocs-seuls-5-des-inscrits-valident-leurs-

18


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

effet, le pourcentage d’entreprises qui n’utilisent pas ou peu l’e-learning (<10% des sa-

lari´ es form´ es) a nettement recul´ e entre 2010 et 2014, passant de 37% ` a 15% en quatre

ans (figure 1.1). Le e-learning se g´ en´ eralise en s’´ etendant ` a un cercle croissant de sa-

lari´ es dans l’entreprise, avec comme effet attendu un boom du nombre d’entreprises qui

vont former entre 10 et 50% de leurs salari´ es (passage de 30 ` a 45% de l’´ echantillon entre

2010 et 2014).

FIGURE 1.1 – Pourcentage des salari´ es ayant suivi une formation e-learning

Cette rapide ´ evolution du e-learning, aussi bien dans les universit´ es que dans le domaine

industriel, est vite rattrap´ ee par l’´ evolution des nouvelles technologies : l’informatique de-

vient ubiquitaire, pervasive, mobile, et l’utilisation des r´ eseaux sans fil ´ emerge et rend les

objets mobiles de plus en plus intelligents. D´ ej` a en 2004, quelques statistiques mettaient

en avant l’importance de l’utilisation de ces nouvelles technologies pour l’apprentissage

en europe (Georgiev et al., 2004) :

– Plus de 50% des lieux de travail sont mobiles.

– Plus de 1 milliard d’utilisateurs se servent d’une connexion internet sans fil.

– Partout dans le monde sont vendus plus de 500 millions de t´ el´ ephones portables pou-

vant se connecter ` a Internet et le nombre de PDA (Personal Digital Assistant) et de

Smartphones vendus a augment´ e de plus de 200%.

Quelques ann´ ees plus tard, l’Union Internationale des T´ el´ ecommunications (UIT), qui

analyse l’´ evolution des TIC, publie dans une ´ etude portant sur 154 pays en 200916,

les derni` eres statistiques r´ ecolt´ ees concernant l’usage des diff´ erentes technologies de

communication y compris les dispositifs mobiles (figure 1.2). L’´ etude r´ ev` ele notamment

l’abandon petit ` a petit de l’usage des t´ el´ ephonies fixes et de la connexion Internet fixe en

faveur des nouvelles technologies mobiles.

16. http ://www.itu.int/ITU-D/ict/material/Telecom09 flyer.pdf

19


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

FIGURE 1.2 –´Evolution de l’usage des technologies de t´ el´ ecommunication et mobiles

Une ´ etude plus r´ ecente pr´ esent´ ee en 2013 par Lux Research17, montre une nette

´ evolution de l’utilisation des technologies mobiles (figure 1.3). Des appareils mobiles tels

que les Smartphones et les tablettes ont cr´ e´ e une r´ evolution dans la fac ¸on dont les utili-

sateurs de se connecter, de travailler et de se former.

FIGURE 1.3 –´Evolution de l’usage des dispositifs mobiles

L’informatique mobile est essentiellement fond´ ee sur la capacit´ e ` a d´ eplacer physiquement

un environnement informatique avec l’utilisateur. De nombreux utilisateurs ne poss` edent

17. www.luxresearchinc.com

20


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

plus uniquement des ordinateurs de bureau ou mobiles, ils poss` edent d´ esormais aussi

des PDA, des lecteurs MP3, des Smartphones, etc. Sharples pr´ ecise : ?we are now

entering the mobile age, where phones are carried everywhere, banks are accessed

from holes in the wall, cars are becoming travelling offices, airplane seats are entertain-

ment centres, computer games are handheld, and advertising is ubiquitous? (Sharples,

2006). Le m-learning tire profit de l’informatique omnipr´ esente pour proposer de nouvelles

m´ ethodes d’apprentissage.

Dans la section suivante nous discutons de diff´ erentes propositions de d´ efinitions du m-

learning existantes, et nous proposons la nˆ otre, adapt´ ee ` a notre cadre de recherche.

D´ EFINITION DU M-LEARNING

1.1.3/

Le terme m-learning a diff´ erentes d´ efinitions selon les communaut´ es scientifiques. De-

puis la naissance du terme m-learning, la d´ efinition de celui-ci n’a jamais arrˆ et´ e d’´ evoluer.

Jusqu’aux r´ ecentes conf´ erences sp´ ecialis´ ees dans le domaine, telle que dans IADIS In-

ternational Mobile Learning Conference 2013, la d´ efinition du m-learning reste un point

de discussion pour les chercheurs et les experts du m´ etier.

Sharples a identifi´ e trois directions dans les ´ evolutions de la d´ efinition du m-learning :

la premi` ere est focalis´ ee sur les outils, la deuxi` eme sur l’apprentissage hors des murs

(d-learning, e-learning), et la troisi` eme sur la mobilit´ e des apprenants o` u l’apprentissage

se d´ eroule dans un contexte (Sharples, 2006) (Endrizzi, 2011) :

– Premi` ere direction : Les premi` eres d´ efinitions du m-learning apparaissent centr´ ees

essentiellement sur les nouvelles technologies ´ electroniques mobiles (Pinkwart et al.,

2003). Ces technologies sont consid´ er´ ees comme des outils de stockage et de trans-

port des contenus multim´ edias. Le m-learning est alors vu comme un prolongement

logique du e-learning sur des technologies mobiles (figure 1.4).

FIGURE 1.4 – Cartographie du m-learning, version 1

21


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

Quinn d´ eclare ?mobile learning is e-learning through mobile computational devices :

Palms, Windows CE machines, even your digital cell phone? (Quinn, 2000). Cette

d´ efinition est consid´ er´ ee exacte mais inutile, car Quinn ne cherche qu’` a placer l’ap-

prentissage mobile quelque part sur le spectre de portabilit´ e de l’e-learning (Traxler,

2005). Le projet Learning2go18lanc´ e en 2008 illustre bien cette premi` ere direction.

Les plus r´ ecentes d´ efinitions de m-learning ont transf´ er´ e le centre d’int´ erˆ et des tech-

nologies mobiles ` a la mobilit´ e des apprenants.

– Deuxi` eme direction : Les d´ efinitions se concentrent sur les potentialit´ es en termes

d’apprentissage ` a l’ext´ erieur de l’espace physique classique d´ elimit´ e par les murs de

la salle de formation (un voyage d’´ etudes, une sortie scolaire telle que la visite d’un

mus´ ee, etc.) (Sharples et al., 2009). En ce sens, O’Malley propose sa d´ efinition :?mo-

bile learning takes place when the learner is not at a fixed, predetermined location,

or when the learner takes advantage of the learning opportunities offered by mobile

technologies?(O’Malley et al., 2005). Il s’agit d’une nouvelle m´ ethode, dont les grands

principes sont de tirer inspiration de l’environnement de l’apprenant pour proposer des

exercices narratifs et ludiques. Repr´ esentatif de cette direction, en 2009, un jeu nomm´ e

The Island19a ´ et´ e d´ evelopp´ e entre Amsterdam et New York : des ´ etudiants de ces

deux villes, connect´ es entre eux grˆ ace ` a leurs portables, ont particip´ e ` a une chasse au

tr´ esor dans les rues des deux cit´ es, grˆ ace ` a une application mˆ elant g´ eo-localisation,

cartes historiques et ´ el´ ements architecturaux.

– Troisi` eme direction : Dans cette derni` ere direction, les projets ne se focalisent plus ni

sur les outils utilis´ es par les apprenants, ni sur les activit´ es. Cette phase se focalise es-

sentiellement sur la localisation de l’apprenant dans un contexte sp´ ecifique grˆ ace aux

technologies de capture de localisation, comme les syst` emes GPS, les r´ eseaux sans

fil, les m´ ethodes de d´ etection de proximit´ e, etc. afin d’analyser ce qui se passe au-

tour de l’apprenant. En d’autres termes, en reliant les activit´ es d’apprentissage ` a des

informations contextuelles, les apprenants peuvent d´ ecouvrir de nouvelles connais-

sances et explorer des concepts li´ es ` a leur environnement. C’est parce que l’on est

dans un contexte particulier qu’une activit´ e utilisant un ´ equipement mobile prend tout

son sens et devient pertinente, ?mobile devices give us a unique opportunity to have

learners embedded in a realistic context at the same time as having access to sup-

porting tools? (Naismith et al., 2005). Repr´ esentatifs de cette direction, on peut citer

les deux projets MOBILearn20et MARA21(Mobile Augmented Reality Applications).

Le projet MOBILearn propose un outil embarquant un ensemble de fonctionnalit´ es

combinant capture, stockage et partage de contenus, tout en prenant en compte l’envi-

ronnement physique de l’apprenant (des fonctionnalit´ es li´ ees ` a la g´ eo-localisation sont

propos´ ees). Dans le projet MARA, il s’agit de superposer des informations graphiques

num´ eriques ` a des images r´ eelles. Le dispositif d’apprentissage devient un outil avec

18. http ://www.learning2go.org/

19. https ://waag.org/en/project/island

20. http ://www.mobilearn.org/

21. https ://research.nokia.com/page/219

22


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

lequel l’apprenant acc` ede ` a un monde r´ eel augment´ e d’informations nouvelles.

Dans le cadre de notre projet de recherche, nous proposons une nouvelle d´ efinition du

m-learning, de mani` ere ` a int´ egrer ce dernier dans les trois directions propos´ ees par

Sharples. Notre d´ efinition est la suivante :

?Le m-learning est l’adaptation de modules d’apprentissage ` a des technologies mobiles

en ayant une meilleure connaissance de l’apprenant (profil) et une meilleure connais-

sance de son environnement (contexte)?.

Nous proposons dans la figure 1.5, ` a partir de notre d´ efinition, une nouvelle cartographie

du m-learning.

FIGURE 1.5 – Cartographie du m-learning, version 2

A travers ces diff´ erentes d´ efinitions nous pouvons d´ egager plusieurs caract´ eristiques

r´ ecurrentes du m-learning, telles que l’attractivit´ e, la flexibilit´ e, l’accessibilit´ e et l’infor-

malit´ e. Nous d´ eveloppons plus en d´ etail ces caract´ eristiques dans la section suivante.

CARACT´ ERISTIQUES DU M-LEARNING

1.1.4/

Attractivit´ e, flexibilit´ e, accessibilit´ e et informalit´ e sont les concepts phares qui permettent

de synth´ etiser l’ensemble des avantages du m-learning.

Attractivit´ e :

D’apr` es Traxler, tout tend ` a montrer que le m-learning est motivant et attrayant, en parti-

culier aupr` es de ceux que l’apprentissage classique rebutait (Traxler, 2007). En effet, en

donnant une formation m-learning ` a quelqu’un qui se montre d’habitude r´ eticent et sans

enthousiasme, le comportement de ce dernier change; il manifeste une v´ eritable envie

et un plaisir ` a apprendre.

23


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

Flexibilit´ e :

Deux grands types de flexibilit´ e offerts par le m-learning peuvent ˆ etre identifi´ es22” :

– Organisationnelle : Dans le temps et dans l’espace (o` u je veux et quand je veux).

– Cognitive et p´ edagogique : Adaptation, personnalisation, modularisation, just-in-time,

polyvalence didactique (ce dont j’ai besoin, comme j’en ai besoin et quand j’en ai be-

soin)”.

Le d´ ecoupage d’un contenus p´ edagogique en modules courts permet d’´ etaler la forma-

tion dans le temps et ainsi d’avoir une meilleure assimilation des connaissances. En

outre, une formation m-learning permet aux apprenants de consulter les contenus autant

de fois qu’ils le souhaitent, contrairement ` a une formation en pr´ esentiel. Tous ces facteurs

permettent un assouplissement de l’apprentissage et offrent aux apprenants la possibilit´ e

de se former ` a leur rythme en organisant eux-mˆ emes leurs formations.

Accessibilit´ e :

Cinq grands types d’accessibilit´ e offerts par le m-learning peuvent ˆ etre identifi´ es23” :

– Accessibilit´ e temporelle et g´ eographique : Permettre l’acc` es ` a des personnes sou-

mises ` a des contraintes diverses, distantes g´ eographiquement, vivant dans des fu-

seaux horaires diff´ erents ou tout simplement poss´ edant des agendas charg´ es ou une

libert´ e organisationnelle variable.

– Accessibilit´ e socio-culturelle : S’adapter facilement ` a des r´ ealit´ es culturelles et sociales

vari´ ees. Par exemple, le m-learning permet ` a des gens issus de milieux d´ efavoris´ es,

comme les habitants du tiers-monde, d’acc´ eder ` a un enseignement v´ ehicul´ e par la

technologie et de faire fructifier ce nouveau savoir, ce qui ´ etait jusqu’ici inenvisageable

pour eux (exemple, Dr Maths est un service d’apprentissage en ligne d’Afrique du Sud

qui aide les ´ el` eves du secondaire en maths).

– Accessibilit´ e socio-´ economique : Permettre une accessibilit´ e ` a un grand nombre d’uti-

lisateurs, ` a un coˆ ut faible.

– Accessibilit´ e technique : Permettre une accessibilit´ e moyennant des comp´ etences

techniques basiques et des acc` es simples au niveau ergonomique.

– Accessibilit´ e intellectuelle : Prolonger l’accessibilit´ e en s’adaptant ` a divers styles d’ap-

prentissage et comp´ etences ` a d´ evelopper. Cette nouvelle m´ ethode d’apprentissage

permet de rendre accessible la formation ` a des personnes qui ne pouvaient pas assis-

ter ` a des formations en pr´ esentiel (apprenants ` a mobilit´ e r´ eduite, apprenants distants

g´ eographiquement, etc.) et de cr´ eer des formations visant des comp´ etences et des

besoins particuliers”.

Informalit´ e :

L’apprentissage est dit formel lorsqu’il se passe dans le cadre d’un ´ etablissement d’en-

22. http ://www.awt.be/web/edu/index.aspx?page=edu,fr,gui,080,010

23. http ://www.awt.be/web/edu/index.aspx?page=edu,fr,gui,080,010

24


Mlearning

1.1. INTRODUCTION`A L’APPRENTISSAGE EN SITUATION DE MOBILIT´E

seignement. Hors de ce cadre, l’apprentissage est consid´ er´ e comme informel. Living-

stone(Livingstone, 2001) d´ efinit l’apprentissage informel comme ?(1) a new significant

form of knowledge, understanding or skill acquired outside a prescribed curricular set-

ting, and (2) the process of acquisition, either on your own initiative in the case of self

directed informal learning, or with aid of a mentor in the case of informal training?. On

d´ eduit de cette d´ efinition que l’apprentissage informel a un caract` ere non intentionnel.

Dans un environnement mobile, l’apprenant peut apprendre en situation de mobilit´ e, ` a la

maison, dans le train, au bureau, sur le lieu de travail, au travers des temps, de l’espace,

n’importe quand et n’importe o` u (Pham, 2010). Le m-learning d´ ecoule de la vie quoti-

dienne (Bomsdorf, 2005). Les r´ esultats acquis de l’apprentissage informel ne conduisent

g´ en´ eralement pas ` a une certification, mais ils peuvent ˆ etre valid´ es et certifi´ es dans le

cadre de programmes de validation des acquis par un formateur. Le m-learning est alors

consid´ er´ e comme apprentissage informel en compl´ ement et renforcement de l’apprentis-

sage formel et vice et versa. Nous pouvons citer comme exemples de projets qui sou-

tiennent l’apprentissage informel, le projet T2T (Text to Teach)24et le projet BridgeIT25

Les lacunes du m-learning :

Ces diff´ erentes caract´ eristiques attestent de la focalisation sur l’apprentissage davantage

que sur le contenu et sur la prise en compte du profil et du contexte de l’apprenant. En

effet dans une formation m-learning l’apprenant se trouve souvent confront´ e ` a certains

probl` emes qui peuvent mener ` a l’´ echec de la formation. Parmi ces probl` emes nous ci-

tons26” :

– L’apprenant est submerg´ e d’informations : La tentation est parfois forte pour le forma-

teur de d´ elivrer dans les modules en ligne un grand nombre de contenus. Si l’infor-

mation est trop dense ou mal structur´ ee, l’apprenant risque de se perdre dans ces

informations. C’est ce qu’on appelle la surcharge cognitive.

– L’apprenant a peu de contrˆ ole sur les contenus : ”Le contenu des modules d’apprentis-

sage est souvent mis en ligne arbitrairement par les formateurs. Les apprenants n’ont

donc pas la possibilit´ e de le manipuler ou de le transformer facilement en fonction de

leurs propres besoins.”.

– Les contenus ne s’adaptent pas ` a l’environnement ext´ erieur : Certains environnement

sont peu adapt´ es ` a des apprentissages qui n´ ecessitent calme et concentration. Par

exemple, un a´ eroport ou un train peuvent constituer des environnements peu propices

` a l’assimilation de certains contenus qui n´ ecessitent un certain niveau de concentra-

tion.

– Confusion entre vie priv´ ee et professionnelle : Les apprenants ayant acc` es ` a des for-

mations de type m-learning ne sont pas souvent dispos´ ees ` a consacrer du temps pour

se former lorsqu’ils sont chez eux au lieu de se charger de leurs activit´ es quotidiennes.

24. http ://www.text2teach.org.ph/?page id=59

25. http ://bridge-it.communicationproject.eu/The-e-learning-Platform.htm

26. http ://www.formavox.com/elearning-avantages-inconvenients-top-5-flop-5

25


Mlearning

1.2. PLATEFORMES M-LEARNING

– Trop d’outils et manque de p´ erennit´ e : Il existe aujourd’hui plusieurs outils ` a disposition

des formateurs pour cr´ eer des contenus e-learning et ` a disposition des apprenants

acc´ eder ` a ces contenus (e.g. plateformes LMS, m´ edias sociaux, podcasts). Difficile

donc parfois de s’y retrouver et d’avoir la garantie que ces contenus tiendront dans la

dur´ ee.”

– Freins ` a l’usage professionnel : Lors d’une formation dans le cadre du travail, le m-

learning peut ˆ etre vu comme une tentative de la part de l’entreprise de profiter de

p´ eriodes o` u l’employ´ e n’est pas dans les locaux de la soci´ et´ e, pour poursuivre la for-

mation, ` a son domicile.

– Cadre peu adapt´ e pour l’apprentissage : Certains environnement sont peu adapt´ es ` a

l’apprentissage qui n´ ecessite confort, calme et concentration. Un a´ eroport ou un train

peuvent constituer des environnements peu propices ` a l’assimilation de certains conte-

nus. Le m-learning est donc a priori peu adapt´ e aux contenus th´ eoriques complexes.

Un syst` eme m-learning efficace devrait donc adapter son fonctionnement et ses contenus

pour la r´ eussite de la formation. Dans la section suivante, nous pr´ esentons et comparons

quelques travaux qui ont ´ et´ e r´ ealis´ es dans le cadre du m-learning, afin de d´ eterminer les

points forts et les points faibles des diff´ erentes propositions existantes.

1.2/

PLATEFORMES M-LEARNING

Il existe de nombreux projets s’int´ eressant ` a l’´ evolution des TIC et leur int´ egration dans le

domaine de l’apprentissage. IAmLearn27(International Association for Mobile Learning)

propose un large catalogue descriptif des diff´ erents projets m-learning existants. Dans

cette section, nous analysons les projets les plus connus dans le domaine du m-learning

afin d’illustrer les caract´ eristiques d´ ecrites dans la section pr´ ec´ edente.

Projet MoMaths :

Dans les pays en d´ eveloppement, un grand nombre des nouvelles technologies

´ educatives font usage de MXit28, le principal r´ eseau social africain sur plateforme mobile.

Lanc´ ee en mai 2005, MXit revendique environ 30 millions d’abonn´ es et est le premier logi-

ciel de messagerie instantan´ ee cr´ e´ e sp´ ecifiquement pour ˆ etre utilis´ e depuis un t´ el´ ephone

portable.

Cette approche est id´ eale dans les pays o` u Internet et les ordinateurs sont encore peu ac-

cessibles. C’est l’id´ ee sous-jacente de plusieurs programmes ´ educatifs mobiles comme le

projet MoMaths29de Nokia d´ evelopp´ e par MXit Lifestyle, une plateforme de services faci-

litant l’apprentissage des math´ ematiques sur mobiles. Elle propose de nombreuses fonc-

27. http ://www.iamlearn.org/resources/projects

28. http

://www.nextafrique.com/sciencestech/analyses-sciencestech/2182-comment-le-telephone-

mobile-pourrait-revolutionner-l-education-en-afrique

29. http ://momaths.nokia.com/

26


Mlearning

1.2. PLATEFORMES M-LEARNING

tionnalit´ es bas´ ees sur les programmes scolaires de plusieurs niveaux (th´ eorie, exercices,

tutorat, entraˆ ınement aux examens, etc.). En Afrique du Sud, MoMaths a fait ses preuves

dans 200 ´ etablissements, aupr` es de 50.000 ´ el` eves dont les r´ esultats en math´ ematiques

sont sup´ erieurs ` a ceux n’utilisant pas cet outil.

Ce projet est plus ax´ e sur l’accessibilit´ e des ressources d’apprentissage dans des mi-

lieux d´ efavoris´ es que sur l’adaptation des ressources au profil de l’apprenant et ` a son

contexte.

Projet Ensemble :

Le projet Ensemble30s’inscrit dans le programme europ´ een Lifelong Learning Program31

co-financ´ e par la communaut´ e europ´ eenne et coordonn´ e par l’Universit´ e de Florence32

dont l’objectif principal est le d´ eveloppement de l’apprentissage en ligne. Le projet a ´ et´ e

lanc´ e en 2010 et a d´ evelopp´ e une strat´ egie pour l’utilisation des TIC dans le but de

promouvoir l’int´ egration culturelle et sociale des citoyens immigr´ es.

L’id´ ee est de tirer parti de technologies largement utilis´ ees, telles que les lecteurs MP3

et les t´ el´ ephones mobiles, et de tester des m´ ethodes d’enseignement et des formats de

communication adapt´ es ` a ces appareils. Le projet s’adresse ` a un groupe de coll´ egiens

issus de classes au pourcentage ´ elev´ e d’immigr´ es ainsi qu’` a leurs parents (le projet a ´ et´ e

test´ e en France sur deux classes de 3 ` eme de deux coll` eges des Yvelines : ` a Mantes-

la-Jolie et aux Mureaux). Il leur a ´ et´ e diffus´ e, ` a un rythme r´ egulier, des contenus sur des

th` emes pr´ ecis, ` a partir d’une plateforme de diffusion automatique et synchronis´ ee.

L’int´ erˆ et de ce projet porte sur les aspects p´ edagogiques en direction des coll´ egiens

en difficult´ e, mais ´ egalement sur la construction de liens plus ´ etroits avec les parents,

ainsi associ´ es au suivi des ´ etudes de leurs enfants grˆ ace ` a une approche de formation

innovante et multimodale.

Projet DRIM-AP :

L’objectif du projet DRIM-AP (Mercier et al., 2004) (Dispositifs Radios Interactifs Multiples

et Amphis Participatifs) men´ e ` a l’´ ecole centrale de Lyon est de rendre l’enseignement

dans les amphith´ eˆ atres plus vivant et participatif.

”Dans un amphith´ eˆ atre interactif, chaque ´ etudiant dispose d’un terminal mobile (PDA,

PC portable, Smartphones, etc.) communiquant sur r´ eseau wifi. Les enseignants de leur

cˆ ot´ e disposent d’un ordinateur portable pour superviser les ´ echanges avec les ´ etudiants,

ces ordinateurs sont aussi d’outils pour l’´ evaluation du niveau de connaissance ou de

compr´ ehension des ´ etudiants sur les sujets abord´ es”.

Dans ce projet l’apprentissage reste formel. La dimension mobilit´ e du projet consiste

` a transf´ erer des contenus p´ edagogiques sur des dispositifs mobiles. L’adaptation au

contexte n’est pas prise en compte.

30. http ://www.ensembleproject.org/

31. http ://eacea.ec.europa.eu/llp/

32. http ://www.unifi.it/

27


Mlearning

1.2. PLATEFORMES M-LEARNING

Projet MOBILearn :

Le projet MOBILearn lanc´ e en 2002 est un projet europ´ een de recherche et de

d´ eveloppement (Beale and Lonsdale, 2004) qui a pour objet d’explorer l’utilisation des

environnements mobiles pour favoriser l’apprentissage informel, l’apprentissage par

r´ esolution de probl` emes et l’apprentissage au travail.

Dans le cadre de ce projet, une architecture pour l’apprentissage mobile a ´ et´ e r´ ealis´ ee.

Elle permet de g´ en´ erer des contenus et des services pour accompagner un apprenant

pendant ses activit´ es d’apprentissage dans une galerie d’exposition ou dans un mus´ ee.

L’apprentissage est support´ e par un ensemble d’activit´ es lors des visites des mus´ ees.

Les visiteurs plac´ es devant une œuvre peuvent utiliser un PDA ou un Smartphone pour

obtenir des informations pertinentes, tout en observant l’œuvre. De plus, si un appre-

nant visite un mus´ ee pour la seconde fois, il peut obtenir des informations diff´ erentes qui

prennent en compte sa visite pr´ ec´ edente.

Projet MoULe :

Le projet MoULe33(Mobile and Ubiquitous Learning) qui a obtenu Le Gold Award ` a la

conf´ erence mLearn 2009, a ´ et´ e d´ evelopp´ e par le Conseil National Italien de recherche

(Institut de Technologies Educatives). MoULe propose un environnement en ligne pour

l’apprentissage collaboratif qui fonctionne en int´ egrant les t´ el´ ephones portables et les

Smartphones, favorisant ainsi les activit´ es p´ edagogiques bas´ ees sur l’exploration de lieux

g´ eographiques.

Le syst` eme inclut des fonctionnalit´ es sp´ ecifiques pour rechercher et acc´ eder ` a des es-

paces d’information, pour communiquer et annoter des lieux selon leurs coordonn´ ees

g´ eographiques. Les donn´ ees sont stock´ ees dans un syst` eme, y compris les donn´ ees

d´ epos´ ees par les autres utilisateurs, et sont enrichies par les informations concernant les

localisations g´ eographiques, pour que le syst` eme fournisse ` a l’utilisateur des informa-

tions sp´ ecifiques sur les lieux ` a visiter. Les administrateurs peuvent utiliser MoULe pour

concevoir des parcours aussi bien touristiques que p´ edagogiques, animer les activit´ es

de l’utilisateur en temps r´ eel, et ´ evaluer la quantit´ e et la qualit´ e des interactions entre les

utilisateurs.

Projet AMULETS :

Le projet AMULETS34(Advanced Mobile and Ubiquitous Learning Environments for Tea-

chers and Students) d´ evelopp´ e ` a l’universit´ e de Linnaeus a ´ et´ e lanc´ e en 2012. Il a pour

objectif de concevoir un syst` eme permettant aux enseignants d’´ elaborer et de mettre en

œuvre de nouveaux sc´ enarios d’enseignement.

AMULETS utilise comme outil mobile un Smartphone de type NoKia 6630 muni d’un

GPS. Il est utilis´ e pour la g´ en´ eration et l’affichage de contenus, l’envoi de messages et le

d´ ecodage d’´ etiquettes de code-barres 2D. De plus AMULETS propose un ensemble d’ac-

33. http ://moule.pa.itd.cnr.it/

34. http ://amulets.blogg.se/

28


Mlearning

1.3. LE M-LEARNING, UNE ACTIVIT´E EN CONTEXTE

tivit´ es d’apprentissage afin d’encourager la collaboration des diff´ erents groupes d’´ el` eves

avec les enseignants. L’apprentissage prend la forme d’un jeu collaboratif. Ce dernier est

constitu´ e d’un ensemble de missions que les ´ el` eves doivent d´ ecouvrir et accomplir. Ces

missions ont lieu dans diff´ erents endroits et ` a diff´ erentes p´ eriodes de temps. Les acti-

vit´ es ainsi conc ¸ues contiennent des d´ efis, ` a d´ ecouvrir par les ´ el` eves, dans lesquels ils

ont besoin de collaborer et d’appliquer des strat´ egies de r´ esolution de probl` eme.

Projet InTouch :

Le projet InTouch35est un projet europ´ een, en cours de r´ ealisation, qui a pour objectif de

d´ efinir une approche innovante dans le cadre des entreprises : permettre de d´ evelopper

les principales comp´ etences inhabituelles des employ´ es.

Le projet vante une approche flexible, qui utilise les possibilit´ es offertes par les nou-

velles technologies, et qui r´ epond efficacement aux nouvelles attentes du march´ e du

travail. Afin de couvrir les besoins des employ´ es, les partenaires du projet InTouch

s´ electionnent les supports p´ edagogiques les plus flexibles, ` a savoir les appareils mobiles,

ainsi qu’une solution d’apprentissage int´ eressante, les jeux s´ erieux (serious games). Ces

jeux pr´ esentent des exemples d’apprentissage situationnels li´ es ` a des comp´ etences in-

habituelles identifi´ ees dans le cadre d’un projet, et emploient diff´ erents types d’inter-

actions en fonction du th` eme abord´ e. Pour ´ elargir leurs connaissances, les utilisateurs

peuvent partager leurs points de vue personnels et leurs exp´ eriences au sein de la com-

munaut´ e36.

Synth` ese sur les plateformes m-learning :

Bien que ces diff´ erents projets respectent les caract´ eristiques d’attractivit´ e, de flexibilit´ e,

d’accessibilit´ e et d’informalit´ e, ils ne proposent pas d’adaptation de contenus en fonction

du profil et du contexte de l’apprenant. Nous d´ ecrivons dans la section suivante le m-

learning comme une activit´ e en contexte.

LE M-LEARNING, UNE ACTIVIT´ E EN CONTEXTE

1.3/

Le m-learning est souvent consid´ er´ e comme une sp´ ecialisation du e-learning. C’est plutˆ ot

une extension ` a de nouvelles formes d’environnements d’apprentissage. Le m-learning

permet d’apprendre ` a travers des contextes :?mobile learning is not just about learning

using portable devices, but learning across contexts? (Sharples, 2006). Ici l’accent est

mis sur la mani` ere dont les apprenants se forment au travers des lieux et des transitions

entre diff´ erents contextes.

Il ne doit pas y avoir de rupture dans l’apprentissage entre le pr´ esentiel et l’ext´ erieur.

L’apprentissage est fond´ e sur la continuit´ e de l’activit´ e au travers de l’espace et du temps

35. hhttp ://www.intouch-ict.eu/

36. https ://www.adam-europe.eu/prj/8980/prd/14/1/D%207.5%20Article%20for%20sensitisation FR.pdf

29


Mlearning

1.4. CONCLUSION

en interagissant avec des technologies mobiles et fixes. L’apprentissage ne doit pas ˆ etre

limit´ e ` a certains environnements, mais doit accroitre la mobilit´ e de l’apprenant au travers

ces derniers.

Avec l’apparition et l’´ evolution des nouvelles technologies mobiles, l’adaptation au

contexte est devenue un caract` ere indispensable des nouveaux syst` emes informatiques

pour une utilisation nomade. Il faut donc dans le cas d’une adaptation au contexte en

apprentissage, d´ eterminer selon le contexte de l’apprenant quelles sont les contenus ` a

envoyer, de quelle mani` ere, sur quel outil, etc. Tout le processus d’apprentissage doit

s’adapter ` a ces changements de contexte. D’un autre cˆ ot´ e, l’apprentissage au travers

des contextes n´ ecessite une suite organis´ ee d’activit´ es, c’est-` a-dire que l’apprentissage

ayant lieu dans un contexte pr´ ecis d´ epend de ceux qui ont eu lieu avant. Il faut donc que

le syst` eme prenne en compte l’historique de l’apprentissage pour proposer ` a l’apprenant

des activit´ es d’apprentissage pertinentes et ainsi poursuivre ses activit´ es au travers de

contextes.

1.4/

CONCLUSION

Ce chapitre avait pour objectif de mieux comprendre le domaine de l’apprentissage en

situation de mobilit´ e. L’´ etude des diff´ erentes d´ efinitions du m-learning nous montre que

l’apprentissage mobile est caract´ eris´ e essentiellement par l’attractivit´ e, la flexibilit´ e, l’ac-

cessibilit´ e, l’informalit´ e. L’apprentissage mobile peut avoir lieu au travers de contexte

diff´ erents et dynamiques, grˆ ace aux technologies mobiles. A travers l’analyse des tra-

vaux existants, nous avons un aperc ¸u des possibilit´ es offertes par les environnements

m-learning en fonction de besoins particuliers des apprenants. La plupart de ces travaux

permettent un apprentissage dans des localisations diff´ erentes : en classe, en entreprise,

` a l’ext´ erieur, dans un mus´ ee, etc. Cependant le m-learning reste limit´ e car il n’est pas ca-

pable de s’adapter ` a son environnement. Le contexte n’est pas explicitement repr´ esent´ e

dans le syst` eme, mais requis par celui-ci pour un apprentissage en situation. L’adaptation

au contexte doit permettre de d´ epasser cette limite.

Le chapitre 2 introduit la notion de contexte et de sensibilit´ e de contexte pour l’adaptation

de parcours p´ edagogiques en situation de mobilit´ e.

30


Mlearning

2

CONTEXTE ET SENSIBILIT´ E AU

CONTEXTE

Dans le domaine de l’informatique, la prise en compte du contexte dans une analyse

ou une r´ eponse programm´ ee n’est pas nouvelle. D` es les ann´ ees soixante, syst` emes

d’exploitation, th´ eorie des langages et intelligence artificielle exploitent d´ ej` a cette notion

pour adapter leur comportement et leur r´ eponse ` a l’environnement d’ex´ ecution. Ces 10

derni` eres ann´ ees, avec l’´ emergence massive de l’informatique mobile, ubiquitaire et am-

biante, elle est plac´ ee au cœur des d´ ebats. De nombreux travaux de recherche ont ´ et´ e

men´ es sur la mod´ elisation du contexte. Bien que cette notion soit universelle, chacun

poss` ede sa propre perception du contexte. Un contexte est g´ en´ eralement d´ ecrit comme

un ensemble d’´ el´ ements qui peuvent influencer la compr´ ehension d’une information.

Dans la premi` ere partie de ce chapitre, nous pr´ esenterons les diff´ erentes visions de la

notion du contexte en essayant d’en faire ressortir des traits de caract´ erisation que nous

appellerons dimensions. La combinaison de ces dimensions permet de construire des

contextes sp´ ecifiques pour des besoins clairement identifi´ es. Au-del` a de la capacit´ e de

repr´ esenter un contexte, il faut ˆ etre capable d’exploiter ce contexte. La construction d’un

syst` eme dont les r´ eponses sont influenc´ ees par le contexte, un syst` eme sensible au

contexte, est un travail complexe. L’´ etude de ce domaine ` a aussi donn´ e lieu a de nom-

breux travaux. Dans la seconde partie de ce chapitre, nous pr´ esenterons ce domaine en

essayant, l` a encore, d’extraire les principales fonctionnalit´ es requises pour prendre en

charge ce contexte.

Sommaire

2.1

Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.1

D´ efinition du contexte . . . . . . . . . . . . . . . . . . . . . . . .

2.1.2

Dimensions du contexte . . . . . . . . . . . . . . . . . . . . . . .

2.1.3

Acquisition des informations de contexte . . . . . . . . . . . . . .

2.1.4

Mod´ elisation du contexte . . . . . . . . . . . . . . . . . . . . . .

Syst` emes sensibles au contexte . . . . . . . . . . . . . . . . . . . . .

2.2.1

D´ efinition de la sensibilit´ e au contexte . . . . . . . . . . . . . . .

32

32

35

38

39

43

43

2.2

31


Mlearning

2.1. CONTEXTE

Architecture g´ en´ erale d’un syst` eme sensible au contexte

Exemples d’architectures de syst` emes sensibles au contexte . .

2.2.2

2.2.3

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . .

44

46

54

2.3

2.1/

CONTEXTE

La notion de contexte est assez universelle. Elle d´ esigne l’ensemble des ´ el´ ements qui

peuvent influencer la compr´ ehension d’une situation particuli` ere. Cette description est

ensuite utilis´ ee pour mieux comprendre l’environnement.

Il existe de nombreuses d´ efinitions du contexte. Dans cette section nous proposerons

d’organiser ces d´ efinitions selon un ordre chronologique, montrant une progression dans

la compr´ ehension de la notion de contexte. Ensuite nous proposerons une classification

des diff´ erentes informations contextuelles en dimensions, en termes de caract´ eristiques,

propri´ et´ es et utilisations. La prise en compte du contexte n´ ecessite une repr´ esentation

explicite de ce dernier dans le syst` eme. Nous pr´ esenterons et analyserons en dernier

lieu les m´ ethodes de mod´ elisation du contexte, en nous basant sur l’organisation en

dimensions et les caract´ eristiques du contexte.

D´ EFINITION DU CONTEXTE

2.1.1/

Avant de pr´ esenter les d´ efinitions du contexte propos´ ees dans la litt´ erature scientifique,

nous commenc ¸ons par introduire et analyser des d´ efinitions propos´ ees dans diff´ erents

dictionnaires :

– Techno-Science1, encyclop´ edie scientifique en ligne : ? Le contexte d’un ´ ev` enement

inclut les circonstances et conditions qui l’entourent ?. En informatique, ? le contexte

est l’ensemble des conditions sous lesquelles un dispositif est en train d’ˆ etre utilis´ e,

par exemple l’occupation actuelle de l’utilisateur ?.

– Grand Dictionnaire Technologique2(GDT) : ? Texte entourant un terme, ou situation

dans laquelle ce terme est employ´ e ?. En informatique, ? ensemble d’informations

concernant l’action du stylet, en rapport principalement avec sa localisation ` a l’´ ecran,

qui permet au syst` eme d’exploitation de l’ordinateur ` a stylet de diff´ erencier les com-

mandes et l’entr´ ee des donn´ ees, et de fonctionner en cons´ equence?.

– Centre National de Ressources Textuelles et Lexicales3:?Ensemble de circonstances

li´ ees, situation o` u un ph´ enom` ene apparaˆ ıt, un ´ ev´ enement se produit ?. En informa-

tique,?le contexte est l’ensemble d’informations concernant un ´ ev` enement en rapport

principalement avec sa localisation, qui permet au syst` eme informatique de fonctionner

et de s’adapter en cons´ equence?.

1. http ://www.techno-science.net/

2. http ://gdt.oqlf.gouv.qc.ca/

3. http ://www.cnrtl.fr/

32


Mlearning

2.1. CONTEXTE

Un point commun ´ emerge de ces d´ efinitions. Elles d´ ecrivent toutes le contexte comme un

ensemble d’informations associ´ ees ` a quelque chose?ensemble de ... qui entoure/consti-

tue/concernant/li´ es/etc. quelque chose?. La nature de ce quelque chose (un ´ ev` enement,

un texte, une action, un ph´ enom` ene, une situation, etc.) d´ epend de l’usage dans un do-

maine d’application (linguistique, informatique, etc.). Cet usage permet de sp´ ecifier com-

ment le contexte est utilis´ e (modifier la valeur des ´ el´ ements, diff´ erencier les commandes,

ou fonctionner en cons´ equence) (Pham, 2010).

En informatique, selon Schilit dans (Schilit and Theimer, 1994), le contexte se r´ ef` ere ` a la

localisation et l’identit´ e des personnes et des objets ` a proximit´ e ainsi que les modifica-

tions pouvant intervenir sur ces objets. Dans un autre travail, Schilit reprend sa premi` ere

d´ efinition et propose une m´ ethode pour d´ eterminer le contexte en r´ epondant ` a trois ques-

tions : o` u ˆ etes-vous?, avec qui ˆ etes-vous? et quelles sont les ressources ` a proximit´ e de

vous? (Schilit et al., 1994). Quelques ann´ ees plus tard, (Brown et al., 1997) introduit

l’heure, la saison, la temp´ erature, l’identit´ e et la localisation de l’utilisateur comme nou-

veaux ´ el´ ements du contexte.

En fait, dans ces premi` eres d´ efinitions du contexte, les auteurs limitent le contexte ` a

l’utilisateur et son environnement. Les travaux de recherche plus r´ ecents essayent alors

d’´ etablir une d´ efinition plus g´ en´ erale et plus claire du contexte.

Abowd fournit une d´ efinition plus g´ en´ erale du contexte, en le consid´ erant comme des in-

formations qui entourent l’entit´ e ou l’´ el´ ement sur lequel un syst` eme se focalise,?any in-

formation that can be used to characterize the situation of an entity ?(Abowd et al., 1999).

Une entit´ e ou un ´ el´ ement peut ˆ etre interpr´ et´ e diff´ eremment par diff´ erents objectifs d’utili-

sation : (1) Une entit´ e, dans un domaine centr´ e application logicielle, est une fonction, un

´ ev´ enement d’un logiciel ou le logiciel lui-mˆ eme. Le contexte est alors constitu´ e d’un en-

semble de param` etres et d’´ etats de l’environnement, utilis´ es pour d´ eterminer cette entit´ e

(Chen and Kotz, 2000). (2) Une entit´ e peut ˆ etre un dispositif. Dans ce cas, le contexte est

un environnement physique et social dans lequel ce dispositif est utilis´ e, ? physical and

social situation in which computational devices are embedded

2001). (3) Dans un syst` eme centr´ e utilisateur, les entit´ es impliqu´ ees dans des interac-

tions sont divis´ ees en trois cat´ egories : les lieux (bˆ atiment, pi` ece, etc.), les personnes

(individus ou groupes d’individus) et les objets (objets physiques, ordinateurs, etc.) (Dey

et al., 2001).

Pour r´ esumer, une information fait partie du contexte si elle influe sur une interaction entre

deux entit´ es :?context is any information that can be used to characterize the situation

of an entity. An entity is a person, place, or object that is considered relevant to the inter-

action between a user and an application, including the user and application themselves

?(Dey, 2000).

Cette derni` ere d´ efinition concerne particuli` erement la conception des syst` emes sensibles

au contexte, que nous introduirons dans la deuxi` eme partie du chapitre. Chaari consid` ere

que cette d´ efinition est incompl` ete car elle ne pr´ ecise pas ce qui compose le contexte. Il

? (Moran and Dourish,

33


Mlearning

2.1. CONTEXTE

propose alors une nouvelle d´ efinition pour apporter plus de pr´ ecision ` a celle de Dey :?le

contexte est l’ensemble des param` etres externes ` a l’application qui peuvent influer sur

son comportement en d´ efinissant de nouvelles vues sur ses donn´ ees et ses fonctionna-

lit´ es. Ces param` etres ont un aspect dynamique qui leur permet d’´ evoluer durant le temps

d’ex´ ecution?(Chaari et al., 2005).

Nous consid´ erons que cette d´ efinition est la plus adapt´ ee pour la conception de notre

syst` eme m-learning sensible au contexte, car elle apporte plus de pr´ ecisions sur le

contexte. Elle permet de voir le contexte comme un ensemble d’´ el´ ements suscep-

tibles d’influencer le comportement d’un syst` eme et de modifier le r´ esultat produit en

cons´ equence.

A partir de cette d´ efinition nous constatons aussi que le contexte n’est pas stable, il

est dynamique et continuellement en ´ evolution. Syvanen d´ eveloppe cette propri´ et´ e du

contexte en d´ eclarant ? context is continually constructed through negotiation between

communicating partners (including humains and interactive technology) and the interplay

of activities and artifacts?(Syvanen et al., 2005).

Les caract´ eristiques qui d´ ecrivent le contexte sont essentiellement les suivantes :

– L’impr´ evisibilit´ e : Les changements de l’environnement et les interactions de l’utilisateur

sont impr´ evisibles. En cons´ equence certains ´ el´ ements du contexte peuvent ne pas

ˆ etre connus et d´ ecrits ` a l’avance dans le syst` eme. L’une des principales questions qui

se pose est de savoir comment un syst` eme doit prendre en compte ces nouveaux

´ el´ ements et les mettre en œuvre dans le syst` eme.

– L’h´ et´ erog´ en´ eit´ e : Les ´ el´ ements du contexte proviennent de sources vari´ ees, ce qui

am` ene ` a une large h´ et´ erog´ en´ eit´ e en termes de mod´ elisation, de traitement et de

qualit´ e. La complexit´ e et l’h´ et´ erog´ en´ eit´ e des informations du contexte n´ ecessitent des

moyens de mod´ elisation et d’interpr´ etation sp´ ecifiques. Par exemple, en informatique

mobile, les dispositifs tels que les ordinateurs portables, les Smartphones, les ta-

blettes, etc. sont diff´ erents ` a tous niveaux (mat´ eriel, logiciel, communication, etc.). Le

d´ eveloppement d’applications devra proposer des solutions d’interop´ erabilit´ e.

– La variabilit´ e : Dans un contexte dynamique et continuellement en ´ evolution, le fonc-

tionnement des syst` emes mobiles peut ˆ etre perturb´ e par les modifications du contexte.

Il faut alors pouvoir prendre en compte ces ´ evolutions du contexte pour pouvoir agir de

mani` ere ` a maintenir la qualit´ e du service rendu et satisfaire l’utilisateur.

– La continuit´ e : Le contexte ´ evolue pendant que l’utilisateur se d´ eplace d’une localisation

` a une autre ou pendant qu’il obtient de nouvelles ressources, etc. Cette continuit´ e dans

l’´ evolution du contexte doit s’accompagner d’un fonctionnement continu des syst` emes

malgr´ e les changements perp´ etuels du contexte.

Pour conclure cette section, nous remarquons que la notion de contexte n’est pas nou-

velle en informatique et que malgr´ e la multitude d’´ etudes r´ ealis´ ees sur le sujet, il n’existe

pas de d´ efinition consensuelle. Toutefois l’analyse des diff´ erentes d´ efinitions propos´ ees

fait ressortir les trois principes suivants : (1) Le contexte ´ emerge ou se d´ efinit pour une

34


Mlearning

2.1. CONTEXTE

finalit´ e, une utilit´ e pr´ ecise (Br´ ezillon, 2002). Pour notre part, la finalit´ e recherch´ ee est

l’adaptation dynamique des contenus d’apprentissage dans un syst` eme m-learning. (2)

Le contexte est un ensemble d’informations structur´ e, il est partag´ e, il ´ evolue et sert l’in-

terpr´ etation (Winograd, 2001) et d´ epend d’une finalit´ e. Il faut donc, premi` erement, d´ efinir

la finalit´ e et ensuite d´ eterminer les informations n´ ecessaires pour servir cette finalit´ e. (3)

Le contexte est un espace d’informations ´ evolutif et h´ et´ erog` ene.

Nous pr´ esentons dans la section suivante les ´ el´ ements et les dimensions potentielles du

contexte qui seront utilis´ es dans notre syst` eme.

2.1.2/

DIMENSIONS DU CONTEXTE

`A des fins d’adaptation, les informations contextuelles doivent ˆ etre collect´ ees et

pr´ esent´ ees au syst` eme. Vu l’h´ et´ erog´ en´ eit´ e, la diversit´ e et la qualit´ e variable de ces in-

formations, il est pr´ ef´ erable de faire une cat´ egorisation pour faciliter l’op´ eration d’adapta-

tion. Les diff´ erentes cat´ egories qui constituent le contexte sont d´ ependantes des objectifs

du syst` eme. Nous pr´ esentons ici la plupart des dimensions couramment utilis´ ees dans

diff´ erents mod` eles de contexte et les dimensions n´ ecessaires pour la conception de notre

syst` eme.

(Schilit et al., 1994) proposent de cat´ egoriser le contexte en deux dimensions : le contexte

primaire qui contient les informations sur la localisation, l’identit´ e, le temps et l’activit´ e de

l’utilisateur; et le contexte secondaire qui contient des informations pouvant ˆ etre d´ eduites

du contexte primaire (par exemple, de la localisation, on peut d´ eduire les personnes ` a

proximit´ e). (Chen and Kotz, 2000) proposent : le contexte actif qui influence le compor-

tement d’une application; et le contexte passif qui est n´ ecessaire mais pas critique pour

l’application. (Petrelli et al., 2000), se basent sur les travaux de Schilit et Chen, et intro-

duisent deux nouvelles dimensions du contexte : le contexte mat´ eriel (device, plateforme

existante); et le contexte social (ˆ etre seul ou pas, qui sont les autres, les relations entre

ces individus, etc.). Enfin (Dey, 2000) propose de classer toute variable contextuelle dans

des dimensions r´ epondant chacune aux questions, quand?, o` u?, quoi? et qui?.

Dans le domaine de l’apprentissage, temps, identit´ e, activit´ e et localisation sont des

cat´ egorisations primaires et n´ ecessaires du contexte pour expliciter une situation. Dans

les travaux de (Derntl and Hummel, 2005), le contexte est compos´ e de cinq dimensions :

la dimension physique; la dimension num´ erique (ressources num´ eriques); la dimension

dispositifs (logiciels, mat´ eriels, r´ eseau, dispositifs portables); la dimension apprenant; et

le contexte sp´ ecifique du domaine d’application.

Par rapport ` a Derntl, (Azouaou and Desmoulins, 2006) introduisent une nouvelle dimen-

sion pour d´ ecrire le profil de l’environnement physique et le temps.

(Pham, 2010) synth´ etise les propositions pr´ ec´ edentes de cat´ egorisation et propose les

dimensions suivantes : la dimension temporelle; la dimension spatiale; la dimension

dispositifs (caract´ erise les dispositifs d’apprentissage mobiles ou pas, les ressources

35


Mlearning

2.1. CONTEXTE

informatiques et les outils p´ edagogiques); la dimension environnement (d´ ecrit les ca-

ract´ eristiques de l’environnement autour de l’utilisateur); la dimension utilisateur (d´ ecrit

les participant humains du contexte dans le syst` eme et les relations entre eux); la di-

mension du sc´ enario/activit´ es (d´ etermine l’intention de l’apprenant, les informations, les

connaissances, etc. n´ ecessaires ` a l’accomplissement d’une activit´ e).

Dans ce qui suit, nous d´ ecrivons en d´ etail les dimensions du contexte les plus utilis´ ees

dans le domaine de l’apprentissage mobile.

2.1.2.1/

DIMENSION SPATIALE

Cette dimension d´ efinit selon (Soylu et al., 2009) la localisation. La localisation de l’ap-

prenant mobile est un facteur d’une grande importance afin de proposer des contenus

adapt´ es aux propri´ et´ es de l’environnement dans lequel il se situe.

Souvent, la localisation est consid´ er´ ee comme un concept seulement caract´ eris´ e par les

coordonn´ ees physiques par rapport ` a un syst` eme de coordonn´ ees g´ eographiques. Ce-

pendant, les coordonn´ ees physiques ne sont pas les seules donn´ ees pertinentes pour

d´ efinir une localisation. Supposons que nous essayons de nous localiser sans l’utilisation

de technologies de d´ etection de position, tout simplement en essayant de r´ epondre ` a la

question o` u suis-je?. Nous pouvons imaginer une multitude de r´ eponses ` a cette simple

question. En effet, tel que discut´ e dans (Dobson, 2005), il existe diff´ erentes fac ¸ons plau-

sibles pour caract´ eriser la localisation d’un utilisateur mobile : relative (` a cˆ ot´ e de, loin

de, etc.), nom de la localisation (place de la R´ epublique, dans un restaurant, dans un

train, etc.), type de la localisation (dynamique, fixe, public, priv´ e, etc.), propri´ et´ es de la

localisation (niveau de bruit, niveau de luminosit´ e, confort, etc.).

L’utilisation d’un mod` ele s´ emantique, par exemple un mod` ele ontologique, permettrait de

d´ ecrire les localisations et leurs relations, afin d’accroˆ ıtre la compr´ ehension s´ emantique

de l’environnement. Comme dans (Chen et al., 2004b) ou dans le projet SPIRIT4

(Spatially-Aware Information Retrieval on the Internet), nous proposons de nous baser

sur un mod` ele s´ emantique d´ ecrivant les localisations et leurs relations.

2.1.2.2/

DIMENSION TEMPORELLE

Cette dimension caract´ erise, selon (Soylu et al., 2009), des ´ el´ ements de contexte dont

l’existence ou l’importance dans la perception du contexte est li´ ee ` a un moment donn´ e.

Nous consid´ erons que le contexte temporel a une influence majeure sur l’activit´ e de l’ap-

prenant en mobilit´ e. Par exemple, imaginons qu’un apprenant ´ emet la requˆ ete, apprendre

dans le m´ etro avec un trajet d’une dur´ ee de 15 min. Le syst` eme dans ce cas doit sugg´ erer

des vid´ eos dont la dur´ ee est l´ eg` erement inf´ erieure ` a 15 min. Afin de d´ efinir les aspects

4. http ://www.geo-spirit.org/index.html

36


Mlearning

2.1. CONTEXTE

temporels li´ es ` a la situation de l’apprenant (lundi, weekend, matin, soir, etc.), mais aussi

li´ es aux documents (heures et dates de disponibilit´ e), un mod` ele pour la repr´ esentation

du temps est n´ ecessaire.

Les formes les plus courantes pour d´ ecrire la dimension temporelle sont : l’heure (le

fuseau horaire, l’heure actuelle d’apprentissage, etc.), la date (date d’une activit´ e, jour

de la semaine, mois de l’ann´ ee, etc.), la p´ eriode (le d´ ebut et la fin d’une activit´ e, etc.),

la dur´ ee d’une activit´ e ou la dur´ ee d’une ressource (15min, 1h, etc.), et les relations

temporelles (apr` es, avant, pendant, etc.).

La repr´ esentation du temps par une ontologie accroˆ ıt la compr´ ehension commune par les

syst` emes de cette dimension et permet des raisonnements temporels. L’ontologie OWL-

Time (Pan, 2007) est aujourd’hui une r´ ef´ erence pour la repr´ esentation et le raisonnement

sur le temps. Nous proposons de baser notre travail sur cette ontologie et de l’´ etendre

avec quelques classes sp´ eciales du temps, comme le temps du jour (matin, apr` es midi,

soir, etc.), le jour de la semaine, les saisons, etc.

2.1.2.3/

DIMENSION UTILISATEUR

Il est n´ ecessaire d’identifier les utilisateurs du syst` eme avant de commencer ` a collecter

des informations pour construire les diff´ erents profils (Brusilovsky et al., 2007). Dans

notre syst` eme m-learning par exemple, plusieurs profils d’utilisateurs interagissent : les

apprenants, les formateurs, les tuteurs, etc.

Une gestion des profils joue un rˆ ole important dans un syst` eme d’apprentissage pour

adapter les ressources aux sp´ ecificit´ es de chaque utilisateur. La gestion et la diffusion

de ressources personnalis´ ees n´ ecessite de pouvoir mod´ eliser, de g´ erer l’´ evolution et de

mettre ` a jour le profil utilisateur. Un profil utilisateur est une collection de donn´ ees qui

caract´ erisent un utilisateur dans un syst` eme. Ces donn´ ees sont collect´ ees par le syst` eme

et class´ ees essentiellement en deux ensembles : un ensemble de donn´ ees statiques qui

regroupe des informations g´ en´ erales sur l’utilisateur, telles que le nom, le pr´ enom, la

date de naissance, la langue maternelle, etc.; et un ensemble de donn´ ees dynamiques

qui varie en fonction de diff´ erents domaines d’application, telles que les objectifs, les

pr´ ef´ erences, les connaissances, les comp´ etences, les centres d’int´ erˆ ets, etc.

La mod´ elisation du profil repose sur des techniques permettant non seulement de

repr´ esenter et construire le profil de l’utilisateur, mais aussi de g´ erer son ´ evolution de

mani` ere dynamique au cours du temps. Une repr´ esentation s´ emantique du profil utilisa-

teur, g´ en´ eralement bas´ ee sur une ontologie, permet de mieux repr´ esenter les diff´ erents

acteurs du syst` eme en d´ ecrivant les relations s´ emantiques entre ces derniers, mais aussi

avec les donn´ ees collect´ ees sur eux (Gauch et al., 2002) (Heckmann et al., 2007).

37


Mlearning

2.1. CONTEXTE

2.1.2.4/

DIMENSION DISPOSITIF

Cette dimension permet de mesurer les caract´ eristiques des dispositifs (de Groot and van

Welie, 2002). Afin d’adapter un contenu d’apprentissage ` a la technologie mobile utilis´ e

par l’apprenant il est n´ ecessaire de connaitre les propri´ et´ es caract´ erisant cette techno-

logie. Par exemple, si une formation n´ ecessite l’utilisation d’une souris, un Smartphone

n’est alors pas adapt´ e, de mˆ eme si une formation contient des vid´ eos elle ne sera pas

adapt´ ee ` a des appareils mobiles sans ´ ecran tels que les lecteurs MP3.

Des travaux sur la construction de mod` eles s´ emantiques pour la description des disposi-

tifs sont propos´ es, comme la FIPA Device Ontology Specification5.

Toute adaptation au contexte n´ ecessite d’abord l’acquisition des informations de contexte

qui seront class´ ees, trait´ ees et analys´ ees afin de r´ ealiser l’adaptation. Nous pr´ esentons

dans la section suivante les diff´ erentes techniques utilis´ ees pour les acqu´ erir.

2.1.3/

ACQUISITION DES INFORMATIONS DE CONTEXTE

Diverses m´ ethodes sont utilis´ ees pour collecter les informations de contexte. Dans les

travaux de (Most´ efaoui et al., 2004) trois types de contextes sont identifi´ es du point de

vue de leur acquisition :

Le contexte captur´ e :

Ce type de contexte est acquis par le moyen de capteurs mat´ eriels ou logiciels tels que

les capteurs de localisation, de temp´ erature, de niveau d’´ eclairage, etc. La localisation

de l’utilisateur est g´ en´ eralement captur´ ee ` a l’aide d’un syst` eme de suivi de positionne-

ment GPS (Global Positioning System), grˆ ace aux r´ eseaux sans fil, ou encore ` a l’aide de

m´ ethodes de d´ etection de proximit´ e (syst` emes RDIF (Radio Frequency IDentification),

Blutooth, Ultrasons, etc.).

Le contexte explicite :

Ce type de contexte contient des donn´ ees collect´ ees via l’action de l’utilisateur, par

exemple en remplissant un formulaire d’inscription. Ainsi l’utilisateur communique expli-

citement au syst` eme son nom, son pr´ enom, sa date de naissance, ses pr´ ef´ erences, ses

connaissances, etc.

Le contexte implicite :

Ce type de contexte contient des donn´ ees collect´ ees de mani` ere non-intrusive par le

syst` eme. Contrairement au contexte captur´ e et au contexte explicite, qui repr´ esentent

des informations de contexte de bas niveau, le contexte implicite repr´ esente un contexte

5. http ://www.fipa.org/specs/fipa00091/PC00091A.html

38


Mlearning

2.1. CONTEXTE

de haut niveau. En d’autres termes, le contexte implicite est calcul´ e ` a partir d’autres

informations de contexte. Par exemple, le pays o` u se trouve l’utilisateur est un contexte

de haut niveau d´ eduit ` a partir du contexte de bas niveau, ` a savoir ses coordonn´ ees

collect´ ees ` a partir d’un GPS.

Ces trois types de donn´ ees sont par la suite stock´ es et class´ es selon les diff´ erentes

dimensions du contexte d´ ecrites pr´ ec´ edemment.

L’h´ et´ erog´ en´ eit´ e et la dynamicit´ e des informations contextuelles n´ ecessitent des mod` eles

abstraits de description de contexte. Plusieurs travaux ont d´ efini diff´ erentes m´ ethodes

pour mod´ eliser le contexte, nous les d´ ecrivons dans la section suivante.

MOD´ ELISATION DU CONTEXTE

2.1.4/

Un mod` ele de contexte est une repr´ esentation des informations contextuelles dans le

syst` eme. Ces informations contextuelles proviennent de plusieurs sources de nature di-

verses et h´ et´ erog` enes, telles que les donn´ ees provenant des capteurs, des entr´ ees utili-

sateurs ou des donn´ ees syst` emes. Le contexte doit ˆ etre construit de mani` ere structur´ ee

et ordonn´ ee pour qu’il puisse ˆ etre exploit´ e de fac ¸on efficace et afin que le syst` eme puisse

raisonner de fac ¸on pertinente. De nombreuses recherches proposent diff´ erents mod` eles

de contexte fond´ es sur diff´ erents langages. Un aperc ¸u de ces mod` eles de contexte est

pr´ esent´ e ci-dessous (Behlouli, 2006) (Chaari, 2007) (Makssoud, 2008) (Achiri, 2012) :

Mod´ elisation par paire attribut/valeur :

Un des premiers travaux sur la mod´ elisation du contexte est publi´ e par Schilit (Schilit

et al., 1993). Les informations du contexte sont mod´ elis´ ees par une paire attribut/valeur.

L’attribut repr´ esente le nom d’une information contextuelle et la valeur repr´ esente la valeur

actuelle de cette information (Makssoud, 2008). Par exemple, on peut d´ ecrire un contexte

context1 comme suit : (Name=context1, User=x, Localisation=y, Time=t). L’avantage de

cette m´ ethode est la facilit´ e d’implantation. En effet, la gestion du contexte revient ` a par-

courir la liste des contextes disponibles.

Cependant, ce mod` ele manque d’expressivit´ e et de compl´ etude (Chaari, 2007). Par

exemple, si nous d´ efinissons un nouveau contexte context2 : (Name=context2, User=x,

Localisation=y’, Time=t), nous ne pouvons pas dire que context2 est un sous-contexte de

context1, par cons´ equent les propri´ et´ es offertes par l’application dans context1 ne sont

pas appliqu´ es dans le context2 .

Mod´ elisation par mots cl´ es :

Dans ce mod` ele il s’agit d’associer ` a un utilisateur un ensemble de mots cl´ es pond´ er´ es.

Ces mots cl´ es sont extraits du domaine de l’application. Les poids associ´ es ` a chaque

mot cl´ e sont une repr´ esentation num´ erique de l’int´ erˆ et de l’utilisateur par rapport au

mot concern´ e. Par exemple on peut d´ ecrire les pr´ ef´ erences d’un utilisateur inscrit ` a une

39


Mlearning

2.1. CONTEXTE

plateforme de recommandation de films par un ensemble de mots cl´ es comme suit :

(action=10, romantique= 8, drame=3, aventure=10). Ces mots cl´ es repr´ esentent des

pr´ ef´ erences ou des centres d’int´ erˆ et qui constituent la dimension profil de l’utilisateur.

Cette repr´ esentation du profil utilisateur est parmi les premi` eres techniques d´ evelopp´ ees

et elle a ´ et´ e utilis´ ee pour les syst` emes de recherche d’informations (Lieberman, 1995) ou

encore pour les syst` emes de recommandation (Balabanovic and Shoham, 1997).

Seulement

cette

technique

de

mod´ elisation

Premi` erement, elle ne permet pas de repr´ esenter des types d’informations contextuelles

autres que les pr´ ef´ erences et les int´ erˆ ets. De plus, elle ne permet pas de capturer les

relations et les d´ ependances entre les informations du contexte.

pr´ esente

inconv´ enients.

plusieurs

Mod´ elisation par langages ` a balises :

Ici, le contexte est mod´ elis´ e par une structure de donn´ ees hi´ erarchique constitu´ ee de ba-

lises avec des attributs et des contenus. Des langages d´ eriv´ es du SGML (Standard Gene-

ric Markup Language) et en particulier le XML (eXtended Markup Language) sont utilis´ es

pour cette mod´ elisation. Par exemple, ConteXtML (Contexte Markup Language) est un

protocole bas´ e sur XML, utilis´ e pour ´ echanger des informations du contexte entre un utili-

sateur mobile et un serveur. Les messages ConteXtML sont regroup´ es dans des balises

context, et entre ces balises un utilisateur peut par exemple indiquer ses coordonn´ ees

g´ eographiques par une balise spatial (Ryan, 1999). Dans les travaux de Klyne, le stan-

dard du W3C pour la description des syst` emes mobiles, CC/PP (Composite Capabilities/

Preferences Profiles) est utilis´ e. Ce langage est bas´ e sur RDF (Resource Description

Framework). Il est utilis´ e afin de d´ ecrire les capacit´ es des dispositifs et les pr´ ef´ erences

de l’utilisateur (Klyne et al., 2005).

L’avantage du langage de balises est qu’il permet la mise en forme et l’´ echange de

mod` eles entre plusieurs plateformes diff´ erentes facilement. Cependant, les auteurs des

travaux d´ ecrits pr´ ec´ edemment soulignent aussi que cette m´ ethode de mod´ elisation reste

non intuitive et difficile ` a utiliser pour d´ ecrire des informations plus complexes.

Mod´ elisation par graphes :

Cette m´ ethode consiste ` a mod´ eliser les informations contextuelles selon un graphe

conceptuel. Le mod` ele graphique le plus r´ epandu est l’UML (Unified Modeling Language).

Les diagrammes de classes d’UML sont utilis´ es pour mod´ eliser de fac ¸on statique les

concepts qui constituent le contexte sous forme classe/association. Les classes sont uti-

lis´ ees pour repr´ esenter des ´ el´ ements du contexte avec leurs attributs et les associations

repr´ esentent les liens entre ces ´ el´ ements. Sheng propose un mod` ele bas´ e sur une ex-

tension d’UML appel´ e ContextUML (Sheng and Benatallah, 2005). Ce mod` ele est com-

pos´ e de plusieurs classes qui permettent de cr´ eer des services sensibles au contexte.

La classe Context permet de d´ ecrire un contexte de bas niveau repr´ esent´ e par la classe

AtomicContext, ou bien un contexte implicite repr´ esent´ e par la classe CompositeContext.

Pour chaque contexte de bas niveau, le mod` ele permet de sp´ ecifier la source ` a partir de

40


Mlearning

2.1. CONTEXTE

laquelle il a ´ et´ e collect´ e. Henricksen propose un langage graphique appel´ e CML (Context

Modeling Language)(Henricksen and Indulska, 2004). Ce langage permet de capturer les

d´ ependances entre les types de donn´ ees du contexte et de qualifier les informations du

contexte (captur´ ees, implicites, explicites). Il permet en plus de sauvegarder l’historique

de certaines donn´ ees contextuelles et de d´ efinir les contraintes sur les donn´ ees histo-

ris´ ees.

Malgr´ e la simplicit´ e de ces mod` eles au niveau de la repr´ esentation, ils restent moins for-

mels que les autres m´ ethodes (exemple, CML n’est pas standardis´ e, et donc il n’existe

pas d’outil support).

Mod´ elisation orient´ ee objet :

L’approche orient´ ee objet est utilisable pour pouvoir int´ egrer facilement la repr´ esentation

du contexte dans des syst` emes complexes. Le but de la mod´ elisation orient´ ee objet

est de profiter des m´ ecanismes d’encapsulation, d’h´ eritage et de r´ eutilisation. Parmi

les travaux qui ont abord´ e cette m´ ethode, (Hofer et al., 2003) introduit une approche

nomm´ ee HYDROGEN, o` u chaque type de contexte utilis´ e est compos´ e de plusieurs ob-

jets contexte. Chaque type de contexte constitue une super-classe de plusieurs ´ el´ ements

du contexte, notamment le temps, le r´ eseau, la localisation, l’utilisateur, la machine, etc.

Les autres ´ el´ ements peuvent ˆ etre ajout´ es par h´ eritage de la super-classe.

Cette approche de mod´ elisation est efficace en termes de distribution et d’abstraction.

Cependant, elle reste propre ` a une application sp´ ecifique et ne permet pas de partager

le contexte entre applications.

Mod´ elisation bas´ ee sur la logique :

La premi` ere approche de mod´ elisation du contexte en utilisant la logique a ´ et´ e publi´ ee par

(McCarthy and Buvac, 1994). Le contexte est d´ efini par un ensemble de formules du type

c’ : ist(p,c) qui signifie que l’assertion p est vraie dans le contexte c, confirmant ainsi le

contexte c’. Par exemple, c0 : ist(context-of(”Histoire de la Bourgogne”),”Philippe III le Bon

est un Duc de Bourgogne”) consid` ere que Philippe III le Bon est un Duc dans l’histoire

de la Bourgogne. Ce type de mod` ele est caract´ eris´ e par un haut degr´ e de formalisation

et il est utilis´ e avec des r` egles, formant ainsi des m´ ecanismes de d´ eduction de nouvelles

informations sur le contexte et de d´ etection d’inconsistances dans le mod` ele.

Cependant, l’inf´ erence dans un tel mod` ele est une op´ eration qui n´ ecessite un grand

nombre de ressources syst` emes. Or l’informatique mobile consid` ere g´ en´ eralement des

environnements dans lesquels les terminaux mobiles sont limit´ es en ressources. Cette

mod´ elisation n’est donc pas adapt´ ee pour notre probl` eme.

Mod´ elisation bas´ ee sur les ontologies :

Plusieurs mod` eles d’ontologies ont ´ et´ e propos´ es pour repr´ esenter le contexte. Parmi eux,

les travaux de (Chen et al., 2004a) proposent un syst` eme nomm´ e CoBrA (Context Bro-

41


Mlearning

2.1. CONTEXTE

ker Architecture) bas´ ee sur l’id´ ee d’un courtier de contexte. Dans le syst` eme CoBrA une

collection d’ontologies appel´ ee COBRA-ONT est d´ efinit pour la mod´ elisation du contexte

dans un environnement d’une salle de rencontre intelligente. Cette collection d’ontologies

aide le courtier de contexte ` a partager les informations contextuelles avec d’autres agents

du syst` eme. Dans un autre travail de (Wang et al., 2004), une ontologie du contexte ap-

pel´ ee CONON (CONtext ONtology) est propos´ ee pour la mod´ elisation du contexte dans

un environnement ubiquitaire et pour le support de raisonnement logiques. CONON pro-

pose deux ontologies : La premi` ere ontologie capte les concepts g´ en´ eraux du contexte

de base d’une mani` ere abstraite (localisation, utilisateur, activit´ e, etc.). La deuxi` eme on-

tologie est constitu´ ee d’un ensemble de sous-classes qui viennent compl´ eter l’ontologie

de base afin de d´ etailler la mod´ elisation des concepts g´ en´ eraux avec un ensemble de

termes concrets, suivant un environnement (maison, bureau, tablette, etc.).

L’avantage de la mod´ elisation bas´ ee sur les ontologies r´ eside dans les caract´ eristiques

mˆ emes de l’ontologie qui offrent le moyen de faire des descriptions s´ emantiques et d’ef-

fectuer un raisonnement logique grˆ ace aux moteurs d’inf´ erence associ´ es.

Selon (Strang and Linnhoff-Popien, 2004) la mod´ elisation du contexte doit r´ epondre ` a six

exigences. Dans son travail, (Yin, 2010) d´ ecrit ces diff´ erents exigences et propose une

´ evaluation des diff´ erentes approches de mod´ elisation par rapport ` a ces exigences :

– Composition distribu´ ee (dc) : Les syst` emes ubiquitaires sont des syst` emes distribu´ es,

qui n’ont pas une instance centrale responsable de la cr´ eation, du d´ eploiement et de la

maintenance des donn´ ees, et en particulier de la description du contexte. Surtout que

l’administration d’un mod` ele de contexte et ses donn´ ees varient selon la topologie du

r´ eseau, de la source, etc.

– Validation partielle (pv) : La validation des informations du contexte en structure ou

en niveau des instances est n´ ecessaire, quand un mod` ele de contexte est en cours

d’utilisation, ` a cause de la complexit´ e des interactions contextuelles.

– Richesse et qualit´ e de l’information (qua) : La qualit´ e de l’information contextuelle cap-

tur´ ee grˆ ace aux senseurs varie en fonction du temps. De mˆ eme, la richesse de l’infor-

mation contextuelle capt´ ee grˆ ace aux diff´ erents types de senseurs peut diff´ erer dans

un environnement. Un mod` ele de contexte doit donc supporter ces deux crit` eres.

– Incompl´ etude et ambigu¨ ıt´ e (inc) : Les informations contextuelles sont parfois in-

compl` etes ou ambigu¨ es, en particulier si ces informations sont recueillies ` a partir des

capteurs en r´ eseau. Un mod` ele de contexte doit couvrir ce crit` ere, par exemple par

l’interpolation des informations incompl` etes au niveau des instances.

– Degr´ e de formalit´ e (for) : Afin de d´ ecrire des faits contextuels et leurs interrelations

d’une mani` ere pr´ ecise (apr` es, avant, ` a cˆ ot´ e, pr` es de, etc.), il est souhaitable d’utiliser un

mod` ele formel, capable d’ˆ etre interpr´ et´ e de la mˆ eme mani` ere par diff´ erents syst` emes.

– Applicabilit´ e aux environnements existants (app) : Il est important que le mod` ele de

contexte puisse ˆ etre applicable et adaptable dans les infrastructures d´ ej` a existantes.

42


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

Une ´ evaluation des approches de mod´ elisation du contexte par rapport ` a ces diff´ erentes

exigences est propos´ ee dans la table 2.1.

Crit` ere

Mod´ elisation par attribut/valeur

Mod´ elisation par mots cl´ es

Mod´ elisation par langages de balises

Mod´ elisation par graphes

Mod´ elisation orient´ ee objet

Mod´ elisation bas´ ee sur la logique

Mod´ elisation bas´ ee sur les ontologies

dc

-

-

+

-

++

++

++

pv

-

-

++

-

+

-

++

qua

-

-

-

+

+

-

+

inc

-

-

-

-

+

-

+

for

-

-

+

+

+

++

++

app

+

++

++

+

+

-

+

TABLE 2.1 – ´Evaluation des approches de mod´ elisation du contexte par rapport aux

crit` eres de (Strang and Linnhoff-Popien, 2004), (Yin, 2010)

La mod´ elisation par attribut/valeur et par mots cl´ es ne r´ epondent qu’` a un seul des

six crit` eres. La mod´ elisation par langage de balises, par graphes ou bas´ ee sur la lo-

gique, r´ epondent ` a plus de deux crit` eres, mais ne satisfont pas les six crit` eres. Les

deux mod` eles orient´ e objet et bas´ e sur les ontologies r´ epondent ` a tous les crit` eres,

seulement le mod` ele ontologique permet une meilleure validation partielle des donn´ ees

et une meilleure formalit´ e du mod` ele. D’apr` es l’analyse des diff´ erentes m´ ethodes de

mod´ elisation du contexte, nous concluons que l’approche par ontologies correspond le

mieux ` a l’impl´ ementation de notre syst` eme sensible au contexte.

Nous pr´ esentons la notion de sensibilit´ e au contexte dans la section suivante.

SYST` EMES SENSIBLES AU CONTEXTE

2.2/

Le terme sensibilit´ e au contexte est devenu aujourd’hui une technologie embarqu´ ee

dans une grande vari´ et´ e de syst` emes informatiques. Dans cette partie du chapitre, nous

commenc ¸ons par d´ efinir la notion de sensibilit´ e. Ensuite nous pr´ esentons l’architecture

g´ en´ erale d’un syst` eme sensible au contexte et quelques architectures connues dans le

domaine.

D´ EFINITION DE LA SENSIBILIT´ E AU CONTEXTE

2.2.1/

La notion de sensibilit´ e au contexte a ´ et´ e tout d’abord introduite dans le domaine de l’IHM

(Interactions Homme-Machine) par Weiser en 1991 pour r´ econcilier le monde virtuel et

le monde physique (Weiser, 1991). Il d´ eclare que les technologies les plus r´ eussies sont

celles qui s’associent ` a la vie de tous les jours, jusqu’` a ce qu’il devienne difficile de distin-

guer les deux. L’informatique ubiquitaire consiste en l’int´ egration du monde informatique

43


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

partout dans l’environnement et de mani` ere invisible.

La premi` ere d´ efinition de la sensibilit´ e au contexte a ´ et´ e propos´ ee par (Schilit et al., 1994),

comme ´ etant la capacit´ e d’un syst` eme ` a s’adapter au contexte de son ex´ ecution en fonc-

tion de sa localisation, de l’ensemble des personnes ` a proximit´ e, des ´ equipements ac-

cessibles, etc. (Brown, 1996) annonce qu’une application sensible au contexte doit auto-

matiquement extraire de l’information ou effectuer des actions en fonction du contexte uti-

lisateur d´ etect´ e par les capteurs. (Pascoe, 1998) d´ efinit la sensibilit´ e au contexte comme

´ etant la capacit´ e des dispositifs informatiques ` a d´ etecter, interpr´ eter et r´ epondre aux

aspects de l’environnement local d’un utilisateur et des dispositifs informatiques eux-

mˆ emes. (Dey, 2000) affine ces d´ efinitions en une autre plus g´ en´ erale. Il annonce qu’un

syst` eme est sensible au contexte lorsqu’il utilise le contexte pour fournir des informations

pertinentes aux utilisateurs :?a system is context-aware if it uses context to provide rele-

vant information and/or services to the user, where relevancy depends on the user’s task?.

Ces d´ efinitions s’articulent toutes autour de l’aptitude d’un dispositif ` a adapter son com-

portement en se basant sur le contexte de l’utilisateur. Un syst` eme sensible au contexte

est un ensemble de m´ ecanismes destin´ es pour la collection et la gestion des informations

de contexte, et le contrˆ ole du comportement du syst` eme en fonction de ces informations.

ARCHITECTURE G´ EN´ ERALE D’UN SYST` EME SENSIBLE AU CONTEXTE

2.2.2/

Pour r´ ealiser un syst` eme sensible au contexte dans une activit´ e d’apprentissage, nous

avons ´ etudi´ e les diff´ erents cycles de vie des syst` emes sensibles au contexte.

FIGURE 2.1 – Architecture minimale d’un syst` eme sensible au contexte

Dans la litt´ erature, plusieurs travaux ont propos´ e diff´ erentes architectures de ces

syst` emes, comme dans (Dey et al., 2001), (Schilit et al., 2002) et (Chaari, 2007). A par-

44


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

tir de ces travaux on peut extraire une architecture minimale applicable pour tous les

syst` emes sensibles au contexte. Cette architecture s’articule essentiellement autour de

trois mod` eles pour : l’acquisition, l’agr´ egation et le stockage, et le traitement des infor-

mations contextuelles (Ghayam, 2011). La figure 2.1 illustre l’architecture minimale d’un

syst` eme sensible au contexte.

Mod` ele d’acquisition du contexte :

Dans ce mod` ele il s’agit de capturer toutes les informations qui sont disponibles dans un

contexte utilisateur, ` a partir de divers modules d’acquisition (capteurs, utilisateurs, ser-

vices tiers, etc.). Ces modules d’acquisition peuvent ˆ etre physiques ou logiques. Les mo-

dules physiques sont des dispositifs mat´ eriels qui sont capables de fournir des donn´ ees

de contexte, tels que les GPS, pour d´ eterminer les coordonn´ ees d’un utilisateur. Les

modules logiques fournissent des informations contextuelles ` a partir d’applications ou

services logiciels. Par exemple, certaines nouvelles applications mobiles permettent de

d´ eterminer la position ou l’activit´ e courante de l’utilisateur.

Mod` ele d’agr´ egation et stockage du contexte :

Dans ce mod` ele il s’agit d’interpr´ eter les informations contextuelles fournies par les mo-

dules d’acquisition. Cette ´ etape sert ` a analyser et ` a transformer les donn´ ees brutes four-

nies par l’´ etape d’acquisition dans d’autres formats plus faciles ` a manipuler et ` a utiliser

par le syst` eme. Par exemple, les coordonn´ ees g´ eographiques peuvent ˆ etre transform´ ees

en adresses physiques (num´ ero de rue, code postal, nom de ville, etc.) afin qu’elles soient

plus compr´ ehensibles par l’utilisateur. Une fois les informations contextuelles captur´ ees

et interpr´ et´ ees, elles doivent ˆ etre bien g´ er´ ees pour faciliter leur utilisation. La gestion

du contexte contient l’organisation (en dimensions) et la repr´ esentation formelle des in-

formations contextuelles selon un mod` ele. Le choix du mod` ele d´ epend fortement des

m´ ecanismes choisis pour adapter le comportement du syst` eme au contexte. Plusieurs

m´ ethodes de mod´ elisation ont ´ et´ e propos´ ees dans la litt´ erature, et ont ´ et´ e pr´ esent´ ees

dans la section 2.1.4.

Mod` ele de traitement selon un contexte :

Dans ce mod` ele le contexte est exploit´ e pour fournir finalement une application sen-

sible au contexte. C’est au niveau de cette ´ etape que s’effectue l’impl´ ementation d’un

ensemble de m´ ecanismes d’adaptation pr´ evues suite aux changements de contexte.

Ces m´ ecanismes peuvent ˆ etre, par exemple, un ensemble de r` egles d’adaptation,

impl´ ement´ ees en utilisant la logique de pr´ edicats, ou des algorithmes d’adaptation.

Nous pr´ esentons dans la section suivante l’´ etude de quelques architectures dans le do-

maine de la sensibilit´ e au contexte.

45


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

EXEMPLES D’ARCHITECTURES DE SYST` EMES SENSIBLES AU CONTEXTE

2.2.3/

Dans cette section, nous pr´ esentons des architectures de r´ ef´ erence, de plateformes sen-

sibles au contexte. Nous analysons les approches abord´ ees par chaque plateforme pour

impl´ ementer l’architecture g´ en´ erale, d´ ecrite pr´ ec´ edemment, d’un syst` eme sensible au

contexte. Nous nous int´ eressons sp´ ecifiquement aux plateformes suivantes d´ ecrites et

analys´ ees dans l’´ etat de l’art des travaux de (Chaari, 2007) et de (Pham, 2010) :

Architecture Context Toolkit :

Context Toolkit (Dey et al., 2001) offre une boite ` a outils et des composants logiciels

permettant le d´ eveloppement et le d´ eploiement d’applications sensibles au contexte et

r´ eutilisables pour d’autres applications. Il a une architecture en couche permettant la

s´ eparation des processus d’acquisition et de repr´ esentation de contexte, de l’adaptation.

La figure 2.2 pr´ esente l’architecture de base de Context Toolkit.

FIGURE 2.2 – Architecture de Context Toolkit

Les capteurs d´ etectent le contexte physique. Les widgets sont des composants auto-

nomes dont le rˆ ole est de communiquer les informations captur´ ees aux serveurs ou aux

interpr´ eteurs, en fonction des donn´ ees rec ¸ues par les capteurs. Ils ont aussi comme rˆ ole

de constituer un historique des informations du contexte. Les interpr´ eteurs transforment

l’information du contexte dans le but d’´ elever le niveau d’abstraction, en leur donnant une

s´ emantique. Finalement, les serveurs ont pour tˆ ache de collecter l’ensemble des signaux

´ emis par les autres composants et de faire le lien entre les applications et les widgets.

Pour r´ esumer, dans Context Toolkit nous retrouvons les diff´ erentes ´ etapes de l’architec-

ture g´ en´ erique des syst` emes sensibles au contexte. Les principaux inconv´ enients de

l’architecture Context Toolkit sont :

– Les widgets ne sont que de simples pilotes logiciels pour les capteurs.

46


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

– Les widgets ne fournissent pas de sens aux informations qu’ils transmettent.

– Les serveurs regroupent la majeure partie du travail.

CMF :

CMF (Context Management Framework) (Korpipaa et al., 2003) est une plateforme ana-

logue ` a context toolkit de Dey. Cette plateforme est compos´ ee de cinq principales entit´ es,

comme le montre la figure 2.3.

FIGURE 2.3 – Architecture de CMF

CMF est compos´ e de (1) un serveur de ressources pour la capture du contexte et

leur interpr´ etation selon un sch´ ema sp´ ecifique avant de les envoyer au gestionnaire de

contexte, (2) un service de reconnaissance de contexte pour l’interpr´ etation du contexte

et la repr´ esentation dans un mod` ele ontologique, (3) un service de d´ etection de change-

ments pour d´ etecter les changements d’un service suite ` a un changement de contexte,

(4) une composante s´ ecurit´ e pour v´ erifier et contrˆ oler les informations de contexte, et

finalement (5) un gestionnaire de contexte responsable du stockage des informations

contextuelles dans un serveur et de la livraison aux clients selon diff´ erents m´ ecanismes.

CMF utilise les ontologies pour la repr´ esentation du contexte, mais n’offre pas un

m´ ecanisme de raisonnement. Il poss` ede un bon m´ ecanisme d’interpr´ etation, ce qui fa-

vorise l’abstraction du contexte et la r´ eutilisation. Le module de s´ ecurit´ e est un point en

plus. Le principal inconv´ enient de l’architecture CMF est qu’il utilise un serveur pour une

gestion centralis´ e du contexte, ce qui pr´ esente un probl` eme en cas de d´ efaillance du

serveur.

CoBrA :

Context broker ou CoBrA ` a ´ et´ e d´ evelopp´ e par (Chen et al., 2004a). Son architecture est

pr´ esent´ e dans la figure 2.4.

47


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

FIGURE 2.4 – Architecture de CoBrA

Dans la vision de Chen, l’environnement intelligent est muni de plusieurs context bro-

kers, chacun ´ etant responsable d’une partie de l’environnement (exemple, une salle de

r´ eunions intelligente particuli` ere). Le rˆ ole d’un context broker est de maintenir un mod` ele

du contexte dont il est responsable et de partager ce mod` ele avec d’autres agents ou ser-

vices6. Le context broker est un agent central qui rec ¸oit des informations de diff´ erentes

sources (des capteurs, d’autres agents, des dispositifs, des serveurs d’information, etc.)

et doit fusionner ces informations afin de fournir un mod` ele toujours coh´ erent.

Les modules d’acquisition des informations de contexte ont le double rˆ ole de collecter les

donn´ ees brutes et d’effectuer les premi` eres transformations avant la transmission vers

la base des connaissances. Ainsi, les informations de contexte transmises ` a la base de

connaissances sont pr´ e-trait´ ees et dirig´ ees vers le domaine correspondant ` a la cat´ egorie

du capteur source.

La base de connaissances utilise des ontologies pour d´ ecrire les informations contex-

tuelles et partager ses connaissances. Cette base est coupl´ ee avec un moteur

d’inf´ erence compos´ e de trois parties : (1) le module de raisonnement sur l’ontologie qui

d´ eduit des faits ` a partir des informations de la base de connaissances et des mod` eles

d´ efinis dans les ontologies, (2) le module de raisonnement sur le contexte qui est un

moteur d’inf´ erence hybride bas´ e sur la logique (d´ eduction, logique flue, etc.) et l’analyse

statistique (arbre de d´ ecision, r´ eseau Bay´ esien, etc.) et (3) le module de maintien de

la coh´ erence des connaissances qui sert ` a supprimer le bruit dans les informations de

contexte en provenance de l’environnement physique et ` a r´ econcilier la base de connais-

sances avec les changements trop rapides de l’environnement.

CoBrA poss` ede en plus un module de protection de la vie priv´ ee. Les utilisateurs peuvent

ainsi d´ efinir des r` egles dans un langage propre ` a CoBrA. L’inf´ erence sur ces r` egles per-

met au context broker de d´ eterminer s’il peut partager une information donn´ ee ou pas.

6. http ://www-prima.imag.fr/prima/people/zaidenberg/These/node25.html

48


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

En conclusion, l’architecture CoBrA utilise les ontologies pour la description du contexte,

ce qui permet un raisonnement des informations du contexte. Elle utilise un mod` ele cen-

tralis´ e pour le stockage et le traitement du contexte. Le mod` ele ´ etant centralis´ e, l’ar-

chitecture ne tol` ere pas la survenue de d´ efaillances de l’hˆ ote h´ ebergeant la base de

connaissances. Pour cela, CoBrA n´ ecessite un serveur d´ edi´ e.

SOCAM :

SOCAM (Service-Oriented Context-Aware Middleware) (Gu et al., 2004) est un projet

qui vise ` a assurer le d´ eveloppement et le prototypage rapide de services sensibles au

contexte dans des environnements intelligents. Ce projet propose un syst` eme distribu´ e

qui convertit les divers espaces physiques, d’o` u le contexte est captur´ e, en un espace

s´ emantique, o` u le contexte peut ˆ etre partag´ e entre des services sensibles au contexte.

Les composantes de l’architecture SOCAM sont pr´ esent´ ees dans la figure 2.5.

FIGURE 2.5 – Architecture de SOCAM

L’architecture SOCAM se base sur des ontologies pour la mod´ elisation du contexte. Il uti-

lise une premi` ere ontologie de haut niveau qui d´ ecrit les informations caract´ erisant l’en-

vironnement d’ex´ ecution de l’application d’une fac ¸on g´ en´ erale. Ensuite, une deuxi` eme

ontologie sp´ ecifique au domaine de l’application doit ˆ etre d´ efinie (par exemple une onto-

logie d´ ecrivant un utilisateur dans une maison intelligente).

Les fournisseurs de contexte capturent des informations contextuelles ` a partir de sources

h´ et´ erog` enes, concernant l’environnement de l’application et l’environnement de l’utilisa-

49


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

teur. Ensuite, ils les convertissent et les stockent dans un mod` ele ontologique afin que

le contexte puisse ˆ etre partag´ e et r´ eutilis´ e par d’autres composants de l’architecture.

L’interpr´ eteur de contexte fournit des services de raisonnement logique sur le mod` ele

ontologique de contexte en appliquant des enchaˆ ınements de r` egles d’interpr´ etation. La

base de donn´ ees contextuelles stocke les diff´ erents ´ el´ ements de l’ontologie d´ ecrivant

l’environnement de l’application et les instances des ontologies sp´ ecifiques d´ ecrivant l’en-

vironnement de l’utilisateur. Les services sensibles au contexte utilisent les diff´ erentes

informations stock´ ees dans la base de donn´ ees de contexte pour modifier leur comporte-

ment selon le contexte courant. Finalement, le service de localisation de services fournit

un m´ ecanisme avec lequel des utilisateurs ou des applications peuvent localiser les four-

nisseurs et les interpr´ eteurs de contexte.

L’utilisation des ontologies dans le mod` ele SOCAM offre une grande richesse s´ emantique

et plus de possibilit´ es d’inf´ erence et d’interpr´ etation du contexte. L’interpr´ eteur du

contexte dans ce mod` ele est charg´ e par une quantit´ e importante de donn´ ees sous forme

de plusieurs ontologies de diff´ erents domaines. Ce choix affecte la performance globale

du syst` eme vu les difficult´ es d’impl´ ementation et de raisonnements sur plusieurs ontolo-

gies. De plus, le mod` ele ´ etant centralis´ e, l’architecture ne peut pas tol´ erer de d´ efaillances

de l’h´ ebergeur de la base de connaissances.

CASS :

CASS (Context-Awareness Sub-Structure) (Fahy and Clarke, 2004) est un middleware

cr´ e´ e pour appuyer le d´ eveloppement d’applications sensibles au contexte. La figure 2.6

pr´ esente l’architecture de ce middleware.

FIGURE 2.6 – Architecture de CASS

CASS offre une bonne abstraction des informations contextuelles et utilise un mod` ele

orient´ e objet pour la repr´ esentation du contexte. Cette architecture est bas´ ee sur un

50


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

serveur contenant une base de donn´ ees des informations contextuelles ainsi qu’une

base de connaissances. La base de connaissance permet ` a un moteur d’inf´ erence de

d´ eduire d’autres informations de contexte en utilisant la technique de chaˆ ınage arri` ere.

Les ´ equipements mobiles sont munis de diff´ erents types de capteurs. Ceux-ci perc ¸oivent

les changements du contexte et les envoient au serveur sans aucun traitement local.

La communication entre les ´ equipements mobiles et le serveur est assur´ ee par des

connexions sans fil.

Cette architecture offre une bonne modularit´ e permettant ` a un utilisateur de modifier

facilement les composants du serveur, en particulier le m´ ecanisme d’inf´ erence. Les

´ equipements mobiles dans CASS ne font aucun traitement local, tout se fait au niveau du

serveur. Cela limite leur autonomie, en revanche cela favorise l’extensibilit´ e du syst` eme.

Architecture en couches :

(Daruwala, 2008) propose une architecture d’un syst` eme sensible au contexte en

couches, pr´ esent´ ee par la figure 2.7.

FIGURE 2.7 – Architecture en couches (Daruwala, 2008)

51


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

La couche d´ ecouverte de contexte est responsable de l’acquisition d’informations contex-

tuelles ` a partir des capteurs physiques et logiques. Les donn´ ees captur´ ees traversent

une chaˆ ıne de composants comme l’interpr´ eteur, l’assembleur, etc., avant d’arriver ` a la

couche r´ eception de contexte. La couche r´ eception de contexte repr´ esente une inter-

face entre la couche d´ ecouverte de contexte et la couche gestion de contexte. Elle est

conc ¸ue pour assurer la traduction entre les composants de la couche inf´ erieure et les

composants de la r´ eception de contexte. La couche gestion de contexte consiste en un

d´ epˆ ot des informations contextuelles qui servent aux applications sensibles au contexte.

Chaque application peut avoir son propre mod` ele de contexte. Un syst` eme de gestion

est donc exig´ e pour maintenir des mod` eles diff´ erents. Le syst` eme de gestion stocke une

base commune d’informations contextuelles, aussi bien que les m´ etadonn´ ees correspon-

dant ` a chaque mod` ele de contexte, pour r´ eduire les exigences de stockage et acc´ el´ erer le

processus requˆ ete-r´ eponse. La couche m´ emoire constructive raisonne sur le contexte en

effectuant des recherches dans la base de donn´ ees du syst` eme pour obtenir un meilleur

appariement des exp´ eriences pass´ ees au contexte en cours. Pour r´ ealiser cette couche,

un processus capable de stocker les repr´ esentations de contextes pass´ ees et leurs as-

sociations avec d’autres contextes est exig´ e. Ainsi, quand survient une nouvelle situa-

tion, le syst` eme peut non seulement rappeler un contexte existant dans le r´ epertoire des

contextes, mais aussi construire un nouveau contexte ` a partir des contextes existants si-

milaires. Finalement, la couche adaptation permet d’adapter les services pour la couche

application en fonction du contexte actuel.

Cette architecture en couches est actuellement consid´ er´ ee comme mod` ele pour les

concepteurs de syst` emes sensibles au contexte. Cependant, elle manque de solutions

pour supporter la vie priv´ ee et la tol´ erance aux d´ efaillances.

m-LOCO :

(Siadaty et al., 2008) pr´ esentent une architecture sensible au contexte pour le m-learning.

L’architecture est bas´ ee sur une ontologie, appel´ ee m-LOCO (mobile Learning Object

Context Ontologies), dans le but de capturer des informations contextuelles dans des en-

vironnements d’apprentissage mobiles. L’objectif est de personnaliser la navigation pour

guider l’apprenant en lui proposant des ressources selon ses pr´ ef´ erences et ses besoins

pour mieux r´ eussir son apprentissage. (Siadaty et al., 2008) consid` erent que les onto-

logies sont l’un des moyens les plus fonctionnels pour repr´ esenter des donn´ ees contex-

tuelles. En outre, les ontologies peuvent utiliser des r` egles pour raisonner sur le contexte,

rendant la repr´ esentation ` a la fois flexible et extensible.

Les donn´ ees contextuelles de m-LOCO sont int´ egr´ ees dans un mod` ele flexible reposant

sur une ontologie, plus pr´ ecis´ ement un ensemble d’ontologies inter-reli´ ees nomm´ e LOCO

framework (Learning Object Context Ontologies) (Jovanovic et al., 2007). Ces ontolo-

gies repr´ esentent la couche fondatrice pour le d´ eveloppement de l’architecture m-LOCO.

LOCO est compos´ e de trois principales ontologies et est ´ etendu grˆ ace ` a un ensemble

suppl´ ementaire de propri´ et´ es ` a d’autres ontologies pertinentes, tels que la mod´ elisation

52


Mlearning

2.2. SYST`EMES SENSIBLES AU CONTEXTE

de l’utilisateur (user model ontology) et la mod´ elisation du domaine en question (domain

ontology). Les trois principales ontologies sont : (1) l’ontologie des objets d’apprentis-

sage (content structure ontology + content type ontology), (2) l’ontologie des activit´ es

d’apprentissage, inspir´ ee du mod` ele IMS-LD7(learning design ontology) et (3) l’ontolo-

gie LOCO-Cite, qui est en fait le point de liaison les autres ontologies.

Pour ˆ etre en mesure de traiter l’h´ et´ erog´ en´ eit´ e des dispositifs dans un environnement ubi-

quitaire, une ontologie des dispositifs mobiles (mobile device ontology) vient compl´ eter le

mod` ele LOCO framework.

FIGURE 2.8 – Architecture g´ en´ erale de m-LOCO

La figure 2.8 illustre l’architecture globale de l’environnement d’apprentissage sensible au

contexte m-LOCO comme un ensemble d’entrepˆ ots ontologiques pour localiser, chercher

et proposer des objets d’apprentissage personnalis´ es aux apprenants.

Synth` ese sur les architectures sensibles au contexte :

Selon (Daruwala, 2008), un syst` eme sensible au contexte doit r´ epondre ` a certaines exi-

gences qui sont les suivantes :

1. Support de l’h´ et´ erog´ en´ eit´ e : Le syst` eme doit supporter la diversit´ e des capteurs

7. http ://en.wikipedia.org/wiki/IMS Learning Design

53


Mlearning

2.3. CONCLUSION

physiques, des dispositifs mobiles, des langages de mod´ elisation, etc.

2. Support de la mobilit´ e : Les protocoles de communication doivent supporter la mo-

bilit´ e des dispositifs et des capteurs.

3. Protection de la vie priv´ ee : Les flux d’informations contextuelles entre les com-

posants du syst` eme doivent ˆ etre contrˆ ol´ es selon les besoins et les exigences de

protection de la vie priv´ ee des utilisateurs.

4. Trac ¸abilit´ e et contrˆ ole : L’´ etat des composants du syst` eme et les flux d’infor-

mations entre les composants doivent ˆ etre ouverts ` a l’inspection pour fournir la

compr´ ehension ad´ equate et le contrˆ ole du syst` eme pour les utilisateurs.

5. Tol´ erance aux ´ echecs : Les composants du syst` eme peuvent ´ eventuellement ren-

contrer des d´ efaillances. Le syst` eme doit continuer les op´ erations sans exiger des

ressources excessives, et d´ etecter des ´ echecs.

6. D´ eploiement et configuration : Les mat´ eriels et les logiciels du syst` eme doivent ˆ etre

facilement d´ eploy´ es et configur´ es pour atteindre les exigences des utilisateurs.

Le tableau 2.2 synth´ etise les principaux aspects de chaque architecture pr´ esent´ ee

pr´ ec´ edemment :

Crit` ere

(1)

(2)

(3)

(4)

(5)

(6)

Toolkit

-

-

+

+

-

++

CoBra

++

+

+

+

-

+

CMF

++

+

+

+

-

+

SOCAM

-

+

-

-

-

+

CASS

+

++

-

+

-

+

Architecture en couches

+

+

-

+

-

++

m-LOCO

++

+

-

+

+

+

TABLE 2.2 – Exigences pour les syst` emes sensibles au contexte (Daruwala, 2008)

En nous basant sur le tableau 2.2 nous constatons qu’aucune des architectures

pr´ esent´ ees ne remplit tous les crit` eres demand´ es pour l’impl´ ementation d’un syst` eme

sensible au contexte. L’architecture en couches, l’architecture CASS et l’architecture m-

LOCO peuvent ˆ etre consid´ er´ ees comme mod` eles pour les concepteurs de syst` emes,

mais elles manquent encore de solutions pour supporter la vie priv´ ee et la tol´ erance

aux ´ echecs. Il en est de mˆ eme pour l’architecture SOCAM, qui en plus ne supporte pas

l’h´ et´ erog´ en´ eit´ e et la trac ¸abilit´ e. L’architecture de CMF et l’architecture CoBra (qui se base

sur Toolkit) sont celles qui r´ epondent ` a presque tous les crit` eres.

2.3/

CONCLUSION

Dans ce chapitre, nous avons pr´ esent´ e un ´ etat de l’art sur le contexte et la sensibilit´ e au

contexte. Nous avons mis en avant la n´ ecessit´ e de prendre en compte le contexte dans

54


Mlearning

2.3. CONCLUSION

la conception d’un syst` eme d’apprentissage mobile, et d’int´ egrer ce contexte tout au long

du cycle de conception. A travers diff´ erentes d´ efinitions du contexte, nous avons ´ etudi´ e

les ´ el´ ements significatifs du contexte. Le contexte est vu comme un ensemble d’infor-

mations qui concernent l’utilisateur, son environnement et ses activit´ es, qui pourront ˆ etre

utilis´ ees pour faciliter les tˆ aches de l’utilisateur. Cet ensemble est structur´ e, partag´ e et

´ evolue au cours du temps. Une organisation du contexte selon diff´ erentes dimensions a

´ et´ e propos´ ee. L’utilisation des ontologies pour la mod´ elisation du contexte devient de plus

en plus r´ epandue. Ceci est principalement dˆ u aux propri´ et´ es formelles des ontologies qui

permettent d’assurer l’interop´ erabilit´ e au niveau s´ emantique. La sensibilit´ e au contexte

est un concept indispensable dans la conception de syst` emes d’apprentissage mobile.

L’´ etude des architectures de syst` emes sensibles au contexte nous a permis de d´ egager

des principes pour concevoir un syst` eme de contextualisation pour l’apprentissage mo-

bile. L’architecture en couches constitue un cadre g´ en´ eral pour la conception, l’acquisition

d’informations contextuelles et l’adaptation des contenus aux utilisateurs. L’objectif est de

rendre le syst` eme capable de r´ eagir de fac ¸on pertinente aux changements de l’environ-

nement dans lequel se situe l’apprenant.

On en arrive ainsi ` a l’adaptation ou encore la recommandation de contenus d’apprentis-

sage dans un contexte mobile. Ainsi le chapitre suivant, est d´ edi´ e ` a l’´ etude des syst` emes

adaptatifs et des syst` emes de recommandation pour l’apprentissage mobile.

55


Mlearning

3

SYST` EMES DE RECOMMANDATION

La majorit´ e des solutions mises en pratique ces derni` eres ann´ ees dans le domaine de

l’apprentissage ´ electronique privil´ egient une approche centr´ ee sur la mise ` a disposition

de ressources p´ edagogiques de qualit´ e, souvent au d´ etriment de leur exploitation au sein

de contextes p´ edagogiques diversifi´ es. De mˆ eme, en apprentissage mobile, l’exploitation

des contenus p´ edagogiques par les apprenants mobiles est complexe lorsque ces der-

niers doivent rechercher des contenus en rapport avec leur situation r´ eelle. Le probl` eme

en apprentissage mobile n’est pas tant la disponibilit´ e ni la qualit´ e de l’information, mais

sa pertinence relative ` a un contexte d’utilisation sp´ ecifique. La qualit´ e d’un syst` eme d’ap-

prentissage mobile d´ epend, d` es lors, de sa capacit´ e ` a fournir aux apprenants, d’une part

des contenus p´ edagogiques adapt´ es ` a leur contexte et d’autre part, des processus qui

les guident v´ eritablement dans leur processus d’apprentissage. Le d´ eveloppement de

syst` emes d’apprentissage adaptatifs r´ epond ` a cet objectif.

Un syst` eme d’apprentissage adaptatif utilise trois types de connaissances : les connais-

sances sur les contenus ` a apprendre, les connaissances sur les apprenants (profil et

environnement), et finalement les connaissances sur les processus d’apprentissage. Un

syst` eme d’apprentissage adaptatif met aussi en œuvre des m´ ethodes et des techniques

d’adaptation pour construire des parcours personnalis´ es en utilisant ces trois types de

connaissances. Cette architecture minimale est propos´ ee ` a la base, par les travaux

men´ es sur les syst` emes hyperm´ edia adaptatifs (pour plus de d´ etails voir l’annexe A).

Seulement ces syst` emes posent encore des probl` emes relatifs ` a la gestion de l’informa-

tion (surcharge cognitive). Une r´ eponse ` a la surcharge informationnelle est les syst` emes

de recommandation. Dans une deuxi` eme partie, ce chapitre pr´ esente une ´ etude des

syst` emes de recommandations. Nous exposerons les diff´ erentes techniques de recom-

mandation, et leurs apports pour la r´ esolution du probl` eme de surcharge informationnelle

en apprentissage ´ electronique. Ce chapitre reprend certaines id´ ees d´ evelopp´ ees par Ro-

main Picot-Cl´ emente lors de sa th` ese au sein de l’´ equipe Checksem (Picot-Cl´ emente,

2011).

57


Mlearning

3.1. INTRODUCTION AUX SYST`EMES DE RECOMMANDATIONS

Sommaire

Introduction aux syst` emes de recommandations . . . . . . . . . . .

Approches de recommandation

3.2.1

Recommandations bas´ ees sur le contenu . . . . . . . . . . . . .

3.2.2

Recommandations par filtrage collaboratif . . . . . . . . . . . . .

3.2.3

Avantages et inconv´ enients des approches de recommandation

3.2.4

Approches hybrides . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.5

Syst` emes de recommandation sensibles au contexte

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1

3.2

58

60

60

65

67

68

70

70

. . . . . . . . . . . . . . . . . . . . .

. . . . . .

3.3

INTRODUCTION AUX SYST` EMES DE RECOMMANDATIONS

3.1/

Les syst` emes de recommandation sont devenus un domaine de recherche ind´ ependant

dans le milieu des ann´ ees 1990 (Goldberg et al., 1992). Ces derni` eres ann´ ees, avec le

d´ eveloppement du Web et plus particuli` erement des plateformes e-commerce, l’int´ erˆ et

pour les syst` emes de recommandation a consid´ erablement augment´ e. A l’origine, les

syst` emes de recommandations sont apparus pour essayer de r´ esoudre les probl` emes

li´ es ` a la surcharge informationnelle (surcharge cognitive).

Ce sont des outils capables de fournir des recommandations personnalis´ ees ou permet-

tant de guider l’utilisateur vers des ressources int´ eressantes ou utiles au sein d’un espace

de donn´ ees important (Burke, 2002). Les syst` emes de recommandation sont essentielle-

ment orient´ es vers les individus qui n’ont pas suffisamment d’exp´ erience personnelle ou

de comp´ etences pour ´ evaluer la quantit´ e potentiellement immense d’informations qu’un

site Web, par exemple, peut offrir (Resnick and H.R.Varian, 1997).

Le d´ eveloppement des syst` emes de recommandation s’est initi´ e ` a partir d’une observa-

tion assez simple : les individus s’appuient souvent sur les recommandations des autres

pour la prise de d´ ecisions quotidiennes (McSherry and Mironov, 2009). Par exemple, il est

commun de s’appuyer sur ce que nos semblables recommandent lors du choix d’un livre

` a lire; les employeurs comptent sur les lettres de recommandation pour leurs d´ ecisions

de recrutement; et pour la s´ election de films ` a regarder, les individus tendent ` a lire et se

fier aux critiques de films.

Aujourd’hui, le domaine d’application de ces syst` emes de recommandation est tr` es large.

Ils font partie int´ egrante des sites de e-commerce. Les articles les plus recommand´ es

sont les films, les livres, la musique, les photos, les jeux, etc. Les services les plus re-

command´ es sont les voyages, les restaurants, les hˆ otels, les pages Web, etc. Un bon

exemple de syst` eme de recommandation, est celui utilis´ e par le site Web Amazon. Le

site a en effet accru significativement le nombre de ses visites et de ses ventes grˆ ace ` a

cet outil. Certains utilisateurs vont mˆ eme maintenant sur ce site principalement dans le

58


Mlearning

3.1. INTRODUCTION AUX SYST`EMES DE RECOMMANDATIONS

but de b´ en´ eficier de ces recommandations, mˆ eme s’ils n’ont pas l’intention d’y acheter de

produit. Et il en est de mˆ eme pour des sites tels que Allocin´ e pour les cin´ ephiles, Deezer

pour la recommandation de musiques, Gameloft pour la recommandation de jeux vid´ eos,

lasminute.com pour la recommandation de s´ ejours touristiques ou encore Tripadvisor

pour la recommandation d’hˆ otels et de restaurants.

Les deux entit´ es de base qui apparaissent dans tous les syst` emes de recommanda-

tion sont l’item et l’utilisateur : Item est le terme g´ en´ eral utilis´ e pour d´ enoter ce que le

syst` eme recommande aux utilisateurs. Afin de proposer des suggestions utiles et perti-

nentes pour un utilisateur en particulier, un syst` eme de recommandation va se focaliser

sur un type sp´ ecifique d’item (par exemple, des fragments de pages Web, des livres, des

images, etc.) et en cons´ equence, va personnaliser son mod` ele de navigation, son in-

terface, ses techniques de recommandation, etc. Les utilisateurs doivent ˆ etre mod´ elis´ es

dans le syst` eme de recommandation afin que le syst` eme puisse exploiter leurs profils et

pr´ ef´ erences. Par ailleurs, une description pr´ ecise et claire des contenus est ´ egalement

n´ ecessaire pour obtenir de bons r´ esultats au moment des recommandations (Vozalis and

Margaritis, 2003).

Les syst` emes de recommandation ont prouv´ e ces derni` eres ann´ ees qu’ils sont un bon

moyen pour faire face au probl` eme de surcharge cognitive. En effet pour r´ esoudre ce

probl` eme, un syst` eme de recommandation met en avant des items inconnus qui peuvent

ˆ etre pertinents pour les utilisateurs. Ce niveau de pertinence est d´ etermin´ e par le syst` eme

en fonction de connaissances vari´ ees (profil de l’utilisateur, contexte de consommation,

items disponibles, historique des transactions, feedbacks d’autres utilisateurs sur l’item,

etc.). L’utilisateur peut alors parcourir les recommandations et peut fournir un feedback

implicite ou explicite. Par exemple, dans une plateforme e-learning un feedback peut ˆ etre

des notes ou des avis que les apprenants peuvent attribuer au contenus. Toutes les ac-

tions et les feedbacks des utilisateurs peuvent ˆ etre enregistr´ es dans la base de donn´ ees

du syst` eme de recommandations, et par la suite utilis´ es pour g´ en´ erer de nouvelles re-

commandations.

Il est possible de classer les syst` emes de recommandation de diff´ erentes mani` eres. La

classification la plus connue est une classification selon deux approches : la recomman-

dation bas´ ee sur le contenu et la recommandations par filtrage collaboratif (Shahabi et al.,

2001) (Picot-Cl´ emente, 2011).

– La recommandation bas´ ee sur le contenu : Le syst` eme recommande des items qui

sont similaires ` a ceux que l’utilisateur a aim´ e dans le pass´ e. La similarit´ e des items

est calcul´ ee en se basant sur les caract´ eristiques associ´ ees aux items compar´ es. Par

exemple, si l’utilisateur a not´ e positivement un film qui appartient au genre com´ edie,

alors le syst` eme peut fournir des recommandations de films de ce genre.

– La recommandation par filtrage collaboratif : Le syst` eme demande aux utilisateurs

d’´ evaluer des ressources, de sorte qu’il sache ce qu’ils aiment le plus. Puis, quand une

recommandation est demand´ ee pour l’utilisateur courant, lui seront alors propos´ ees

59


Mlearning

3.2. APPROCHES DE RECOMMANDATION

des ressources que des utilisateurs semblables ` a lui ont aim´ e. Le filtrage collaboratif

est la technique la plus populaire et la plus r´ epandue dans les syst` emes de recom-

mandation.

Nous d´ ecrivons bri` evement ces diff´ erentes approches de recommandations dans les sec-

tions suivantes.

3.2/

APPROCHES DE RECOMMANDATION

RECOMMANDATIONS BAS´ EES SUR LE CONTENU

3.2.1/

Les syst` emes de recommandation bas´ es sur le contenu sont ` a l’intersection des do-

maines des syst` emes de recherche d’informations et de l’intelligence artificielle (Ricardo

and Ribeiro-Neto, 1999).

La technique de recommandation bas´ ee sur le contenu repose sur l’hypoth` ese que

des items ayant des contenus similaires seront appr´ eci´ es pareillement (Schafer et al.,

2007). Cette technique est fond´ ee sur l’analyse des similarit´ es de contenu entre les items

pr´ ec´ edemment consult´ es par les utilisateurs et ceux qui n’ont pas ´ et´ e encore consult´ es

(Burke, 2002).

Les items qui peuvent ˆ etre recommand´ es aux utilisateurs sont repr´ esent´ es par un en-

semble de caract´ eristiques, aussi appel´ ees attributs, variables ou propri´ et´ es dans la

litt´ erature. Par exemple, dans une application de recommandation de films, les attributs

adopt´ es pour d´ ecrire un film sont : acteurs, directeurs, genres, sujet, etc., ou encore dans

une plateforme e-learning les attributs adopt´ es pour d´ ecrire un contenu sont : titre, au-

teur, th` eme, etc. Un item est repr´ esent´ e dans le syst` eme au moyen d’une donn´ ee struc-

tur´ ee. Plus formellement, cette donn´ ee structur´ ee est un vecteur X = (x1, x2,··· , xn) de

n composantes. Chaque composante repr´ esente un attribut et peut contenir des valeurs

binaires, num´ eriques ou encore nominales.

FIGURE 3.1 – Recommandation bas´ ee sur le contenu

60


Mlearning

3.2. APPROCHES DE RECOMMANDATION

Ainsi, le processus principal r´ ealis´ e par un syst` eme de recommandation bas´ e sur

le contenu consiste ` a faire correspondre les attributs d’un profil utilisateur (o` u les

pr´ ef´ erences et int´ erˆ ets sont stock´ es) avec les attributs des items d’un contenu, dans

le but de recommander ` a l’utilisateur de nouveaux objets int´ eressants (figure 3.1). Cette

d´ emarche est souvent passive, c’est le syst` eme qui d´ eduit, qui analyse, qui apprend le

profil utilisateur et non l’utilisateur qui le fournit.

Dans la plupart des syst` emes de recommandations bas´ es sur le contenu, les descrip-

tions des items sont des caract´ eristiques textuelles extraites ` a partir de pages Web,

emails, articles de news ou descriptions de produits. Les items correspondent souvent

` a des mots-cl´ es. Exemple, pour un syst` eme de recommandation d’articles scientifiques

bas´ e sur le contenu, lorsqu’un utilisateur a tendance ` a consulter souvent des articles

portant sur le domaine du Web s´ emantique, le syst` eme lui proposera alors des articles

li´ ees ` a ce domaine. En effet, ces articles disposent de mots-cl´ es communs (extraits sur la

base d’une indexation automatique, ou attribu´ es manuellement) tels qu’owl, s´ emantique

ou ontologie. La pr´ ecision de cette approche est donc hautement d´ ependante de la na-

ture des contenus : elle est beaucoup plus ´ elev´ ee pour des contenus textuels que pour

des contenus tels que les images, les vid´ eos ou les ressources audio, dont il est diffi-

cile d’extraire des attributs. En g´ en´ eral, quand cette approche est employ´ ee pour des

ressources non textuelles, des m´ eta-donn´ ees sont utilis´ ees. On peut citer par exemple,

les m´ etadonn´ ees du Dublin Core1pour la description de contenus (titre, auteur, sujet,

etc.). Nous pouvons ´ egalement citer les travaux de (Lain´ e-Cruzel, 1999) qui permettent

de d´ efinir des propri´ et´ es li´ ees ` a l’ensemble d’un document (profession de l’auteur, type du

contenu, etc.) ainsi que celles relatives ` a des parties du contenu (forme, style, etc.) afin

de restreindre les contenus pertinents aux seuls contenus exploitables et r´ eellement utili-

sables. De mˆ eme, une liste non exhaustive de m´ etadonn´ ees pour l’annotation qualitative

de documents est donn´ ee par (Berti-Equille, 2002) dans le contexte de la recommanda-

tion multi-crit` eres. Cependant aujourd’hui, la plupart des recherches sur la recommanda-

tion bas´ ee sur le contenu portent sur des donn´ ees textuelles (Adomavicius et al., 2005).

Dans ce cadre, la mesure la plus populaire pour l’analyse du contenu est la mesure TF-

IDF(Term Frequency-Inverse Document Frequency) (Salton, 1989) que nous pr´ esentons

dans la section suivante.

Recommandation bas´ ee sur les mots-clefs :

La plupart des syst` emes de recommandation bas´ es sur le contenu utilisent de simples

mod` eles de recherche initialement utilis´ es en recherche d’informations, comme la cor-

respondance de mots-clefs ou le Mod` ele d’Espace Vectoriel (MEV), et les couples avec

la pond´ eration basique TF-IDF. MEV est une repr´ esentation spatiale des documents tex-

tuels et la mesure TF-IDF est une mesure statistique qui permet d’´ evaluer l’importance

d’un mot dans un document ou dans un item faisant partie d’une collection de documents

(Pazzani and Billsus, 2007). Dans ce mod` ele, chaque document est repr´ esent´ e par un

1. http ://dublincore.org/documents/dces/

61


Mlearning

3.2. APPROCHES DE RECOMMANDATION

vecteur de dimension n, o` u chaque dimension correspond ` a un terme de l’ensemble du

vocabulaire d’une collection de documents. Formellement, tout document est repr´ esent´ e

par un vecteur poids sur des termes, o` u chaque poids indique le degr´ e d’association

entre le document et le terme :

Soit D = {d1,d2,··· ,dN} d´ enotant un ensemble de N documents ou corpus, et T =

{t1,t2,...,tn} le dictionnaire, ou l’ensemble des mots du corpus. T est obtenu en appli-

quant des op´ erations de traitement du langage naturel, comme l’atomisation (tokeniza-

tion), l’´ elimination des mots vides de sens, et la troncature (stemming) (Baeza-Yates and

Ribeiro-Neto, 1999). Chaque document djest repr´ esent´ e par un vecteur dans un espace

vectoriel ` a n dimensions, tel que dj= {w1j,w2j,...,wnj}, o` u wkjest le poids du terme tk

dans le document dj, obtenu avec le calcul TF-IDF :

fk,j

(3.1)

TF(tk,dj) =

maxz.fz,j

o` u le maximum est calcul´ e sur la fr´ equence fz,jde tous les termes tzqui apparaissent

dans le document dj,

TFIDF(tk,dj) = TF(tk,dj).logN

(3.2)

nk

o` u N d´ enote le nombre de documents dans le corpus, et nkrepr´ esente le nombre de

documents de la collection dans lesquels le terme tkapparait au moins une fois.

L’´ etape suivante consiste ` a normaliser les poids obtenus par la fonction TF-IDF. Afin que

les documents soient repr´ esent´ es par des vecteurs de mˆ eme longueur les poids obtenus

sont g´ en´ eralement normalis´ es par la fonction cosinus :

TFIDF(tk,dj)

P|T|

(3.3)

wj,k=

s=1TFIDF(tk,dj)2

Ensuite, pour d´ eterminer la proximit´ e entre deux documents il faut d´ efinir une mesure de

similarit´ e des vecteurs caract´ eristiques. Il existe de nombreuses mesures de similarit´ e,

mais la plus largement utilis´ ee dans le domaine de la recherche d’information est la simi-

larit´ e cosinus qui consiste ` a calculer la similarit´ e entre deux vecteurs en d´ eterminant le

cosinus de l’angle entre eux (Salton and McGill, 1983) :

P

kwk,i.wk,j

qP

(3.4)

sim(di,dj) =

qP

kw2

kw2

k,i.

k,j

De la mˆ eme mani` ere, les profils utilisateurs sont repr´ esent´ es par des vecteurs de termes

pond´ er´ es. La pr´ ediction de l’int´ erˆ et d’un utilisateur sur un item donn´ e est ensuite effectu´ ee

62


Mlearning

3.2. APPROCHES DE RECOMMANDATION

par calcul de similarit´ e entre le vecteur de profil de l’utilisateur et le vecteur de contenu

en utilisant ici aussi la similarit´ e cosinus.

Les syst` emes de recommandation bas´ es sur les vecteurs mots-clefs ont ´ et´ e d´ evelopp´ es

et utilis´ es dans de multiples domaines d’applications. Chaque domaine pr´ esente

diff´ erents probl` emes qui requi` erent diff´ erentes solutions : Exemple 1, dans le domaine

des syst` emes de recommandation Web, on peut citer comme exemple le syst` eme Letizia

(Lieberman, 1995) qui est impl´ ement´ e comme une extension de navigateur Web tra-

quant le comportement de l’utilisateur et qui construit un mod` ele personnalis´ e constitu´ e

des mots-clefs li´ es aux int´ erˆ ets de l’utilisateur. Il s’appuie sur un feedback implicite pour

inf´ erer sur les pr´ ef´ erences de l’utilisateur. Par exemple, ajouter une page en favoris est

interpr´ et´ e comme une preuve ´ evidente de l’int´ erˆ et de l’utilisateur pour cette page.

Exemple 2, dans le domaine de la recommandation d’actualit´ es, on peut citer your-

News(Ahn et al., 2007) ou encore NewT (NewsTailor) (Sheth and Maes, 1993). yourNews

contient un syst` eme classique fonctionnant ` a l’aide de vecteurs pond´ er´ ees avec la me-

sure TF-IDF et compar´ es ` a l’aide de la similarit´ e cosinus. Il es est de mˆ eme pour NewT.

Les articles recommand´ es par les syst` emes en flux en fonction de le leur th` eme. Ensuite,

un agent de recommandation est utilis´ e ind´ ependamment pour chaque th` eme. Ainsi plu-

sieurs agents de recommandation sont form´ es dans le mˆ eme syst` eme pour diff´ erents

types d’information, par exemple, un pour les actualit´ es politiques, un pour le sport, etc.

La recommandation bas´ ee sur les mots-clefs pr´ esente plusieurs avantages :

– D´ emarrage ` a froid : La recommandation bas´ ee sur les mots-clefs permet de g´ en´ erer

des recommandations malgr´ e une situation de d´ emarrage ` a froid qui se produit par

l’introduction d’un nouvel item dans le syst` eme de recommandation. En effet quand

de nouveaux items sont introduits dans le syst` eme, ils peuvent ˆ etre recommand´ es

directement en faisant une analyse de similarit´ e, sans que cela ne n´ ecessite un temps

d’int´ egration.

– Pr´ ecision des recommandations : La recommandation utilisant une repr´ esentation

par mots-clefs ` a la fois pour les items et pour les profils permet de donner des

r´ esultats pr´ ecis. Mais pour cela il est n´ ecessaire d’avoir un nombre suffisant de preuves

d’int´ erˆ ets des utilisateurs dans le syst` eme.

La plupart des syst` emes bas´ es sur le contenu sont conc ¸us comme des classificateurs

de textes, construits ` a partir d’un ensemble de documents qui sont soit des exemples

positifs, soit des exemples n´ egatifs des int´ erˆ ets de l’utilisateur. Le probl` eme avec cette

approche est le manque d’intelligence. De plus dans ce type de syst` eme de recom-

mandations les repr´ esentations des profils utilisateurs ainsi que des items sont souvent

h´ et´ erog` enes, ce qui peut empˆ echer leurs utilisation et exploitation dans d’autres proces-

sus de recommandation. Des strat´ egies de recommandation plus avanc´ ees prenant en

compte la s´ emantique associ´ ee aux profils utilisateur et aux items sont n´ ecessaires. Nous

pr´ esentons dans la section suivante un nouveau type de syst` emes de recommandations

63


Mlearning

3.2. APPROCHES DE RECOMMANDATION

bas´ es sur le contenu; les syst` emes de recommandations bas´ es sur la s´ emantique.

Recommandation bas´ ee sur la s´ emantique :

Les syst` emes bas´ es sur la s´ emantique sont un cas particulier des syst` emes bas´ es sur

le contenu. Ils tendent ` a int´ egrer les nouvelles technologies du Web s´ emantique, afin de

rem´ edier ` a certains manques des syst` emes bas´ es sur le contenu classiques :

SiteIF a ´ et´ e le premier syst` eme de recommandation ` a adopter une repr´ esentation bas´ ee

sur le sens des documents pour construire un mod` ele des int´ erˆ ets de l’utilisateur (Ma-

gnini and Strapparava, 2000). SiteIF est un agent personnel pour un site Web de nou-

velles multi-lingue. La source externe de connaissance impliqu´ ee dans le processus de

repr´ esentation est MultiWordNet, une base de donn´ ees lexicale multi-lingues. Chaque

news est automatiquement associ´ ee ` a une liste d’ensembles de synonymes (dits syn-

sets) de MultiWordNet. Le profil utilisateur est un r´ eseau s´ emantique o` u les nœuds

repr´ esentent les synsets trouv´ es dans les documents lus par l’utilisateur. Durant la phase

de correspondance, le syst` eme rec ¸oit en entr´ ee la repr´ esentation sous forme de synsets

d’un document et le mod` ele utilisateur courant, et il produit en sortie une estimation de la

pertinence du document en utilisant la Semantic Network Value Technique propos´ e par

(Stefani and Strappavara, 1998).

ITR (ITerm Recommender) est un syst` eme capable de fournir des recommandations

d’items dans plusieurs domaines (films, musique, livres), ` a condition que les descriptions

d’articles soient disponibles sous forme de documents textes (Degemmis et al., 2007).

Similairement ` a SiteIF, ITR int` egre la connaissance linguistique au processus d’appren-

tissage des profils utilisateurs. La connaissance linguistique vient exclusivement de l’on-

tologie lexicale WordNet. Les items sont repr´ esent´ es selon des vecteurs bas´ es sur des

synsets, appel´ es bag-of-synsets (BOS). Dans le mod` ele BOS, un vecteur de synsets,

plutˆ ot qu’un vecteur de mots, correspond ` a un document. Le profil utilisateur est construit

comme un classificateur binaire na¨ ıf bay´ esien de texte, capable de cat´ egoriser un item

comme int´ eressant ou non. Il comprend les synsets qui s’av` erent ˆ etre plus r´ ev´ elateurs

des pr´ ef´ erences de l’utilisateur, selon la valeur des probabilit´ es conditionnelles estim´ ees

dans la phase d’apprentissage. La correspondance item-profil consiste ` a calculer la pro-

babilit´ e qu’un item appartienne ` a la classe int´ eressant, par utilisation des probabilit´ es des

synsets dans le profil utilisateur.

Le syst` eme JUMP (Basile et al., 2007) est capable de d´ elivrer intelligemment une infor-

mation contextuelle et personnalis´ ee ` a des travailleurs dans un environnement de travail

non routinier. Les besoins des utilisateurs sont repr´ esent´ es sous la forme de requˆ etes

complexes, plutˆ ot que sous la forme d’un profil utilisateur. Un exemple de requˆ ete com-

plexe est Je dois pr´ eparer un rapport technique pour le projet m-learning. L’analyse

s´ emantique des documents et l’analyse des besoins de l’utilisateur sont bas´ ees sur une

ontologie de domaine o` u chaque concept est manuellement annot´ e en utilisant des syn-

sets de WordNet. La correspondance entre les documents et les concepts du domaine est

r´ ealis´ ee automatiquement au moyen des proc´ edures qui exploitent les annotations lexi-

64


Mlearning

3.2. APPROCHES DE RECOMMANDATION

cales dans l’ontologie de domaine. Pour le traitement de la requˆ ete donn´ ee en exemple,

toutes les instances des concepts rapport technique et projet, et les relations entre ces

instances sont extraites de l’ontologie.

L’int´ erˆ et majeur pour les connaissances linguistiques est mis en valeur par la large utilisa-

tion de WordNet, qui est principalement utilis´ e pour l’interpr´ etation du contenu en utilisant

la d´ esambigu¨ ısation. D’un autre cˆ ot´ e, les ´ etudes d´ ecrites pr´ ec´ edemment montrent que

WordNet n’est pas suffisant pour la compr´ ehension totale des int´ erˆ ets des utilisateurs et

pour leur contextualisation. Une connaissance sp´ ecifique au domaine et au contexte est

n´ ecessaire.

3.2.2/

RECOMMANDATIONS PAR FILTRAGE COLLABORATIF

Le filtrage collaboratif est parmi les technologies les plus populaires dans le domaine des

syst` emes de recommandation (Herlocker et al., 2000). Le filtrage collaboratif se base

sur l’id´ ee que les personnes ` a la recherche d’information devraient se servir de ce que

d’autres ont d´ ej` a trouv´ e et ´ evalu´ e. Dans la vie quotidienne, si quelqu’un a besoin d’une

information, il essaye de s’informer g´ en´ eralement aupr` es de ses amis, ses coll` egues, qui

vont ` a leur tour lui recommander des articles, des films, des livres, etc. C’est ` a partir de

ce constat que l’id´ ee de filtrage collaboratif est n´ ee (figure 3.2). Selon (Goldberg et al.,

2001) le filtrage collaboratif est l’automatisation des processus sociaux.

FIGURE 3.2 – Filtrage collaboratif

Le filtrage collaboratif utilise des m´ ethodes statistiques pour faire des pr´ evisions bas´ ees

sur l’´ evaluation des int´ erˆ ets des utilisateurs. Ces pr´ evisions sont utilis´ ees pour faire des

propositions en se basant sur la corr´ elation entre son profil personnel et les profils des

autres utilisateurs (qui pr´ esentent des int´ erˆ ets semblables).

Le premier syst` eme de recommandation ayant ´ et´ e d´ esign´ e comme ´ etant un syst` eme de

filtrage collaboratif est le syst` eme Tapestry (Goldberg et al., 1992). En r´ ealit´ e, ce syst` eme

65


Mlearning

3.2. APPROCHES DE RECOMMANDATION

´ etait ` a la fois un syst` eme de recommandation et un syst` eme de recherche d’information

puisque les utilisateurs pouvaient acc´ eder ` a des messages ´ electroniques ` a la fois en fonc-

tion des appr´ eciations des autres utilisateurs et en formulant des requˆ etes. Les auteurs

avaient appel´ e cette approche filtrage collaboratif car les utilisateurs pouvaient collaborer

afin de mettre de cˆ ot´ e les messages ´ electroniques ind´ esirables.

Cette expression a depuis beaucoup ´ et´ e reprise au sein de la communaut´ e des cher-

cheurs de ce domaine. Si elle est aujourd’hui encore commun´ ement utilis´ ee, les syst` emes

dits de filtrage collaboratif d’aujourd’hui sont bien diff´ erents du syst` eme Tapestry. En

effet, dans la repr´ esentation commune de la litt´ erature actuelle, le filtrage collaboratif

consiste ` a fournir des recommandations en exploitant exclusivement les notes attribu´ ees

par les utilisateurs pour regrouper ces derniers en fonction de leurs goˆ uts communs. Ces

syst` emes de recommandation regroupent donc des ressources plutˆ ot qu’ils n’en filtrent

(filtrer consiste davantage ` a mettre de cˆ ot´ e les ressources ind´ esirables). Des utilisateurs

soumettent des appr´ eciations ind´ ependamment les uns des autres et ne collaborent pas

directement. Cette terminologie peut donc sembler inappropri´ ee. Cette impr´ ecision ´ etait

d´ ej` a mise en avant en 1997 par (Resnick and H.R.Varian, 1997). Cependant, elle est ` a ce

point r´ epandue qu’il ne serait pas judicieux de proposer une alternative dans cette th` ese,

cette approche se situant au contour de notre probl´ ematique.

Plus techniquement, les m´ ethodes de filtrage collaboratif produisent des recommanda-

tions d’items ` a des utilisateurs donn´ es, en se basant sur des sch´ emas de notations ou

d’usage (par exemple, les achats) sans besoin d’information sur les items et les utili-

sateurs. `A la diff´ erence des approches bas´ ees sur le contenu, qui utilisent les items

pr´ ec´ edemment not´ es par un seul utilisateur u, les approches de filtrage collaboratif s’ap-

puient sur les notes de tous les utilisateurs du syst` eme. L’id´ ee clef est que la note de u

pour un nouvel itemi est susceptible d’ˆ etre similaire ` a celle donn´ ee par un autre utilisateur

v, si u et v ont not´ e d’autres items d’une mani` ere similaire. De mˆ eme, u est susceptible

de noter deux items i et j de la mˆ eme fac ¸on, si d’autres utilisateurs ont donn´ e des notes

similaires ` a ces deux items.

Formellement, l’ensemble des items recommandables est repr´ esent´ e par le vecteur

X = {x1, x2,··· , xn}, de mˆ eme l’ensemble des utilisateurs est repr´ esent´ e par le vecteur

U = {u1,u2,··· ,um}. Soit uaun utilisateur actif pour lequel une recommandation doit ˆ etre

calcul´ ee. Chaque note de uipour chaque item xjest une valeur num´ erique d´ esign´ ee par

αi,j. La matrice de notes est alors la matrice suivante :





···

···

...

α11

α12

α1n

α21

...

α22

...

α2n

...

αm1 αm2

.

αmn

66


Mlearning

3.2. APPROCHES DE RECOMMANDATION

Les approches collaboratives d´ epassent certaines limitations des approches bas´ ees sur

le contenu. Par exemple, des items dont le contenu n’est pas d´ efini, ou difficilement

d´ efinissable peuvent quand mˆ eme ˆ etre recommand´ es aux utilisateurs grˆ ace aux feed-

backs des autres utilisateurs. De plus, les recommandations collaboratives sont bas´ ees

sur la qualit´ e des items ´ evalu´ es par les utilisateurs, au lieu de s’appuyer sur le contenu

qui peut ˆ etre un mauvais indicateur de qualit´ e. Enfin, le fait que ce type de syst` emes ne

soit pas bas´ e sur le contenu, permet de filtrer n’importe quel type de ressources qu’elles

soient textuelle, image, vid´ eo, etc.

Mais contrairement aux approches bas´ ees sur le contenu, le filtrage collaboratif souffre

du probl` eme du d´ emarrage ` a froid : Avant que le syst` eme puisse fournir des recom-

mandations pertinentes ` a un utilisateur, il faut que ce dernier ait fourni, implicitement ou

explicitement, des appr´ eciations pour un nombre suffisant de ressources. Un probl` eme

suppl´ ementaire par rapport aux recommandations bas´ ees sur le contenu est que cette

limitation s’applique ´ egalement aux nouvelles ressources introduites dans le syst` eme.

AVANTAGES ET INCONV´ ENIENTS DES APPROCHES DE RECOMMANDATION

3.2.3/

Les diff´ erents types de recommandation ont leurs avantages et inconv´ enients. Dans

cette section nous r´ epertorions et expliquons les caract´ eristiques (les probl` emes les plus

r´ ecurrents, ainsi que les apports) des diff´ erentes strat´ egies de recommandation selon

(Burke, 2002) :

1. Cross-genre niches : Le filtrage collaboratif se distingue par sa capacit´ e ` a recom-

mander ` a un utilisateur ce qui est hors du familier, c’est ce que Burke appelle :

cross-genre niches. En effet, un utilisateur peut se voir recommander des items de

genres diff´ erents. Par exemple, un utilisateur qui a des voisins similaires du point

de vue des sports peut se voir recommander des recettes de cuisine si ces voisins

aiment la cuisine et les recettes, mˆ eme si cet utilisateur n’a jamais exprim´ e ce genre

de favoris.

2. Connaissance du domaine : La connaissance du domaine n’est pas requise, le

processus de recommandation se base uniquement sur les ´ evaluations des items.

3. Adaptabilit´ e : Au fur et ` a mesure que la base de donn´ ees des ´ evaluations augmente,

la recommandation devient plus pr´ ecise.

4. Feed-back implicite suffisant : Un syst` eme de recommandation peut utiliser les ha-

bitudes d’´ ecoute, sans avoir besoin d’une ´ evaluation explicite.

5. Probl` eme de d´ emarrage ` a froid, cas du nouvel utilisateur : Un probl` eme commun

au filtrage bas´ e sur le contenu et au filtrage collaboratif, est qu’un nouvel utilisa-

teur qui n’a pas encore accumul´ e suffisamment d’´ evaluations ne peut pas avoir de

recommandations pertinentes.

6. Probl` eme de d´ emarrage ` a froid, cas du nouvel item : C’est un probl` eme qui

concerne le filtrage collaboratif, et non pas le filtrage ` a base de contenu. Dans

67


Mlearning

3.2. APPROCHES DE RECOMMANDATION

le cas du filtrage ` a base de contenu, il suffit d’introduire l’item dans le syst` eme pour

que celui-ci soit analys´ e et rentr´ e dans le processus de recommandation. Dans le

cas du filtrage collaboratif il doit avoir suffisamment d’´ evaluations pour que celui-ci

soit pris en consid´ eration dans le processus de recommandation.

7. Probl` eme de d´ emarrage ` a froid, cas du syst` eme d´ ebutant : Le cas du syst` eme

d´ ebutant provient lors du lancement d’un nouveau service de recommandation. Le

syst` eme ne poss` ede alors aucune information sur les utilisateurs et sur les items.

Les m´ ethodes de filtrage collaboratif ne peuvent pas fonctionner sur une matrice

vide. La solution consiste en g´ en´ eral ` a trouver des informations descriptives des

items afin d’organiser le catalogue et inciter les utilisateurs ` a le parcourir jusqu’` a ce

que la matrice soit assez remplie et permette de passer en mode collaboratif.

8. Le gray Sheep : Quand des utilisateurs ont des goˆ uts atypiques (qui varient de la

norme), ils n’auront pas beaucoup d’utilisateurs en tant que voisins. Cela m` enera

` a des recommandations pauvres. Ce probl` eme est ´ egalement connu comme gray

sheep. La popularit´ e est un probl` eme qui se produit fr´ equemment dans le filtrage

collaboratif.

9. Le shilling : C’est l’action malveillante d’influencer la recommandation, en cr´ eant de

faux profils pour voter et favoriser/d´ efavoriser certains items.

Le tableau 3.1, r´ esume les forces et faiblesses des m´ ethodes traditionnelles de recom-

mandations.

Techniques de recommandation

Recommandation bas´ ee sur le contenu

Recommandation par filtrage collaboratif

Forces

(2) (3) (4)

(1) (2) (3)

Faiblesses

(5) (8) (9)

(6) (7) (8) (9)

TABLE 3.1 – Forces et faiblesses des approches de recommandation

3.2.4/

APPROCHES HYBRIDES

Les syst` emes de recommandation repr´ esentent aujourd’hui un th` eme de recherche fon-

damental en plein essor, comme on l’a montr´ e dans les sections pr´ ec´ edentes. Pour

r´ esumer, actuellement, il existe deux grandes approches : la recommandation bas´ ee

sur le contenu, et la recommandation bas´ ee sur le filtrage collaboratif. Dans la recom-

mandation bas´ ee sur le contenu le profil d´ ecrit les caract´ eristiques de contenu que les

documents int´ eressants sont cens´ es pr´ esenter. Le syst` eme de recommandation compare

les nouveaux documents au profil de chaque utilisateur et recommande ceux qui sont les

plus proches. Dans la recommandation bas´ ee bas´ ee sur le filtrage collaboratif le profil est

constitu´ e de l’historique des ´ evaluations ´ emises par l’utilisateur sur des documents, sans

qu’aucun ´ el´ ement de contenu ne soit rendu explicite. Le syst` eme de recommandation

compare les utilisateurs entre eux sur la base de leurs ´ evaluations pass´ ees pour cr´ eer

68


Mlearning

3.2. APPROCHES DE RECOMMANDATION

les communaut´ es, et chaque utilisateur rec ¸oit les documents jug´ es int´ eressants par sa

communaut´ e.

Chacune de ces approches, comme le montre le tableau 3.1 pr´ esente des avantages

et des inconv´ enients. Pour pallier les inconv´ enients de chaque m´ ethode de recomman-

dation, de nombreux syst` emes, dits hybrides , combinent les deux m´ ethodes de recom-

mandation de sorte que l’incapacit´ e du filtrage collaboratif de recommander de nouveaux

´ el´ ements soit r´ eduite en le combinant avec des m´ ethodes de recommandation bas´ ee sur

le contenu (Li et al., 2010).

Plusieurs travaux de recherche ont propos´ e de combiner ou d’hybrider des techniques

de recommandation. Parmi ces propositions de syst` emes, celles qui nous semblent les

plus int´ eressantes au regard de notre domaine sont :

(Andronico et al., 2003) propose un syst` eme de recommandation nomm´ e InLinx, qui est

un syst` eme hybride int´ egr´ e dans un environnement d’apprentissage mobile. InLinx com-

bine les techniques de recommandation bas´ ee sur le contenu et les techniques de recom-

mandation par filtrage collaboratif, pour classer les diff´ erentes informations retrouv´ ees sur

le Web, recommander ces informations ` a des utilisateurs ayant des int´ erˆ ets similaires,

et les informer r´ eguli` erement des nouvelles informations potentiellement int´ eressantes.

Les syst` emes multi-agent ont aussi ´ et´ e int´ egr´ es dans son syst` eme. InLinx inclut ainsi,

premi` erement un processus de recommandation par filtrage collaboratif pour la clas-

sification de signets (informations marqu´ ees comme importantes), deuxi` emement un

processus de recommandation collaboratif pour le partage des signets. En entr´ ee, le

syst` eme rec ¸oit diff´ erents documents potentiellement int´ eressants, puis tous les docu-

ments sont lexicalement analys´ es pour en extraire un ensemble de termes significatifs

(signets), utilis´ es par la suite dans la phase de filtrage. Les termes sont class´ es suivant

leur fr´ equence d’apparition dans un document, et le nombre de documents dans lesquels

ils apparaissent. Finalement un processus de recommandation bas´ ee sur le contenu,

est utilis´ e pour la recommandation de nouvelles sources. Chaque utilisateur du syst` eme

correspond ` a un agent. Les agents utilisateurs apprennent le comportement des appre-

nants et s’adaptent aux changements d’int´ erˆ ets de l’utilisateur, ce qui donne aux agents

la possibilit´ e d’ˆ etre plus pr´ ecis dans les classements suivants et dans le processus de

recommandation. Plus les apprenants utilisent le syst` eme, plus les actions prochaines

des agents sont pr´ ecises.

(Liu, 2011) pr´ esente un travail portant sur le d´ eveloppement d’un syst` eme de recom-

mandation bas´ e sur le contexte hybride, et appliqu´ e ` a l’apprentissage mobile. Sa propo-

sition est un syst` eme qui m´ elange deux approches compl´ ementaires pour atteindre de

meilleures performances : Pour commencer, une recommandation initiale bas´ ee sur le

contenu, qui tient compte des similitudes des modules des ressources et des profils utili-

sateurs, est appliqu´ ee. Ensuite une recommandation finale sur les r´ esultats obtenus lors

de la premi` ere ´ etape sera effectu´ ee, avec une approche de recommandation bas´ ee sur

les r` egles prenant en compte le contexte de l’apprenant. Les r` egles se d´ eclenchent lors-

qu’une condition contextuelle sp´ ecifique se produit. Afin d’obtenir une recommandation

69


Mlearning

3.3. CONCLUSION

pr´ ecise, les r` egles devraient envisager toutes les situations possibles progressives d’ap-

prentissage. Le contexte actuel est d´ ecid´ e par la recherche dans un ensemble pr´ ed´ efini

de contextes avec une m´ ethode de pattern matching. Ensuite, une recommandation est

d´ elivr´ ee ` a l’apprenant, qui correspond ` a un ensemble d’informations utiles sur un sujet

selon la base de r` egles contextuelles cr´ e´ ees.

SYST` EMES DE RECOMMANDATION SENSIBLES AU CONTEXTE

3.2.5/

L’objectif des syst` emes de recommandation est essentiellement d’am´ eliorer les interac-

tions entre les utilisateurs et les syst` emes de recherche et d’acc` es ` a l’information. Seule-

ment, les syst` emes de recommandation discut´ es pr´ ec´ edemment op` erent dans un espace

bidimensionnel : (utilisateur, contenu). Or, dans les environnements mobiles, d’autres as-

pects sont ` a consid´ erer dans la recommandation. Le profil de l’utilisateur est insuffisant

pour produire des recommandations. Il y a plusieurs ´ el´ ements d´ ependants du contexte

qui devraient ˆ etre consid´ er´ es (quand?, o` u?, pourquoi?, etc.). En effet, le contexte mobile

et dynamique de l’utilisateur influence le choix de l’information pertinente.

La recommandation bas´ ee sur le contenu et le filtrage collaboratif ne sont pas adapt´ es

(Chu and Park, 2009). Une nouvelle famille de syst` emes de recommandation appel´ es

syst` emes de recommandation sensibles au contexte se d´ eveloppe de plus en plus dans

la litt´ erature ces derni` eres ann´ ees, comme les travaux de (Camara et al., 2010), (Bader

et al., 2011), (Baltrunas et al., 2012), (Djallel, 2014) qui se basent sur le contexte de l’uti-

lisateur en mod´ elisant des donn´ ees comme sa localisation, l’heure et les personnes aux

alentours. Ces syst` emes sont ` a la base, des syst` emes de recommandations classiques

(filtrage bas´ ee sur le contenu ou filtrage collaboratif) mais qui int` egrent de nouvelles com-

posantes pour l’acquisition et le traitement du contexte. Le filtrage consiste ensuite ` a ana-

lyser le contexte courant de l’utilisateur et ` a s´ electionner, parmi les contenus disponibles,

ceux qui correspondent le mieux ` a la situation d´ ecrite.

3.3/

CONCLUSION

Dans ce chapitre, nous avons d´ ecrit les syst` emes de recommandation, qui sont

consid´ er´ es comme un sous-ensemble des syst` emes hyperm´ edia adaptatifs, proposant

une solution au probl` eme de surcharge d’information par proposition de recommanda-

tions d’items. Le probl` eme de recommandation d’items ` a un utilisateur a ´ et´ e formalis´ e

et les diff´ erents types de syst` emes de recommandation et leurs m´ ethodes ont ´ et´ e ex-

pos´ ees. Nous avons synth´ etis´ e cette ´ etude dans la deuxi` eme partie du chapitre, o` u nous

avons identifi´ e deux grandes cat´ egories de syst` emes de recommandation : les syst` emes

de recommandation bas´ es sur le contenu et les syst` emes de recommandation bas´ es sur

le filtrage collaboratif. Ces deux approches pr´ esentent n´ eanmoins des caract´ eristiques

compl´ ementaires. Par cons´ equent les nouveaux travaux s’int´ eressent ` a diff´ erentes tech-

70


Mlearning

3.3. CONCLUSION

niques d’hybridation, qui en plus de profiter des avantages respectifs de ces approches,

s’av` erent fournir des recommandations plus pr´ ecises.

Dans le cadre du m-learning, l’adoption de la technique de recommandation bas´ ee sur

le contenu pr´ esente de nombreux avantages par rapport ` a celle par filtrage collaboratif.

En effet, un des avantages des syst` emes de recommandation bas´ es sur le contenu est

qu’ils ne souffrent pas du probl` eme de d´ emarrage ` a froid, contrairement aux autres types

de syst` emes de recommandation. Il est alors pr´ ef´ erable d’envisager de la recommanda-

tion bas´ ee sur le contenu, vu la situation dans laquelle se trouve l’apprenant, qui exige

souvent une r´ eponse et une r´ eaction assez rapide du syst` eme. De plus, pour pouvoir

exprimer pleinement le savoir-faire du formateur, il est n´ ecessaire d’avoir une base de

connaissance bien formalis´ ee et compl` ete. Enfin, dans notre contexte d’´ etude, nous de-

vrons construire une solution de recommandation d’une combinaison pertinente d’items,

o` u les items sont des objets p´ edagogiques atomiques. Pour atteindre cet objectif, nous

devrons ´ etendre les propositions actuelles de recommandations bas´ ees sur le contenu

en int´ egrant ` a notre proposition des r` egles d’adaptation dans un environnement mobile

et des algorithmes d’optimisation combinatoire.

Nous proposons une approche pour un syst` eme de recommandation pour le m-learning

bas´ e sur le contenu et sensible au contextuel int´ egrant des strat´ egies de recommandation

de sc´ enarios de formations sans risque de rupture.

71


Mlearning

III

APPROCHE S´ EMANTIQUE ET COMBINATOIRE

POUR UN SYST` EME DE RECOMMANDATION

SENSIBLE AU CONTEXTE

73


Mlearning

Les trois premiers chapitres de l’´ etat de l’art nous ont permis d’identifier les ´ el´ ements

essentiels pour notre projet :

Dans le premier chapitre de l’´ etat de l’art et ` a travers l’analyse des travaux existants dans

le domaine du m-learning, nous avons dress´ e un aperc ¸u des possibilit´ es offertes par les

environnements d’apprentissage mobiles. Nous avons pu constater que l’apprentissage

reste limit´ e car il n’est pas capable de s’adapter ` a son contexte.

Dans le deuxi` eme chapitre nous avons ´ etudi´ e les caract´ eristiques des informations de

contexte et les m´ ecanismes utilis´ es dans les diff´ erentes phases d’adaptation au contexte

qui sont l’acquisition des informations contextuelles, leur agr´ egation et stockage, et

l’adaptation au contexte. L’adaptation au contexte n´ ecessite la mod´ elisation des infor-

mations contextuelles d’une fac ¸on abstraite. Ces informations se caract´ erisent par leur

h´ et´ erog´ en´ eit´ e. L’utilisation des ontologies pour la mod´ elisation du contexte devient de

plus en plus r´ epandue grˆ ace aux propri´ et´ es formelles des ontologies qui permettent

d’assurer l’interop´ erabilit´ e au niveau s´ emantique. Nous avons ensuite ´ etudi´ e diff´ erents

syst` emes sensibles au contexte existants. L’´ etude des architectures de ces syst` emes

nous a permis de d´ egager des principes pour concevoir un syst` eme de contextualisation

pour l’apprentissage mobile.

Dans l’objectif de rendre un syst` eme m-learning capable de r´ eagir de fac ¸on pertinente

aux changements de l’environnement dans lequel se situe l’apprenant, nous avons ´ etudi´ e

dans le troisi` eme chapitre, en premi` ere partie les syst` emes hyperm´ edia adaptatifs, et en

deuxi` eme partie les syst` emes de recommandation. Au niveau des syst` emes hyperm´ edia,

une architecture form´ ee de trois couches minimum est n´ ecessaire pour la cr´ eation d’un

syst` eme hyperm´ edia adaptatif. Des couches suppl´ ementaires peuvent y ˆ etre ajout´ ees

selon les besoins d’adaptation et d’´ evolutivit´ e d´ esir´ es. Les syst` emes de recommandation

qui sont consid´ er´ es comme un sous-ensemble des syst` emes hyperm´ edia adaptatifs, pro-

posent une solution au probl` eme de surcharge d’information. Suite ` a l’´ etude des diff´ erents

types de recommandations, nous avons pu conclure que l’adoption de la technique de

recommandation bas´ ee sur le contenu pr´ esente de nombreux avantages par rapport ` a

celle par filtrage collaboratif. En effet, un des avantages des syst` emes de recommanda-

tion bas´ es sur le contenu est qu’ils ne souffrent pas du probl` eme de d´ emarrage ` a froid,

contrairement aux autres types de syst` emes de recommandation.

Dans cette partie du rapport, nous d´ efinissons un nouveau type de syst` eme de recom-

mandation apparent´ e ` a la famille des approches bas´ ees sur le contenu, qui utilise une

ontologie, mais aussi une mod´ elisation du savoir-faire m´ etier sous la forme de r` egles et

des algorithmes d’optimisation combinatoire. Ce nouveau type de syst` emes de recom-

mandation se diff´ erencie de ceux pr´ esent´ es dans l’´ etat de l’art, car il ne se limite pas ` a

l’extraction d’items pertinents, mais il a pour objectif la construction de combinaisons per-

tinentes d’items en fonction du contexte actuel de l’apprenant. La combinaison d’items

n´ ecessite l’int´ egration d’algorithmes d’optimisation combinatoire. N´ eanmoins, nous ver-

rons que chaque application poss` ede son propre probl` eme d’optimisation. Notre archi-

tecture devra donc ˆ etre conc ¸ue de mani` ere ` a accueillir des algorithmes adapt´ es aux

75


Mlearning

probl` emes d’optimisation du domaine ´ etudi´ e.

Nous organisons ainsi cette partie en trois chapitres : Dans le premier chapitre nous in-

troduisons la notion d’objet p´ edagogique (item) et nous nous positionnons par rapport

aux diff´ erents mod` eles de description de ces objets p´ edagogiques pour la construction

d’un contenu d’apprentissage. Dans le deuxi` eme chapitre nous d´ efinissons de mani` ere

formelle un nouveau type de syst` eme de recommandation sensible au contexte bas´ e sur

des technologies du Web s´ emantique et des techniques d’optimisation combinatoire, pro-

posant des combinaisons d’objets p´ edagogiques adapt´ ees au contexte de l’apprenant.

Dans le troisi` eme chapitre nous d´ ecrivons formellement le probl` eme d’optimisation com-

binatoire en m-learning et nous pr´ esentons et comparons l’efficacit´ e de nos algorithmes

de recommandation.

76


Mlearning

4

AUTOUR DES OBJETS P´ EDAGOGIQUES

Les objets p´ edagogiques sont aujourd’hui au cœur de nombreux travaux au sein des

institutions d’enseignement et des organismes de standardisation. Ces travaux visent

principalement ` a permettre l’´ echange et la r´ eutilisation des objets p´ edagogiques.

Plusieurs organismes de normalisation ont propos´ e de structurer un document

p´ edagogique autour d’un ensemble d’objets p´ edagogiques. G´ en´ eralement la descrip-

tion du contenu de ces objets p´ edagogiques est bas´ ee sur des m´ etadonn´ ees. Plusieurs

diff´ erents mod` eles ont ´ et´ e mis au point au cours des derni` eres ann´ ees. Ces mod` eles

poursuivent g´ en´ eralement des buts distincts, mais s’accordent sur l’id´ ee d’aboutir ` a des

composants p´ edagogiques r´ eutilisables.

Ce chapitre s’attache ` a ´ etudier et classer les diff´ erentes approches et mod` eles propos´ es

de repr´ esentation des objets p´ edagogiques. Tout d’abord, nous donnerons une d´ efinition

de la notion d’objet p´ edagogique. Ensuite, nous d´ ecrirons les caract´ eristiques et le cycle

de vie d’un objet p´ edagogique. Puis, nous pr´ esentons les principaux organismes de

normalisation dans le domaine du e-learning et nous proposons une classification des

mod` eles de m´ etadonn´ ees d´ ecrivant des objets p´ edagogiques. Cette classification nous

permettra d’identifier le mod` ele le plus adapt´ ee ` a notre syst` eme d’apprentissage mobile.

Sommaire

Objet p´ edagogique, d´ efinition et caract´ eristiques . . . . . . . . . . .

4.1.1

D´ efinition d’un objet p´ edagogique

4.1.2

Caract´ eristiques d’un objet p´ edagogique

Cycle de vie d’un objet p´ edagogique

Normes pour la description d’un objet p´ edagogique . . . . . . . . .

4.3.1

Dublin Core . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3.2

LOM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3.3

IMS-LD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3.4

SCORM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1

78

78

79

80

83

84

85

87

89

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

4.2

4.3

77


Mlearning

4.1. OBJET P´EDAGOGIQUE, D´EFINITION ET CARACT´ERISTIQUES

4.3.5

4.3.6

4.3.7

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

TIN CAN

LRMI

Que choisir pour notre mod` ele? . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

92

93

93

95

4.4

OBJET P´ EDAGOGIQUE, D´ EFINITION ET CARACT´ ERISTIQUES

4.1/

Les objets p´ edagogiques reposent sur un principe de base : celui de structurer le

mat´ eriel p´ edagogique autour de petites unit´ es r´ eutilisables. Dans cette partie du chapitre

nous analyserons les diff´ erentes d´ efinitions d’un objet p´ edagogique propos´ ees dans la

litt´ erature, puis nous en d´ eduirons ses caract´ eristiques.

D´ EFINITION D’UN OBJET P´ EDAGOGIQUE

4.1.1/

Le terme objet p´ edagogique, en anglais Learning Object (LO), est devenu d’usage ` a

partir de 1994 lorsque Wayne Hodgins a baptis´ e les groupes de travail de l’associa-

tion CEdMA1(Computer Education Managers Association). Dans cet ensemble, nous

nous int´ eressons plus particuli` erement au groupe de travail LTSC2(Learning Techno-

logy Standards Committee) de l’IEEE qui d´ efinit un objet p´ edagogique en 2002 comme

? toute entit´ e num´ erique ou non, qui peut ˆ etre utilis´ ee pour l’enseignement ou l’appren-

tissage? (IEEE-LTSC, 2002). Selon cette d´ efinition un objet p´ edagogique peut ˆ etre un

livre, tout document imprim´ e, un cours, un exercice, une ´ etude de cas, une pr´ esentation,

mais ´ egalement une salle de cours, un r´ etroprojecteur, etc. Cette d´ efinition est donc trop

g´ en´ erale, non utilisable en pratique et montre la difficult´ e ` a d´ efinir clairement ce qu’est un

objet p´ edagogique. Cette d´ efinition nous am` ene ` a nous poser la question suivante : dans

le cadre du e-learning, qu’est exactement un objet p´ edagogique?

D’autres d´ efinitions plus restrictives sont propos´ ees dans la litt´ erature, dont celle de (Wi-

ley et al., 2000). Dans sa d´ efinition il introduit la notion de r´ eutilisabilit´ e et d´ efinit un objet

p´ edagogique comme ?n’importe quelle ressource num´ erique r´ eutilisable dans un cadre

d’apprentissage?, et exclut ainsi les entit´ es non num´ eriques telles que les livres.

Un regroupement d’universit´ es du Wisconsin dont le but est de d´ evelopper des res-

sources en ligne r´ eutilisables d´ efinit les objets p´ edagogiques comme des?petites unit´ es

d’apprentissage autonomes en ligne. Ils sont suffisamment petits pour ˆ etre int´ egr´ es ` a

une activit´ e p´ edagogique, une lec ¸on, un module ou un cours ?. Les auteurs rajoutent

que les objets p´ edagogiques sont?des petites unit´ es d’une dur´ ee comprise entre 2 et 5

minutes?. L’ajout d’une dimension temporelle est int´ eressante. De ce fait cette d´ efinition

est encore plus restrictive car elle exclut tout ce qui n’est pas petit.

1. http ://www.cedma.org/

2. https ://ieee-sa.centraldesktop.com/ltsc/

78


Mlearning

4.1. OBJET P´EDAGOGIQUE, D´EFINITION ET CARACT´ERISTIQUES

D’autres d´ efinitions sont propos´ ees afin de r´ epondre ` a certains objectifs :

– Au niveau ´ economique, l’objectif est de diminuer les coˆ uts de production sans pour

autant diminuer la qualit´ e. Cela implique d’avoir des composants r´ eutilisables et parta-

geables.

– Au niveau p´ edagogique, l’objectif est de d´ evelopper un processus de formation tout au

long de la vie et de mettre en place des parcours de formation personnalis´ es ` a la carte.

Cela implique d’avoir de petites unit´ es r´ eutilisables et adaptables.

Pour atteindre ces objectifs l’id´ ee est d’utiliser des techniques rendant possible la

r´ eutilisation de ces petites unit´ es p´ edagogiques dans de multiples contextes, tels que

l’approche par objet ou encore les technologies du Web s´ emantique.

C’est en observant ses enfants jouer au LEGOTMque Wayne Hodgins eu l’id´ ee d’or-

ganiser les contenus p´ edagogiques autour de petits morceaux/unit´ es tout comme les

briques du jeu. Ces unit´ es peuvent ˆ etre des morceaux de texte, des figures, des graphes,

des diaporamas, des s´ equences vid´ eo, etc. Ces unit´ es peuvent ˆ etre combin´ ees pour

cr´ eer par exemple une page en ligne. Ces mˆ emes unit´ es peuvent ˆ etre elles-mˆ emes com-

bin´ ees pour cr´ eer un cours, jusqu’` a construire un cursus complet. La m´ etaphore avec les

briques de LEGOTMsous-entend que chaque brique peut ˆ etre combin´ ee avec n’importe

quel autre brique, de n’importe quelle fac ¸on. Afin d’´ eviter une mauvaise combinaison des

unit´ es p´ edagogiques nous distinguons deux classes d’objets p´ edagogiques. D’une part,

les objets p´ edagogiques qui permettent de structurer un parcours de formation et l’orga-

niser. D’autre part, les objets p´ edagogiques qui correspondent aux ressources physiques

ou num´ eriques n´ ecessaires ` a la r´ ealisation des activit´ es d’apprentissage.

CARACT´ ERISTIQUES D’UN OBJET P´ EDAGOGIQUE

4.1.2/

A partir des diff´ erentes d´ efinitions pr´ esent´ ees dans la section pr´ ec´ edente, il est pos-

sible d’identifier plusieurs caract´ eristiques d´ ecrivant les objets p´ edagogiques, telles que

la r´ eutilisabilit´ e, l’agr´ egation, l’accessibilit´ e, etc. (O.Catteau, 2008) d´ ecrit ces principales

caract´ eristiques :

– La r´ eutilisabilit´ e : D` es 1965, Nelson ´ etablit un cadre permettant de construire du

contenu ` a partir d’objets r´ eutilisables issus de diff´ erentes librairies ´ electroniques in-

terconnect´ ees (Nelson, 1965). L’objectif de la r´ eutilisabilit´ e est d’avoir des objets

p´ edagogiques ´ el´ ementaires pouvant ˆ etre utilis´ es dans des contextes et dans des buts

multiples. Ces composants doivent par cons´ equent ˆ etre autonomes. Ils peuvent ˆ etre

produits s´ epar´ ement, mais doivent pouvoir ˆ etre modifi´ es pour correspondre aux be-

soins des utilisateurs. Par exemple, un auteur qui conc ¸oit un objet p´ edagogique qui

explique le fonctionnement d’un moteur doit id´ ealement ´ eviter de faire r´ ef´ erence ` a

d’autres objets p´ edagogiques, car il pourrait ˆ etre utilis´ e s´ epar´ ement dans un autre

contenu et dans un autre contexte.

– L’agr´ egation : Un objet p´ edagogique peut certes ˆ etre r´ eutilis´ e, mais il peut aussi ˆ etre

79


Mlearning

4.2. CYCLE DE VIE D’UN OBJET P´EDAGOGIQUE

cr´ e´ e par agr´ egation d’autres objets p´ edagogiques de granularit´ e plus fines.

– L’accessibilit´ e : L’acc` es ` a un objet p´ edagogique est efficace lorsque le coˆ ut engendr´ e

par sa recherche en vue de sa r´ eutilisation est inf´ erieur au coˆ ut n´ ecessaire pour cr´ eer

un objet p´ edagogique ´ equivalent. Afin de retrouver un objet p´ edagogique facilement

il est n´ ecessaire de le munir d’une description. Ce processus est appel´ e indexation.

La technique la plus utilis´ ee est l’´ etiquetage par des m´ etadonn´ ees afin de stocker et

r´ ef´ erencer un objet p´ edagogique dans une base de donn´ ees.

– La personnalisation : Cette caract´ eristique dicte de cr´ eer des objets p´ edagogiques per-

sonnalisables pour faciliter l’int´ egration ` a des contextes particuliers permettant l’adap-

tation aux besoins de l’apprenant.

– L’interop´ erabilit´ e : Les contenus p´ edagogiques sont conc ¸us et d´ evelopp´ es par des

organisations et des formateurs diff´ erents, constituant g´ en´ eralement des sources de

donn´ ees s´ emantiquement h´ et´ erog` enes. De ce fait, l’interop´ erabilit´ e entre ces contenus

est complexe puisque chaque syst` eme peut poss` eder son propre mod` ele de descrip-

tion et d’encodage des objets p´ edagogiques et son propre langage d’interrogation. La

recherche et la combinaison des r´ esultats devient alors un travail long et fastidieux. Les

objets p´ edagogiques doivent ˆ etre autonomes, c’est-` a-dire ind´ ependants du support de

diffusion et de la plateforme d’apprentissage. Cela soul` eve la notion d’interop´ erabilit´ e,

d’o` u l’apparition de plusieurs travaux pour la mise en place de standards et de normes

pour la description d’un objet d’apprentissage.

La cr´ eation d’objets p´ edagogiques respectant ces caract´ eristiques permet un apprentis-

sage :

– Sans superflu : Si un apprenant a besoin d’une fraction de cours, ce dernier sera limit´ e

aux objets p´ edagogiques correspondants.

– Sur mesure : Les objets p´ edagogiques permettent une personnalisation des cours ` a

l’´ echelle d’une organisation ou de chaque apprenant.

– Au moment voulu : Comme les objets p´ edagogiques sont index´ es, on peut les retrouver

instantan´ ement.

La conception et la mise ` a disposition des objets p´ edagogiques n´ ecessite un travail

minutieux. La recherche et la combinaison d’objets p´ edagogiques requiert l’usage de

syst` emes homog` enes. Cet ensemble forme le cycle de vie de l’objet p´ edagogique.

CYCLE DE VIE D’UN OBJET P´ EDAGOGIQUE

4.2/

Le cycle de vie d’un objet p´ edagogique et ses m´ etadonn´ ees est une succession

d’´ ev` enements li´ es ` a son ´ evolution au cours du temps. Il s’agit surtout de formaliser une

structuration m´ ethodique des diff´ erents processus mis en œuvre. Comme le montre la

figure 4.1, le cycle de vie d’un objet p´ edagogique est constitu´ e de cinq ´ etapes : (1) la

cr´ eation d’unit´ es d’information (2) la description et l’indexation par des m´ etadonn´ ees (3)

80


Mlearning

4.2. CYCLE DE VIE D’UN OBJET P´EDAGOGIQUE

l’agr´ egation(4) l’int´ egration des objets p´ edagogiques dans un sc´ enario et finalement (5)

la livraison aux apprenants (Fournier-Viger, 2005) :

FIGURE 4.1 – Cycle de vie d’un LO

Cr´ eation des unit´ es d’information :

La premi` ere ´ etape du cycle de vie d’un objet p´ edagogique consiste ` a cr´ eer une unit´ e

d’information; une unit´ e d’information peut avoir le format de pages Web, d’un applets

Java, etc. et peut-ˆ etre de type s´ equence vid´ eo, figure, texte, etc. De mani` ere g´ en´ erale,

l’auteur des unit´ es d’information choisit le format en fonction de l’ensemble des logiciels

avec lesquels il souhaite une compatibilit´ e. Dans le domaine du e-learning, les institutions

pr´ ef` erent g´ en´ eralement les documents Web comme unit´ es d’information, afin de pouvoir

les pr´ esenter ` a l’apprenant par l’interm´ ediaire de navigateurs Web.

Les auteurs doivent cr´ eer des unit´ es d’informations (1) autonomes, (2) personnali-

sables, (3) de faible granularit´ e et (4) qui ne sont pas neutres p´ edagogiquement (avec

apport p´ edagogique). Les trois premiers principes visent ` a maximiser la capacit´ e de

r´ eutilisation des unit´ es d’informations, un objectif fondamental de l’approche des objets

p´ edagogiques. Le quatri` eme principe dicte qu’un auteur d’une unit´ e d’information ne doit

pas viser la neutralit´ e p´ edagogique, car cela m` ene souvent ` a une d´ egradation de la per-

tinence des objets p´ edagogiques.

L’indexation par des m´ etadonn´ ees :

La deuxi` eme ´ etape du cycle de vie d’un objet p´ edagogique consiste ` a ajouter des

m´ etadonn´ ees aux unit´ es d’information (objet p´ edagogique = unit´ e d’information +

m´ etadonn´ ees).

Les m´ etadonn´ ees sont des donn´ ees repr´ esentant d’autres donn´ ees (IEEE-LTSC, 2002),

ici des informations d´ ecrivant un objet p´ edagogique. Elles sont repr´ esent´ ees par un en-

81


Mlearning

4.2. CYCLE DE VIE D’UN OBJET P´EDAGOGIQUE

semble de descripteurs et peuvent ˆ etre structur´ ees ` a l’aide d’un sch´ ema. Par exemple,

dans le cas d’un fichier informatique, le nom, la taille, la date de cr´ eation repr´ esentent

des m´ etadonn´ ees de ce fichier. Les m´ etadonn´ ees assurent (1) l’identification de mani` ere

unique d’une ressource (2) la recherche et l’organisation de ressources ` a partir de

crit` eres (3) et l’interop´ erabilit´ e grˆ ace ` a des descriptions pouvant ˆ etre comprises aussi

bien par un humain que par une machine, grˆ ace aux processus de standardisation qui y

sont associ´ es (NISO, 2004).

Plusieurs initiatives de standardisation ont vu le jour au cours de ces derni` eres ann´ ees.

Les efforts entrepris par des consortiums comme ARIADNE3ou IMS4se sont orient´ es

vers la description des unit´ es d’information ` a l’aide de sch´ emas de m´ etadonn´ ees. Ces

travaux, sont bas´ es en partie sur la description normalis´ ee des documents propos´ ee par

le Dublin Core5.

L’agr´ egation :

La troisi` eme ´ etape consiste ` a construire des environnements d’apprentissage ` a base

des objets p´ edagogiques. Les objets p´ edagogiques sont assembl´ es pour construire de

nouveaux objets p´ edagogiques sous forme d’une lec ¸on, d’un cours, etc. Ces derniers

peuvent ` a leur tour ˆ etre agr´ eg´ es pour former des ensembles plus vastes, comme un

module, un parcours de formation ou un programme.

Les objets p´ edagogiques sont modulables et r´ eutilisables sous forme de paquetages

de contenus (appel´ es en anglais content packages dans la plupart des standards). Un

paquetage regroupe le r´ ef´ erencement des unit´ es d’information par des m´ etadonn´ ees, la

description de sa structure et les ressources physiques. Puisqu’un paquetage est aussi

une unit´ e d’information, si l’auteur ajoute les m´ etadonn´ ees appropri´ ees, l’agr´ egat sera

un objet p´ edagogique. Une sp´ ecification d’agr´ egation populaire est IMS, pour laquelle un

paquetage est un fichier au format zip qui contient tous les objets p´ edagogiques et un

fichier imsmanifest.xml qui agit comme une table des mati` eres.

Cr´ eation de sc´ enarios p´ edagogiques :

La quatri` eme ´ etape consiste ` a d´ eterminer l’ordre de pr´ esentation (sequencing) des ob-

jets p´ edagogiques pour cr´ eer un sc´ enario. Un sc´ enario p´ edagogique d´ efinit une activit´ e

d’apprentissage par un ensemble de contraintes qui r´ egissent l’ordre de pr´ esentation des

objets p´ edagogiques en fonction des objectifs de l’apprenant.

Dans le cadre d’un apprentissage mobile nous remarquons que la cr´ eation d’un sc´ enario

p´ edagogique passe par deux ´ etapes :

– Premi` erement un sc´ enario initial est cr´ e´ e et permet de d´ efinir de mani` ere g´ en´ erale

la structure d’un sc´ enario abstrait qui ne tient pas forc´ ement compte du profil et du

contexte de l’apprenant. Cette premi` ere ´ etape permet de d´ efinir a priori et en termes

3. http ://www.ariadne-eu.org/

4. http ://www.imsglobal.org/

5. http ://dublincore.org/

82


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

g´ en´ eraux l’organisation et le d´ eroulement d’un sc´ enario d’apprentissage. Cette tˆ ache

peut ˆ etre confi´ ee ` a un auteur, un enseignant, un formateur, dans le cadre de la mise

au point de ses propres s´ equences p´ edagogiques. Elle peut aussi ˆ etre r´ ealis´ ee par

un ing´ enieur sp´ ecialis´ e dans l’ing´ enierie p´ edagogique dans le cadre d’un processus

industrialis´ e de formation. Dans notre cas cette ´ etape est r´ ealis´ ee par les auteurs des

contenus p´ edagogiques propos´ es par CrossKnowledge, ainsi que par des ing´ enieurs

sp´ ecialis´ es de l’entreprise. Nous reprenons donc l’organisation (sequencing) propos´ ee

par CrossKnowledge et l’int´ egrons dans notre mod` ele.

– La deuxi` eme ´ etape consiste ` a contextualiser le sc´ enario initial, c’est-` a-dire d´ eterminer

les conditions d’exploitation d’un sc´ enario initial dans un contexte pr´ ecis en termes

de profil apprenant, de support d’apprentissage, de localisation, etc. Cette ´ etape est

r´ ealis´ ee dans nos travaux en utilisant des r` egles m´ etiers appliqu´ ees ` a notre mod` ele de

description des objets p´ edagogiques.

Livraison ` a l’apprenant :

La derni` ere ´ etape du cycle de vie consiste ` a d´ elivrer les objets p´ edagogiques ` a l’appre-

nant. Les acteurs dans le domaine du e-learning emploient g´ en´ eralement un syst` eme

logiciel Web d´ evelopp´ e pour accompagner toute personne impliqu´ ee dans un processus

d’apprentissage. Ce syst` eme est appel´ e LMS pour Learning Management System ou

MLE (Managed Learning Environment) ou VLE (Virtual Learning Environment) ou CMS

(Course Management System) ou encore LSS (Learning Support System).

Chaque LMS se conforme ` a un certain nombre de standards. Habituellement les LMS

proposent aussi une gamme de logiciels de gestion de comptes, de d´ eveloppement

de cours, d’administration et des outils de communication (synchrones/asynchrones). Il

existe un grand nombre de plateformes LMS sur le march´ e international, environ 300,

dont certaines sous licence libre. Parmi ces plateformes nous pouvons citer : Claroline6,

Ganesha7, Moodle8, BlackBoard9, myTeacher10, Stellar11.

Dans la section suivante, nous nous int´ eressons plus particuli` erement ` a la deuxi` eme,

troisi` eme et quatri` eme ´ etape du cycle de vie d’un objet p´ edagogique.

NORMES POUR LA DESCRIPTION D’UN OBJET P´ EDAGOGIQUE

4.3/

En e-learning les m´ etadonn´ ees permettent une recherche s´ emantique efficace des res-

sources p´ edagogiques sur le Web et leur traitement automatique. Diff´ erentes normes

ont ´ et´ e d´ efinies pour aider ` a l’´ elaboration des LMS et ` a la repr´ esentation des objets

6. http ://www.claroline.net/

7. http ://www.ganesha.fr/

8. http ://moodle.org/

9. http ://www.blackboard.com/International/EMEA/Overview.aspx?lang=en-us

10. http ://www.cerfi.ch/fr/myTeacher/myTeacher.html

11. http ://stellar.mit.edu/

83


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

p´ edagogiques associ´ es dans un sc´ enario. L’application de ces normes garanti non seule-

ment l’interop´ erabilit´ e mais ´ egalement la qualit´ e du syst` eme.

Parmi les normes les plus connues en e-learning on peut citer le Dublin Core, LOM,

IMS-LD, SCORM, TIN CAN et LRMI.

4.3.1/

DUBLIN CORE

Le Dublin Core tire son nom d’un groupe de travail qui s’est r´ euni en 1995 dans la

ville de Dublin pour d´ efinir un tronc commun d’´ el´ ements utilisables par le gouverne-

ment am´ ericain, pour la description de ressources num´ eriques dans les registres de

m´ etadonn´ ees officiels (par exemple, dans les domaines de la d´ efense ou de la justice).

Au d´ epart, le standard visait essentiellement les biblioth` eques num´ eris´ ees, ensuite ont

´ et´ e ajout´ ees des extensions ` a des fins p´ edagogiques. Aujourd’hui le Dublin Core a un

statut officiel au sein du W3C et de la norme ISO 15836.

Le Dublin Core est un sch´ ema de m´ etadonn´ ees qui permet de d´ ecrire des ressources

num´ eriques ou physiques et d’´ etablir des relations avec d’autres ressources. Il comprend

officiellement 15 ´ el´ ements de description formels (titre, cr´ eateur, ´ editeur, etc.), intellec-

tuels (sujet, description, langue, etc.) et relatifs ` a la propri´ et´ e intellectuelle12. Le tableau

4.1 regroupe les diff´ erents ´ el´ ements du Dublin Core.

Propri´ et´ e

Titre

Cr´ eateur

Description

Titre principal de la ressource.

Nom de la personne, de l’organisation ou du service ` a l’origine de la

r´ edaction de la ressource.

Mots-clefs, phrases de r´ esum´ e, ou codes de classement. Il est

pr´ ef´ erable d’utiliser des mots-clefs choisis dans le cadre d’une politique

de classement.

R´ esum´ e, table des mati` eres, ou texte libre.

Nom de la personne, de l’organisation ou du service ` a l’origine de la

publication de la ressource.

Nom d’une personne, d’une organisation ou d’un service qui a

contribu´ e ` a l’´ elaboration de la ressource

Date d’un ´ ev´ enement dans le cycle de vie de la ressource. Par exemple,

date de cr´ eation, date de modification, date de mise ` a disposition.

Format physique ou ´ electronique du document. Par exemple, taille,

dur´ ee, mat´ eriel et logiciel n´ ecessaires.

Identifiant de la ressource. Par exemple, URI, num´ ero ISBN.

Genre du contenu.

Origine dont d´ erive la ressource.

Sujet

Description

Editeur

Contributeur

Date

Format

Identifiant

Type

Source

12. http ://fr.wikipedia.org/wiki/Dublin Core

84


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

Langue utilis´ e par la ressource.

Lien vers une ressource li´ ee. Par exemple, en utilisant les URIs.

Couverture spatiale (par exemple, coordonn´ ees g´ eographiques, pays)

et couverture temporelle (par exemple, laps de temps, heure).

Statut des droits de la ressource (par exemple, copyright, un lien vers

le d´ etenteur des droits).

Langage

Relation

Port´ ee

Droits

TABLE 4.1 – Liste des ´ el´ ements du Dublin Core

Tous les ´ el´ ements de Dublin Core sont optionnels et peuvent ˆ etre r´ ep´ et´ es et pr´ esent´ es

dans n’importe quel ordre. Des vocabulaires contrˆ ol´ es sont sugg´ er´ es mais pas impos´ es.

Grˆ ace ` a sa simplicit´ e, le Dublin Core est tr` es utilis´ e. Il peut servir ` a d´ ecrire des objets

p´ edagogiques bien que son champ d’application soit plus vaste. Seulement sa simplicit´ e

devient une faiblesse car il ne permet pas de d´ etailler suffisamment les propri´ et´ es d’un

objet p´ edagogique, tel que nous le souhaitons dans le cadre d’un apprentissage mobile

personnalis´ e. N´ eanmoins, il a largement inspir´ e un autre standard, cette fois ci sp´ ecifique

aux objets p´ edagogiques. Il s’agit du standard LOM.

4.3.2/

LOM

LOM (Learning Object Metadata) est un sch´ ema de description des objets p´ edagogiques

par les m´ etadonn´ ees. Il peut ˆ etre utilis´ e pour d´ ecrire des ressources aussi bien

num´ eriques que non num´ eriques. Techniquement, son nom est IEEE 1484.12.1-2002.

Il a ´ et´ e conc ¸u, en 2002, par le groupe de travail IEEE-LTSC avec la participation de

nombreux consortiums dont ARIADNE et IMS. LOM a ´ et´ e propos´ e ` a l’ISO pour deve-

nir une norme internationale, mais malgr´ e sa simplicit´ e d’expression il a ´ et´ e refus´ e par la

France et la Chine qui se sont oppos´ es ` a sa publication en tant que norme ISO. Quelques

ann´ ees plus tard, en France, a ´ et´ e publi´ ee par l’AFNOR en 2006 une adaptation de LOM

` a la norme franc ¸aise NF, le LOMFR2.

L’objectif de LOM est de d´ efinir des objets p´ edagogiques pouvant ˆ etre utilis´ es de

fac ¸on ind´ ependante d’un contexte pr´ ecis, et pouvant ´ egalement ˆ etre r´ eutilis´ es. Cette

r´ eutilisation est rendue possible par une description normalis´ ee ` a l’aide d’un vocabu-

laire pr´ ed´ efini regroupant un ensemble pr´ ecis de m´ etadonn´ ees.

La version actuelle de la norme propose une structure hi´ erarchique contenant 78

´ el´ ements sous forme d’un arbre ` a quatre niveaux : 8 ´ el´ ements descriptifs de quatri` eme ni-

veau, 13 ´ el´ ements descriptifs de troisi` eme niveau et 45 ´ el´ ements descriptifs de deuxi` eme

niveau, tous regroup´ es en 9 cat´ egories (figure 4.2).

85


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

FIGURE 4.2 – Carte heuristique des m´ etadonn´ ees de LOM

LOM int` egre les 15 champs du Dublin Core.

Dans ces neuf cat´ egories on trouve13

– G´ en´ eralit´ es : Cette cat´ egorie regroupe des caract´ eristiques ind´ ependantes du

contexte. L’objectif est la description et l’identification d’un objet p´ edagogique (par

exemple, titre, langue, mots clefs).

– Cycle de vie : Cette cat´ egorie d´ ecrit l’´ etat actuel d’un objet p´ edagogique et qui y a

contribu´ e durant son ´ evolution (par exemple, version, statut, entit´ es contributives).

– M´ eta-m´ etadonn´ ees : Cette cat´ egorie permet de garder une trace du sch´ ema de

m´ etadonn´ ees utilis´ e pour d´ ecrire les objets p´ edagogiques. Ces informations sont utiles

pour envisager l’interop´ erabilit´ e des diff´ erents syst` emes et pour l’´ echange de donn´ ees

(par exemple, identifiant, langue).

– Technique : Cette cat´ egorie regroupe les caract´ eristiques techniques d’un objet

p´ edagogique (par exemple, format, taille, remarques d’installation).

– P´ edagogique : Cette cat´ egorie est le cœur du LOM. Elle accomplit une fonction de

description p´ edagogique : le contexte d’utilisation (par exemple, scolaire, secondaire,

sup´ erieur, formation continue), le type de public cible (par exemple, enseignant, auteur,

apprenant), le temps d’apprentissage type, etc.

13. http ://fr.wikipedia.org/wiki/Learning Object Metadata

86


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

– Droits : Cette cat´ egorie sp´ ecifie les conditions d’utilisation d’un objet p´ edagogique (par

exemple, coˆ uts, droits d’auteur).

– Relation : Cette cat´ egorie permet de lier les objets p´ edagogiques entre eux (par

exemple, est partie de, est version de, est format de, est r´ ef´ erenc´ ee).

– Annotation : Cette cat´ egorie permet de laisser des remarques ` a propos d’un objet

p´ edagogique, tout en gardant en m´ emoire la description de la personne qui commente

et la date de ce commentaire.

– Classification : Cette cat´ egorie permet d’assigner des classifications aux objets

p´ edagogiques (par exemple, classification par th` emes).

Le mod` ele de m´ etadonn´ ees LOM est tr` es complet. Seulement il prend insuffisam-

ment en compte la repr´ esentation d’un objet p´ edagogique dans le cadre d’un sc´ enario

p´ edagogique. Actuellement, l’organisme ISO travaille sur l’am´ elioration du standard

LOM pour la publication d’une nouvelle norme internationale pour d´ ecrire les contenus

p´ edagogiques. IL s’agit du MLR14(Management Learning Resources). Les travaux sur

MLR sont toujours en cours, uniquement une premi` ere partie de ce standard a ´ et´ e publi´ e

jusqu’` a aujourd’hui. LOM est ´ egalement repris par d’autres standards tels qu’IMS-LD et

SCORM, nous les d´ ecrivons bri` evement dans ce qui suit.

4.3.3/

IMS-LD

Les sp´ ecifications du langage IMS-LD (IMS Learning Design) ont ´ et´ e mises au point par le

consortium IMS en 2003. Contrairement aux autres normes qui sont centr´ ees sur la des-

cription d’un contenu p´ edagogique, cette sp´ ecification fait le postulat que ce sont avant

tout les activit´ es d’apprentissage associ´ ees qu’il faut mettre au centre de la mod´ elisation.

L’objectif d’IMS-LD est donc de fournir une infrastructure d’´ el´ ements capables de d´ ecrire

n’importe quelle conception de sc´ enario d’apprentissage d’une mani` ere formelle.

L’approche dans IMS-LD est de d´ efinir un noyau complet d’´ el´ ements aussi simplement

que possible, avec quelques extensions. IMS-LD repose sur un m´ eta-mod` ele conceptuel

et propose de d´ ecrire les sc´ enarios d’apprentissage ` a l’aide de langages de mod´ elisation

p´ edagogiques permettant de d´ efinir les relations entre (1) les objectifs en termes de

connaissance (2) les acteurs de l’apprentissage (3) les activit´ es r´ ealis´ ees et (4) l’environ-

nement et les contenus n´ ecessaires ` a la mise en place du sc´ enario.

La structure d’impl´ ementation d’IMS-LD est compos´ e de trois niveaux. Au niveau A on

dispose de tous les ´ el´ ements repr´ esent´ es dans la figure 4.3, ` a l’exception des ´ el´ ements

propri´ et´ e, condition et notification. Les ´ el´ ements de ce niveau permettent de d´ ecrire des

unit´ es d’apprentissage mais dont le sch´ ema d’ex´ ecution sera identique d’une session ` a

l’autre pour chaque utilisateur du syst` eme. En d’autres termes, le niveau A ne permet

pas de personnaliser l’ex´ ecution d’un objet p´ edagogique. Le niveau B sert ` a la person-

nalisation des objets p´ edagogiques. La combinaison des concepts de propri´ et´ es et de

14. http ://sticef.univ-lemans.fr/num/vol2010/08r-bourda/sticef 2010 bourda 08r.htm

87


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

conditions introduits ` a ce niveau, permet de personnaliser la situation d’apprentissage.

Le dernier niveau, le niveau C introduit le concept de notification, action d´ eclench´ ee sur

l’occurrence d’un ´ ev´ enement particulier, par exemple fin d’un ´ ev` enement, mise ` a jour

d’une propri´ et´ e, etc. L’´ el´ ement notification permet ainsi de dynamiser l’ex´ ecution d’un

objet p´ edagogique.

FIGURE 4.3 – Architecture de la sp´ ecification IMS-LD

Concr` etement, au niveau A, un objet p´ edagogique est d´ ecrit dans un fichier compress´ e

appel´ e content package (figure 4.4).

FIGURE 4.4 – Composition du content package

88


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

Ce dernier est compos´ e d’un fichier XML, le imsmanifest.xml, et de l’ensemble des

ressources physiques. Le manifest contient trois principales sections : une section

qui regroupe les m´ etadonn´ ees de description de l’objet p´ edagogique (exemple, les

m´ etadonn´ ees de LOM); une section organisation d´ ecrivant la structure et l’organisation

de l’objet p´ edagogique; et une section ressource permettant de d´ eclarer tous les fichiers

constituant l’objet p´ edagogique (d´ eclaration en utilisant les URI). Le manifest peut aussi

contenir des sous-manifests si d’autres objets p´ edagogiques sont imbriqu´ es.

Le content package contient toutes les informations n´ ecessaire sur un objet p´ edagogique

dans un format XML qui peut ˆ etre lu par n’importe quel syst` eme de diffusion ou plateforme

conforme ` a la sp´ ecification IMS-LD et peut ˆ etre r´ eutilis´ e sur n’importe quelle outil ´ equip´ e

ad´ equatement. L’inconv´ enient d’IMS-LD est qu’il ne propose pas de concepts permettant

de d´ ecrire le contexte des activit´ es propos´ ees. Le m´ etamod` ele IMS-LD a ´ et´ e conc ¸u pour

atteindre un certain niveau d’interop´ erabilit´ e et pas un certain niveau d’expressivit´ e, et

ceci limite fortement sa capacit´ e ` a d´ ecrire des apprentissages situ´ es.

4.3.4/

SCORM

SCORM15(Sharable Content Object Reference Model) n’est pas une norme ` a propre-

ment parler mais plutˆ ot un agr´ egat de standards. Il r´ ecup` ere le meilleur des normes

LOM et IMS-LD. La norme SCORM d’ADL16s’impose aujourd’hui comme le standard

en mati` ere de conception de cours et de plateformes e-learning. L’argument de taille de

SCORM, c’est la garantie de l’interop´ erabilit´ e entre les contenus e-learning et les LMS.

Les LMS qui respectent le mod` ele SCORM peuvent ainsi int´ egrer n’importe quels conte-

nus e-learning et inversement. Ceci assure la p´ erennit´ e des contenus SCORM, puisqu’ils

sont utilisables avec tous les outils de d´ eveloppement existants et ne sont pas influenc´ es

par une ´ eventuelle ´ evolution technologique sur le LMS ou d’un changement radical de

plateforme pour leur diffusion.

Il y a deux principales versions de SCORM. La version la plus largement utilis´ ee est

SCORM 1.2. Une nouvelle version SCORM 2004 a ´ et´ e d´ efinitivement stabilis´ ee en 2006.

SCORM propose une r´ epartition des objets p´ edagogiques en trois niveaux : Les res-

sources num´ eriques ´ el´ ementaires qu’on appelle assets, les objets de contenu parta-

geables qu’on appelle SCO (Sharable Content Object) et les agr´ egats de contenu :

Un asset est la forme la plus ´ el´ ementaire d’un contenu. Cela peut ˆ etre du texte, des

images, des vid´ eos, des pages Web, etc. Autrement dit, un asset peut ˆ etre tout type de

ressource num´ erique pouvant ˆ etre affich´ ee par un navigateur internet. Seulement un as-

set ne communique pas avec un LMS. Les assets sont associ´ es ` a des m´ etadonn´ ees qui

d´ ecrivent leur contenu.

Un SCO est compos´ e d’un ou plusieurs assets, ainsi que d’un dispositif de communica-

15. http ://scorm.com/scorm-explained/

16. http ://www.adlnet.org/

89


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

tion avec le LMS. En d’autres termes un SCO est une ressource au mˆ eme titre qu’un

asset mais qui communique avec une plateforme de formation. Les SCO sont des unit´ es

qui doivent rester relativement petites, mais il n’existe pas de normes pour d´ efinir sa taille,

c’est alors au concepteur d’´ evaluer cette taille. Les SCO aussi bien que les assets sont

associ´ es ` a des m´ etadonn´ ees qui d´ ecrivent leur contenu et facilitent leur recherche. Un

SCO est d´ ecrit de mani` ere ` a pouvoir ˆ etre r´ eutilis´ e dans un autre cours et reconnaissable

par une plateforme SCORM.

Pour d´ efinir un contenu SCORM, l’auteur va construire des SCO, qui sont les briques de

base d’un cours, puis expliquer la fac ¸on de les lier entre eux. Ainsi plusieurs SCO forment

un objet p´ edagogique et un ou plusieurs objets p´ edagogiques peuvent former un cours.

Les anciennes versions de SCORM 2004 se composent essentiellement de deux parties :

– Le mod` ele d’agr´ egation de contenu : Ce mod` ele correspond aux sp´ ecifications IMS-

LD. Au cœur de la description SCORM nous retrouvons le fichier imsmanifest.xml.

C’est par ce fichier que l’on va charger les informations d´ ecrivant la structure d’un

parcours complet. Le fichier manifest contient la description des diff´ erents composants

(les assets et les SCO) du mod` ele de contenu. Dans SCORM, des m´ etadonn´ ees sont

attach´ ees ` a ces composants. Les m´ etadonn´ ees doivent permettre d’identifier, de clas-

ser, d’informer sur les intentions de l’auteur et de chercher les objets p´ edagogiques.

Les m´ etadonn´ ees utilis´ ees respectent la sp´ ecification LOM. Le manifest contient aussi

l’organisation des objets p´ edagogiques en hi´ erarchie. Finalement le manifest indique

la liste des ressources physiques utilis´ ees dans le parcours p´ edagogique (figure 4.5).

FIGURE 4.5 – Le mod` ele d’agr´ egation de contenu SCORM

– Le mod` ele d’environnement d’ex´ ecution : Une communication est n´ ecessaire entre

les objets p´ edagogiques et le LMS. Pour ce faire, ADL a ´ etabli un envoi normalis´ e

d’informations dans les deux sens, et compatible avec les technologies Web. L’envi-

90


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

ronnement d’ex´ ecution fonctionne ` a partir d’une API (Application Program Interface)

qui exploite un mod` ele de donn´ ees permettant la standardisation des ´ echanges entre

un LMS et le navigateur de l’apprenant. Pour que les contenus soient interop´ erables il

faut s’assurer que leur lancement sur une plateforme suit une proc´ edure bien d´ efinie et

qu’ils disposent de fonctions de communication clairement identifi´ ees. La description

du fonctionnement de SCOM est donn´ e dans le livre blanc de (Amalric, 2007). Dans

SCORM, le dialogue entre le LMS et les SCO se fait ` a l’aide d’une s´ erie de fonctions

´ ecrites en javascript et disponibles dans un objet API. Un SCO doit trouver cet objet

pour interagir avec lui. Pour trouver cet objet API, il suffit d’ajouter du code javascript

au d´ ebut de la page de d´ epart du SCO. Une fois L’API SCORM trouv´ e par le SCO, il est

d` es lors possible d’utiliser des fonctions de communication avec cet API (exemples :

LMSInitialize () et LMSFinish() pour g´ erer l’´ etat d’ex´ ecution d’une ressource, ou encore

LMSGetValue() pour r´ ecup´ erer des valeurs du LMS et la transmettre ` a la ressource).

Ainsi le d´ eveloppeur du contenu n’a pas ` a se soucier de la communication avec le ser-

veur, il doit seulement trouver l’API et appeler les fonctions ad´ equates en JavaScript.

Cette s´ eparation du client et du serveur est essentielle avec SCORM et assure ainsi la

portabilit´ e des contenus (Amalric, 2007).

Par rapport aux anciennes versions de SCORM, SCORM 2004 int` egre un nouveau

mod` ele, le mod` ele de s´ equencement et de navigation. Ce mod` ele permet de mettre

en œuvre des parcours de formation selon des situations plus complexes. Jusqu’` a au-

jourd’hui, la complexit´ e de ce mod` ele pose un frein ` a son int´ egration dans les LMS, par

cons´ equent il n’est pas tr` es utilis´ e. Nous d´ ecrivons bri` evement le principe de fonctionne-

ment de ce mod` ele. Le mod` ele de s´ equencement et de navigation d´ ecrit comment doivent

ˆ etre trait´ ees les instructions de branchement et de coordination d’activit´ es p´ edagogiques

suivant un arbre d’activit´ es. Une activit´ e de s´ equenc ¸age correspond ` a un ´ el´ ement dans

le manifeste du cours. Les activit´ es sont imbriqu´ ees dans des relations parent/fils pour

former l’arbre d’activit´ es. L’arbre d’activit´ es est d´ eriv´ e de la structure d´ efinie par la section

organisation du mod` ele d’agr´ egation de contenu (figure 4.6).

A chaque activit´ e sont associ´ ees des donn´ ees de suivi et des r` egles de s´ equenc ¸age.

Les donn´ ees de suivi repr´ esentent l’´ etat actuel de l’activit´ e (par exemple, son statut,

son score) et les r` egles de s´ equenc ¸age d´ efinissent comment cette activit´ e devrait ˆ etre

s´ equenc´ ee. Le r´ esultat de l’application d’une r` egle permet par exemple de cacher une

activit´ e, de passer une activit´ e, de quitter la formation, etc. Ces r` egles sont sp´ ecifi´ ees

dans le manifeste du cours.

SCORM pr´ esente certaines limites, par exemple, un SCO ne peut pas directement trans-

mettre des donn´ ees ` a un autre SCO. De plus le concept d’activit´ e de l’apprenant n’est pas

d´ efini de fac ¸on explicite dans le mod` ele. SCORM privil´ egie donc une approche centr´ ee

davantage sur les contenus que sur les activit´ es. Finalement certains d´ eveloppeurs

de LMS annoncent que cr´ eer du contenu SCORM est une tˆ ache lourde et peut donc

pr´ esenter un coˆ ut de production ´ elev´ e. Ils pr´ ecisent que ce travail est pertinent, malgr´ e

91


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

ces contraintes, si le contenu est par la suite r´ eutilis´ e ou ´ echang´ e.

FIGURE 4.6 – Le mod` ele de s´ equencement et de navigation SCORM

4.3.5/

TIN CAN

TIN CAN API17est une norme r´ ecemment finalis´ ee qui est n´ e de la volont´ e d’ADL de

proposer une norme plus souple et adapt´ ee ` a la multiplicit´ e des objets p´ edagogiques.

TIN CAN API s’inscrit dans un dispositif destin´ e ` a remplacer SCORM. Comme SCORM,

TIN CAN API sert ` a suivre des activit´ es de formation et ` a les transmettre ` a une plate-

forme de gestion de formation. Mais ` a l’inverse de SCORM qui n´ ecessite une plateforme

LMS centralisant l’ensemble des contenus de formations, TIN CAN ´ etend la notion d’ap-

prentissage ` a n’importe quel contenu, o` u qu’il se trouve et quel que soit sa nature : une

vid´ eo sur youtube, un entretien avec un coll` egue, la lecture d’un article, un blog, etc. En

effet le mod` ele SCORM impose l’existence des ressources d’apprentissage dans un SGA

(Syst` eme de Gestion de l’Apprentissage). Cette limitation est d´ epass´ ee dans TIN CAN

qui permet l’agr´ egation des traces d’apprentissage ` a partir de plusieurs sources et donc

l’utilisation des ressources d’apprentissage existantes sur d’autres serveurs.

TIN CAN ajoute un nouveau terme, un LRS (Learning Record Store), qui d´ efinit une sorte

de base de donn´ ees s´ epar´ e mais li´ e ` a une plateforme de formation ` a distance (LMS). On

parle donc de LMS coupl´ e avec un service LRS. Le principe est que chaque apprenant

peut cr´ eer des entr´ ees personnelles (des ressources d’apprentissage stock´ ees sur des

plateformes diff´ erentes comme Slideshare18ou Vimeo19) et les intgrer ` a un LRS. Ces

entr´ ees reconstruisent virtuellement ensuite les activit´ es r´ ealis´ ees par l’apprenant en de-

hors des activit´ es de formation traditionnelles propos´ es par le LMS.

17. http ://tincanapi.com/

18. http ://fr.slideshare.net/

19. https ://vimeo.com/

92


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

Un de ses inconv´ enients de TIN CAN est qu’il a la capacit´ e de cr´ eer une tr` es grande

quantit´ e de donn´ ees. Mais ces donn´ ees que valent-elles vraiment? Comment interpr´ eter

ces donn´ ees et d´ eterminer celles qui sont vraiment utiles en termes de d´ eveloppement

de comp´ etences? Deuxi` eme inconv´ enient, la mise en œuvre de la norme n´ ecessite de

disposer d’un LRS, c’est ` a dire un conteneur capable de lire un fichier au format TIN CAN

et de stocker les interactions avec l’apprenant. Or la plupart des LMS d’aujourd’hui ne

sont pas ´ equip´ es de LRS et utilisent majoritairement la norme SCORM.

4.3.6/

LRMI

L’Initiative LRMI20(Learning Resource Metadata Initiative) est d’´ elaborer un cadre com-

mun de m´ etadonn´ ees pour d´ ecrire les ressources d’apprentissage sur le Web. LRMI

est pris en charge par les moteurs de recherche Google, Bing, Yahoo et, li´ ee ` a

schema.org21; utilise le Web s´ emantique, et est pris en charge par AEP22(Associa-

tion of Educational Publishers) et CC23(Creative Commons). Il s’agit essentiellement du

syst` eme de Schema.org ´ etendu aux besoins en ´ education.

LRMI vise pr´ ecis´ ement ` a introduire des crit` eres utiles aux formateurs et aux apprenants

dans des m´ etadonn´ ees qui seront utilis´ ees par les ´ editeurs de contenus ´ educatifs. Par

exemple, la ressource est-elle destin´ ee aux professeurs ou aux ´ etudiants? Est-ce un

contenu, un devoir, un test? S’il s’agit d’une s´ equence de formation, dure t-elle 10 mi-

nutes, 30 minutes, 2 semaines? Est-elle destin´ ee ` a des adultes ou des enfants? En

fait, il ne s’agit pas de m´ etadonn´ ees telles que nous les connaissons, mais de micro-

donn´ ees que l’on ins` ere dans les balises HTML de contenu telles <span>, <div>, <a

href>, etc. En fait n’importe quelle balise peut accueillir les items selon les sp´ ecifications

de Schema.org.

L’impl´ ementation de cette norme permet d’am´ eliorer la d´ ecouverte de contenus d’ap-

prentissage et permet de personnaliser le processus d’apprentissage ` a l’´ echelle du Web

et par cons´ equent ´ etendre les outils d’apprentissage actuel dans l’espace du Web. La

proposition LRMI est a ´ et´ e officiellement int´ egr´ ee et adopt´ ee par Schema.org en 2013.

QUE CHOISIR POUR NOTRE MOD` ELE ?

4.3.7/

Dans notre mod` ele nous nous focalisons principalement sur deux points : la description

des objets p´ edagogiques et la mod´ elisation de sc´ enarios p´ edagogiques personnalis´ es.

Nous proposons de d´ ecrire les contenus p´ edagogiques propos´ es par CrossKnow-

ledge en utilisant des informations issues des sch´ emas de description des objets

p´ edagogiques. Une solution peut provenir des initiatives de normalisation qui visent ` a

20. http ://www.lrmi.net/

21. http ://schema.org/

22. http ://www.aepweb.org/

23. http ://fr.wikipedia.org/wiki/Creative Commons

93


Mlearning

4.3. NORMES POUR LA DESCRIPTION D’UN OBJET P´EDAGOGIQUE

´ etablir des r` egles pour faciliter le partage et la r´ eutilisation des contenus p´ edagogiques.

Afin de respecter les techniques de mod´ elisation d´ ej` a utilis´ ees au sein de CrossK-

nowledge, nous choisissons d’utiliser le sch´ ema LOM. Seulement l’utilisation des

m´ etadonn´ ees telle qu’elle est pr´ econis´ ee par les normes ne suffit pas ` a r´ esoudre les

probl` emes de r´ eutilisabilit´ e et d’accessibilit´ e. Afin de combler les lacunes de LOM, nous

remplac ¸ons l’utilisation de XML par un langage plus expressif, en proposant une ontolo-

gie de LOM.

Outre le niveau d’expressivit´ e des ontologies, ces derni` eres peuvent nous aider ` a

r´ esoudre les probl` emes de r´ eutilisabilit´ e et d’accessibilit´ e. Ces probl` emes ne se-

ront r´ esolus que si le syst` eme et les acteurs partagent le mˆ eme sens accord´ e aux

m´ etadonn´ ees : les objets p´ edagogiques sont souvent conc ¸us et d´ evelopp´ es par des

organisations et des formateurs diff´ erents, constituant g´ en´ eralement des contenus au-

tonomes mais tr` es h´ et´ erog` enes au niveau s´ emantique. Des conflits s´ emantiques sur-

viennent puisque les syst` emes n’utilisent pas la mˆ eme interpr´ etation de l’information

qui est d´ efinie diff´ eremment d’une organisation ` a une autre. Les besoins imm´ ediats de-

mandent l’application de mod` eles de m´ etadonn´ ees en vigueur pour rendre les contenus

d’apprentissage r´ eutilisables pour assurer l’interop´ erabilit´ e s´ emantique des plateformes

h´ et´ erog` enes. L’utilisation des ontologies est une solution int´ eressante.

FIGURE 4.7 – Mod` ele des objets p´ edagogiques

L’utilisation d’une ontologie permet une meilleure repr´ esentation des connaissances. Elle

permet ` a l’ordinateur la production de nouvelles connaissances par le biais d’inf´ erences.

94


Mlearning

4.4. CONCLUSION

Elle permet aussi ` a l’homme et ` a la machine d’accorder des sens communs aux termes

utilis´ es dans un domaine particulier, ici en apprentissage ´ electronique, afin de lever toute

ambigu¨ ıt´ e pendant les traitements.

La figure 4.7 montre un aperc ¸u du mod` ele que nous proposons. Nous d´ etaillerons la

description de ce mod` ele dans le chapitre 5.

Nous d´ efinissons un sc´ enario p´ edagogique comme ? un ensemble ordonn´ e d’activit´ es,

r´ egies par des acteurs qui utilisent des objets p´ edagogiques?. Dans le mod` ele IMS-LD

un parcours de formation est consid´ er´ e comme une agr´ egation d’objets p´ edagogiques.

Dans le mod` ele SCORM un sc´ enario est form´ e d’activit´ es imbriqu´ ees dans des relations

parent/fils. Dans ces deux mod` eles un sc´ enario est vu uniquement comme l’agr´ egation

d’objets p´ edagogiques et non pas comme un enchainement d’activit´ es. Afin de rem´ edier

` a cette lacune et de proposer des sc´ enarios plus ´ elabor´ es et complexes, nous proposons

d’utiliser des relations s´ emantiquement riches ` a travers notre mod` ele ontologique.

Finalement dans tous les standards d´ ecrits pr´ ec´ edemment le contexte d’utilisation des

objets p´ edagogiques n’est pas pris en compte. Afin d’augmenter la r´ eutilisabilit´ e et afin de

personnaliser les sc´ enarios et la livraison des objets p´ edagogiques aux apprenants, nous

proposons d’enrichir notre mod` ele par une ontologie de contexte et des r` egles m´ etiers

afin de dicter le comportement du syst` eme dans un contexte particulier.

4.4/

CONCLUSION

Nous avons consacr´ e ce chapitre ` a analyser le concept d’objet p´ edagogique. En

nous basons sur les travaux men´ es dans le domaine des langages de mod´ elisation

p´ edagogiques, nous proposons une nouvelle d´ efinition en identifiant deux classes

diff´ erentes d’objets p´ edagogiques : des objets p´ edagogiques qui permettent de struc-

turer et d’organiser un parcours de formation et l’organiser et des objets p´ edagogiques

qui correspondent aux ressources physiques ou num´ eriques n´ ecessaires ` a la r´ ealisation

des activit´ es d’apprentissage. Chaque classe est caract´ eris´ ee par un ensemble

de m´ etadonn´ ees. Aujourd’hui, les organismes de normalisation proposent diff´ erents

sch´ emas de description des objets p´ edagogiques par des m´ etadonn´ ees. En analysant

les diff´ erents mod` eles tels que le Dublin Core, LOM, IMS-LD et SCORM, nous avons pu

identifier un certain nombre de faiblesses de ces mod` eles.

De notre cˆ ot´ e, afin d’obtenir toutes les qualit´ es demand´ ees par un LMS, comme la

r´ eutilisabilit´ e des contenus, l’accessibilit´ e, l’interop´ erabilit´ e et la durabilit´ e, nous prenons

en compte les th´ eories de l’´ education ainsi que des contextes d’apprentissage diff´ erents.

Nous basons notre approche sur des technologies du Web s´ emantique, dont l’utilisa-

tion des ontologies, tout en respectant les normes en apprentissage en vigueur. Dans

le chapitre suivant nous d´ ecrivons l’architecture de notre syst` eme pour le m-learning, en

d´ efinissons plus clairement notre mod` ele des objets p´ edagogiques.

95


Mlearning

5

ARCHITECTURE DU SYST` EME

Dans le domaine de l’enseignement ` a distance, ces derni` eres ann´ ees ont ´ et´ e marqu´ ees

par l’essor du m-learning. Cet essor est li´ e ` a deux facteurs : Le premier facteur est le

d´ eveloppement continu d’innovations dans le domaine des technologies mobiles et le se-

cond facteur r´ eside dans l’extrˆ eme degr´ e d’appropriation et d’usage, par tout un chacun,

des appareils mobiles connect´ es ` a internet. L’apprentissage devient situ´ e, contextuel, et

personnel. Ce ph´ enom` ene entraˆ ıne un nouveau paradigme dans le domaine de la forma-

tion ` a distance o` u l’environnement ne s’adapte plus ` a l’apprentissage mais o` u l’appren-

tissage doit s’adapter dynamiquement ` a un environnement en constant changement.

L’apparition de ce nouveau paradigme n´ ecessite l’´ evolution des m´ ethodes de formation.

Pour r´ epondre ` a ce paradigme, nous avons identifi´ e un ensemble d’approches souvent

bas´ ees sur des syst` emes de recommandation. Ces syst` emes permettent une adaptation

dynamique du contenu, en tenant compte d’un profil de consommation. La conception

d’un tel syst` eme doit r´ epondre ` a une contrainte forte : la pertinence de l’information pro-

pos´ ee. Plus l’information est pertinente, plus son appropriation par l’utilisateur final sera

forte. Dans le domaine du m-learning, la pertinence d’un apprentissage sur une dur´ ee d

r´ eside dans la pertinence de la combinaison des ´ el´ ements composant cet apprentissage,

malgr´ e les variations du contexte pendant cette dur´ ee d. Pour r´ epondre ` a cet objec-

tif de pertinence, nous d´ efinissons dans ce chapitre, de mani` ere formelle, l’architecture

d’un nouveau type de syst` eme de recommandation sensible au contexte. Ce syst` eme se

base sur les technologies du Web s´ emantique et des techniques d’optimisation combi-

natoire, proposant des combinaisons d’objets p´ edagogiques (LO) adapt´ ees au contexte

de l’apprenant. Cette proposition est une extension des syst` emes de recommandation

bas´ es sur le contenu, utilisant une ontologie associ´ ee ` a des m´ ecanismes de pond´ eration.

L’architecture utilis´ ee est issue des syst` emes hyperm´ edia adaptatifs en couches, et est

constitu´ ee de deux grandes parties : un serveur de connaissances et un mod` ele d’adap-

tation. Le serveur de connaissances est form´ e de trois couches : un mod` ele des LO, un

mod` ele de contexte et un mod` ele de contraintes qui regroupe un ensemble de r` egles

97


Mlearning

5.1. PR´ESENTATION G´EN´ERALE DE L’ARCHITECTURE

m´ etiers mod´ elisant le savoir-faire du fournisseur des contenus. La deuxi` eme partie du

syst` eme, le mod` ele d’adaptation, permet de proposer des recommandations sous forme

de combinaisons pertinentes de LO; le syst` eme est constitu´ e de mani` ere ` a pouvoir uti-

liser des algorithmes d’optimisation combinatoire adapt´ es ` a notre domaine d’application.

Nous pr´ esentons dans ce chapitre une description d´ etaill´ ee de chaque partie de notre

architecture.

Sommaire

Pr´ esentation g´ en´ erale de l’architecture . . . . . . . . . . . . . . . . .

Serveur s´ emantique de connaissances . . . . . . . . . . . . . . . . . 100

5.2.1

Le Web s´ emantique . . . . . . . . . . . . . . . . . . . . . . . . . 101

5.2.2

Mod´ elisation par les ontologies . . . . . . . . . . . . . . . . . . . 104

5.2.3

Mod` ele des LO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

5.2.4

Mod` ele de contexte . . . . . . . . . . . . . . . . . . . . . . . . . 110

5.2.5

Mod` ele de contraintes . . . . . . . . . . . . . . . . . . . . . . . . 120

Mod` ele d’adaptation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

5.1

5.2

98

5.3

5.4

PR´ ESENTATION G´ EN´ ERALE DE L’ARCHITECTURE

5.1/

De nouveaux usages apport´ es dans le domaine de l’apprentissage se sont multipli´ es

sous diff´ erentes modalit´ es. Dans le cadre de l’apprentissage au sein des entreprises,

nous cherchons ` a d´ evelopper un syst` eme m-learning dont les principaux enjeux sont :

(1) l’apprentissage au travail quels que soient l’heure, le lieu, le dispositif de d´ elivrance,

les contraintes technologiques des processus d’apprentissage de mani` ere adapt´ ee au

profil de l’apprenant; (2) l’apprentissage continu au travers des diff´ erents contextes. Nous

proposons une approche pour un syst` eme m-learning contextuel et adaptatif int´ egrant

des strat´ egies de recommandation de sc´ enarios de formations sans risque de rupture.

Dans l’objectif de d´ evelopper un tel syst` eme m-learning, nous commenc ¸ons par identifier

diff´ erents niveaux d’h´ et´ erog´ en´ eit´ e : (1) h´ et´ erog´ en´ eit´ e s´ emantique et (2) h´ et´ erog´ en´ eit´ e

d’usage : D’un cˆ ot´ e, en e-learning les ressources sont conc ¸ues et d´ evelopp´ ees par des

organisations et des formateurs diff´ erents, constituant g´ en´ eralement des contenus auto-

nomes mais aussi h´ et´ erog` enes au niveau s´ emantique. En effet, des conflits s´ emantiques

surviennent puisque les syst` emes n’utilisent pas la mˆ eme interpr´ etation de l’informa-

tion qui est d´ efinie diff´ eremment d’une organisation ` a l’autre. Les besoins imm´ ediats

demandent l’application de standards en vigueur pour rendre les contenus r´ eutilisables

et afin d’assurer l’interop´ erabilit´ e s´ emantique des plateformes e-learning h´ et´ erog` enes.

D’un autre cˆ ot´ e, les apprenants, qui sont les principaux acteurs d’une plateforme d’ap-

prentissage, ont des connaissances et des objectifs diff´ erents et se situent dans des

98


Mlearning

5.1. PR´ESENTATION G´EN´ERALE DE L’ARCHITECTURE

contextes d’apprentissages diff´ erents (h´ et´ erog´ en´ eit´ e d’instant, h´ et´ erog´ en´ eit´ e de dur´ ee,

h´ et´ erog´ en´ eit´ e de support visuel, h´ et´ erog´ en´ eit´ e de niveau sonore, etc.). Il faut dans ce

cas avoir une meilleure connaissance du contexte d’apprentissage et s’interroger effica-

cement sur les strat´ egies p´ edagogiques ` a mettre en place pour r´ epondre au mieux aux

besoins de chaque apprenant.

Cette section est d´ edi´ ee ` a la pr´ esentation de l’architecture g´ en´ erale de notre syst` eme

de recommandation pour le m-learning dont la principale caract´ eristique r´ eside dans

sa capacit´ e ` a construire des parcours de formation selon les contraintes contextuelles

de l’apprenant. L’enjeu du syst` eme ` a construire est de r´ epondre ` a la fois au verrou

d’h´ et´ erog´ en´ eit´ e s´ emantique (aspect statique du syst` eme) et au verrou d’h´ et´ erog´ en´ eit´ e

d’usage (aspect dynamique et adaptatif du syst` eme).

Pour la cr´ eation d’une nouvelle architecture de syst` emes recommandations, nous partons

du postulat que les contenus d’apprentissage ainsi que le contexte sont mod´ elis´ es au

sein d’une ontologie et par cons´ equent, la qualit´ e du contenu est av´ er´ ee. Un syst` eme

de recommandation bas´ e sur le contenu pourrait ˆ etre construit ` a partir de ce postulat.

N´ eanmoins, il ne permettrait pas de repr´ esenter le savoir-faire du fournisseur en mati` ere

de qualification d’un objet p´ edagogique et en mati` ere de combinaison pertinente des LO.

Il est donc n´ ecessaire de trouver un moyen qui repr´ esente ce savoir-faire sous la forme de

r` egles param´ etrables. La qualification des offres dans les syst` emes de recommandation

par filtrage collaboratif est r´ ealis´ ee par rapport ` a des notes qui sont donn´ ees par les

utilisateurs aux items. Nous choisissons de nous inspirer de cette id´ ee pour permettre de

donner ` a notre architecture des fonctions de pond´ eration des LO par rapport aux r` egles

m´ etiers. Ce syst` eme ´ evolutif de r` egles et de pond´ eration permet de traduire le savoir-

faire du fournisseur des contenus, et permet une qualification constante du contenu tout

au long de son cycle de vie.

Dans les syst` emes adaptatifs, le contenu et les informations relatives aux utilisateurs sont

repr´ esent´ es dans la couche couramment appel´ ee mod` ele de domaine. Les travaux sur

les syst` emes adaptatifs utilisent de plus en plus les technologies du Web s´ emantique

pour repr´ esenter ce mod` ele, notamment en utilisant les outils de repr´ esentation onto-

logiques. Dans notre d´ emarche, nous faisons une distinction entre la mod´ elisation des

LO et la mod´ elisation du contexte. Nous divisons ainsi le mod` ele de domaine en deux

sous-mod` eles : le mod` ele des LO et le mod` ele de contexte. Pour la mod´ elisation des

r` egles m´ etiers, nous utilisons le terme mod` ele de contraintes, en accord avec la termi-

nologie propos´ ee par l’architecture en couches LAOS (voir chapitre 3). De mˆ eme nous

gardons le terme mod` ele d’adaptation de l’architecture LOAS pour qualifier la couche

comportementale du syst` eme.

Nous proposons ainsi une architecture d’un syst` eme de recommandation pour le m-

learning articul´ ee en deux parties : La premi` ere partie est constitu´ ee d’un serveur de

connaissances o` u les donn´ ees et les processus m´ etiers sont mod´ elis´ es par une onto-

logie ´ evolutive et des r` egles m´ etier. Cette partie de l’architecture regroupe le mod` ele

99


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

des LO, le mod` ele de contexte et le mod` ele de contraintes. La deuxi` eme partie, corres-

pond au mod` ele adaptatif, et est bas´ ee sur des algorithmes de m´ etaheuristiques permet-

tant d’analyser les r` egles m´ etier et l’ontologie pour permettre une bonne combinaison

des contenus d’apprentissage. La figure 5.1 pr´ esente un aperc ¸u de cette architecture.

Coupler les techniques de mod´ elisation s´ emantique des contenus et du contexte appre-

nant avec des algorithmes performants issus du domaine de l’optimisation combinatoire,

constituent notre syst` eme de recommandation pour l’optimisation de l’offre m-learning.

FIGURE 5.1 – Architecture g´ en´ erale du syst` eme m-learning

Dans la section suivante nous d´ ecrivons la premi` ere partie de notre architecture, le ser-

veur s´ emantique de connaissances.

SERVEUR S´ EMANTIQUE DE CONNAISSANCES

5.2/

Dans le serveur s´ emantique de connaissances nous mod´ elisons les contenus d’appren-

tissage, le contexte et les connaissances des experts m´ etiers. Pour cette mod´ elisation,

l’apport des technologies du Web s´ emantique est significatif. La figure 5.2 illustre l’archi-

tecture g´ en´ erale du serveur s´ emantique de connaissances.

100


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

FIGURE 5.2 – Architecture du serveur s´ emantique de connaissances

Dans cette section nous pr´ esentons tout d’abord un bref ´ etat de l’art du Web s´ emantique

suivi d’une introduction aux ontologies. Ensuite, nous d´ efinissons et d´ ecrivons les trois

mod` eles du serveur s´ emantique de connaissances : Le premier mod` ele, le mod` ele des

LO, permet de pr´ esenter les contenus sous formes d’instanciation d’objets p´ edagogiques.

Le deuxi` eme mod` ele, le mod` ele de contexte, permet de pr´ esenter le contexte d’appren-

tissage. Finalement le troisi` eme mod` ele, le mod` ele de contraintes, permet de pr´ esenter

le savoir-faire des experts m´ etiers et les contraintes sp´ ecifiques aux contenus suivant les

contextes des apprenants.

LE WEB S´ EMANTIQUE

5.2.1/

Depuis sa cr´ eation, Internet a connu de nombreuses ´ evolutions. Dans son ´ etat initial le

Web 1.0 ´ etait exclusivement constitu´ e de pages statiques qui ´ etaient rarement mises ` a

jour car cette tˆ ache ´ etait longue et fastidieuse. La g´ en´ eration dynamique de pages ` a

partir de bases de donn´ ees, la facilit´ e ` a communiquer et le d´ eveloppement des r´ eseaux

sociaux sont autant d’´ el´ ements qualifiant le terme Web 2.0. Malgr´ e cette ´ evolution, un

inconv´ enient du Web 1.0 est cependant toujours pr´ esent : les donn´ ees pr´ esent´ ees sous

101


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

forme de pages par Internet n’ont de sens que pour les yeux d’un humain. Le code des

pages Internet est pris en charge par le navigateur qui a pour rˆ ole de traduire et d’afficher

les donn´ ees ` a l’´ ecran.

En 1994, la cr´ eation du W3C fut annonc´ e ` a la conf´ erence WWW ` a Gen` eve et c’est ` a

cette p´ eriode que Tim Berners-Lee a dress´ e les objectifs du W3C et a montr´ e les be-

soins d’ajouter de la s´ emantique au Web futur. Il montre qu’avec la forte croissance du

Web, il est de plus en plus difficile pour les humains de rechercher et de traiter des

donn´ ees pr´ esentes sur ce r´ eseau. Le Web s´ emantique place la capacit´ e de traitement et

de calcul de plus en plus grande des machines face ` a l’immensit´ e du Web en donnant

les moyens n´ ecessaires aux machines pour traiter les donn´ ees. Cela permet aux utili-

sateurs d’acc´ eder plus facilement et de mani` ere plus intuitive aux donn´ ees par le biais

de services utilisant les technologies mises ` a disposition par le Web s´ emantique. Tim

Berners-Lee d´ efinit le Web s´ emantique comme un ensemble de technologies ayant pour

objectif principal de rendre accessible aux machines la signification (la s´ emantique) des

donn´ ees pr´ esentes sur le Web (Berners-Lee et al., 2001).

Le Web s´ emantique ouvre de nombreuses perspectives parmi lesquelles on trouve :

– L’optimisation de la coop´ eration entre les machines (l’interop´ erabilit´ e) : Le Web

s´ emantique permet aux machines de comprendre la signification des informations par

le biais de langages s´ emantiques d´ efinissant les donn´ ees. L’utilisation d’un langage

commun permet de renforcer l’interop´ erabilit´ e entre les machines.

– Le raisonnement par inf´ erence : C’est une op´ eration qui consiste ` a tirer une conclu-

sion ` a partir de donn´ ees connues. Cela permet donc de d´ eduire de nouvelles informa-

tions ` a partir de l’existant. C’est un processus de cr´ eation qui permet l’expansion des

connaissances. Tirer des conclusions, faire des d´ eductions sont des choses qui ´ etaient

jusque-l` a r´ eserv´ ees aux ˆ etres dot´ es d’un esprit logique. Grˆ ace ` a la s´ emantique, il est

possible de doter les machines de ce m´ ecanisme (voir annexe A pour plus de d´ etails

sur les techniques de raisonnement).

Apr` es plusieurs ann´ ees de travail, le W3C d´ ebute l’´ emission de recommandations

concernant le Web s´ emantique en 1997. Parmi ces recommandations se trouve no-

tamment une recommandation concernant le langage RDF (Resource Description Fra-

mework), un standard du Web s´ emantique. Par la suite, de nombreuses autres recom-

mandations ont ´ et´ e ´ emises par le W3C : RDFS (RDF Schema) et OWL (Web Ontology

Language) en 2004 ou encore SPARQL en 2008 (annexe A).

En 1998, Tim Berners-Lee publie un documen (Berners-Lee, 1998) sur ce qui sera plus

tard appel´ e le Web s´ emantique. Dans ce document, il pr´ esente le Web s´ emantique

comme une sorte d’extension du Web des documents, qui constitue une base de donn´ ees

` a l’´ echelle mondiale, afin que toutes les machines puissent mieux lier les donn´ ees du

Web. Dans un autre document (Berners-Lee, 2000), il propose une repr´ esentation gra-

phique, le layer cake1, qui montre l’agencement des diff´ erentes briques technologiques

1. http ://www.w3.org/2000/Talks/1206-xml2k-tbl/slide10-0.html

102


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

du Web s´ emantique.

Dans le layer cake illustr´ e par la figure 5.3, le Web s´ emantique est repr´ esent´ e par un

ensemble de technologies et de concepts organis´ es sous la forme d’une architecture en

couches :

FIGURE 5.3 – Architecture en couches des standards du Web s´ emantique

– La couche URI (Universal Resource Identifier) : Cette couche a pour objectif l’identifi-

cation des ressources (pas n´ ecessairement sur le Web).

– La couche XML : offre un m´ etalangage permettant de repr´ esenter de mani` ere struc-

tur´ ee et personnalis´ ee des informations (en utilisant les balises de son choix). Cette

couche contient, en plus du langage XML, des technologies comme les DTD (Docu-

ment Type Definition), le langage XML Schema ou encore le langage de mise en forme

XSL (Extensible Stylesheet Language).

– La couche RDF : est le premier ´ el´ ement de l’architecture apportant une r´ eelle plus-

value s´ emantique. RDF est un langage offrant la possibilit´ e de d´ ecrire des ressources

Web par l’utilisation de triplets <sujet, pr´ edicat, objet>.

– Les couches RIF (Rule Interchange Format), RDF Schema et Ontologies OWL : visent

` a d´ evelopper les capacit´ es d’expression de la couche RDF en offrant notamment la

possibilit´ e de hi´ erarchiser des concepts ou de d´ efinir des restrictions sur des pro-

pri´ et´ es.

– La couche SPARQL : repr´ esente un langage de requˆ ete et un protocole qui permet de

rechercher, d’ajouter, de modifier ou de supprimer des donn´ ees RDF.

– Les couches logique et preuve : ont respectivement pour objectif de permettre l’utilisa-

tion de m´ ecanismes d’inf´ erence (d´ eduction de connaissances) et de prouver la v´ eracit´ e

des connaissances ainsi produites.

– La couche confiance : constitue l’interface entre le Web s´ emantique et l’utilisateur.

L’utilisateur qui travaille avec des programmes s´ emantiques qui r´ ealisent certaines

op´ erations ` a sa place doit avoir confiance dans les r´ esultats qui lui sont propos´ es.

103


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

La couche confiance a donc pour but d’expliquer ses raisonnements et de garantir la

fiabilit´ e de ces derniers en utilisant les fonctionnalit´ es des deux couches pr´ ec´ edentes

que sont la couche preuve et la couche logique.

D’apr` es la figure 5.3, le Web s´ emantique passe par la cr´ eation d’un ensemble de lan-

gages de mod´ elisation des connaissances manipulables par les machines. En effet, ces

langages travaillent principalement sur des donn´ ees tr` es formalis´ ees et structur´ ees et ont

besoin d’instructions pour savoir comment manipuler ces donn´ ees. Pour cette raison, le

Web s´ emantique se propose de repr´ esenter les connaissances sous forme de structures

utilisant la logique de description, ` a savoir les ontologies, que nous pr´ esentons dans la

section suivantes.

MOD´ ELISATION PAR LES ONTOLOGIES

5.2.2/

L’ontologie est un concept central du Web s´ emantique. L’ontologie est ` a l’origine un do-

maine philosophique qui peut ˆ etre d´ ecrit comme l’´ etude de l’ˆ etre, de ses modalit´ es et de

ses propri´ et´ es. Platon fut un des premiers ` a d´ ecrire le concept d’ontologies en introdui-

sant notamment une diff´ erence entre le monde des objets (ou le monde r´ eel) et le monde

des id´ ees. Par la suite, Aristote, un des ´ etudiants de Platon, a pos´ e les bases des on-

tologies en introduisant des notions comme les cat´ egories (concept) et la subsumption

(relation hi´ erarchique entre concepts). Aristote peut ˆ etre consid´ er´ e comme le cr´ eateur

de la notion de taxonomie. Aristote a ´ egalement propos´ e plusieurs r` egles d’inf´ erence,

toujours utilis´ ees aujourd’hui dans de nombreux domaines, comme les syllogismes, le

modus ponens et le modus tollens.

La d´ efinition d’une ontologie au sens informatique, puise ses ressources dans les do-

maines de la repr´ esentation des connaissances et des r´ eseaux s´ emantiques :

Dans le domaine de la repr´ esentation de la connaissance, les chercheurs tentent de trou-

ver un moyen de repr´ esenter diverses connaissances du monde de fac ¸on ` a ce qu’elles

soient utilisables par des ordinateurs et afin de pouvoir effectuer des raisonnements des-

sus. Ces connaissances sont exprim´ ees sous forme de symboles auxquels est donn´ e un

sens ou une s´ emantique.

Dans le domaine des r´ eseaux s´ emantiques, l’id´ ee d’utiliser ces r´ eseaux est attribu´ ee ` a

(Quillian, 1968). L’objectif central des r´ eseaux s´ emantiques est de d´ ecrire la r´ ealit´ e sous

forme de graphes (r´ eseaux) compos´ es de nœuds qui repr´ esentent les concepts, reli´ es

par des arcs exprimant les relations entre les concepts. Les relations les plus sp´ ecifiques

de ce type de r´ eseau sont les liens sorte de. D’autres relations sont utilis´ ees comme

` a pour partie, est compos´ ee de, etc. La relation sorte de permet de d´ efinir l’une des no-

tions les plus importantes des r´ eseaux s´ emantiques et de tout autre formalisme int´ egrant

un minimum de logique, qui est la d´ eduction par h´ eritage des propri´ et´ es. L’h´ eritage est

essentiellement bas´ e sur la transitivit´ e de la relation sorte de. De cette notion d’h´ eritage

se d´ egage le fait qu’il est plus ´ economique d’attacher une caract´ eristique commune ` a un

104


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

ensemble de concepts au niveau le plus haut de la hi´ erarchie. De cette mani` ere, il n’est

pas besoin de stocker en m´ emoire pour chaque concept l’ensemble des propri´ et´ es, et

cela augmente le pouvoir d’expression de recherche d’information mais ´ egalement des

commodit´ es de mod´ elisation : Les propri´ et´ es qui lui sont propres suffisent, les autres

peuvent ˆ etre d´ eduites.

Suite ` a ces travaux, est apparu une des d´ efinitions de l’ontologie qui fait autorit´ e dans le

domaine, celle de Gruber :?une ontologie est une sp´ ecification explicite d’une concep-

tualisation?(Gruber, 1993). Le caract` ere formel d’une ontologie implique que celle-ci doit

ˆ etre exploitable par des machines tandis que le caract` ere partag´ e de sa conceptualisa-

tion indique que les cr´ eateurs de l’ontologie doivent avoir une mˆ eme vision du domaine

repr´ esent´ e. Une ontologie est ainsi vue comme une structure de donn´ ees compos´ ee

de concepts et de relations entre ces derni` eres et repr´ esentant les connaissances d’un

domaine.

Pour r´ esumer, les ontologies permettent de standardiser le vocabulaire, d’uniformiser le

langage d’´ echange entre les diff´ erents acteurs, de comparer les diff´ erents syst` emes et de

structurer la connaissance pour simplifier l’analyse et la synth` ese des connaissances d’un

domaine. S’appuyant sur les ontologies, le d´ eveloppement du Web s´ emantique ouvre de

nouvelles possibilit´ es et des d´ efis ` a la conception d’une g´ en´ eration de syst` emes adapta-

tifs, rendant possible la mod´ elisation du profil et du contexte des utilisateurs (Razmerita,

2003). Dans le cadre de l’adaptation de parcours de formation ` a l’apprenant, l’ontolo-

gie est devenue une solution incontournable. Elle permet la construction de mod` eles de

connaissance complexes qu’il est possible d’utiliser pour mod´ eliser ` a la fois les utilisa-

teurs du syst` eme, leur contexte et le domaine d’application de mani` ere intelligible.

Dans la couche serveur s´ emantique de connaissances de notre proposition, et ` a des fins

de raisonnement, une seule ontologie est consid´ er´ ee que nous appelons ontologie de

domaine du m-learning. Cependant, nous distinguons deux sous-parties de cette ontolo-

gie : (1) le mod` ele des LO et (2) le mod` ele de contexte. Dans la section suivante nous

commenc ¸ons par d´ ecrire le mod` ele des LO.

MOD` ELE DES LO

5.2.3/

Un contenu d’apprentissage est une instanciation d’objets p´ edagogiques, ou LO. L’id´ ee

fondamentale derri` ere la cr´ eation des LO est la possibilit´ e de construire un parcours

de formation autour de composants de petite taille qui peuvent ˆ etre r´ eutilis´ es plusieurs

fois dans diff´ erents contextes d’apprentissage. Seulement, ces LO sont souvent conc ¸us

et d´ evelopp´ es par des organisations et des auteurs diff´ erents constituant des contenus

d’apprentissage autonomes et s´ emantiquement h´ et´ erog` enes. Ils sont ainsi difficilement

r´ eutilisables car ils n’ont pas ´ et´ e conc ¸us ` a cet effet. Il est alors indispensable de penser

` a une mod´ elisation partag´ ee des LO en vue de les rendre facilement accessibles, exploi-

tables, r´ eutilisables et s´ emantiquement interop´ erables.

105


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

`A l’instar de tout syst` eme d’information requ´ erant un m´ ecanisme de description formelle

de ses ressources par des ´ el´ ements de m´ etadonn´ ees, les syst` emes d’apprentissage se

d´ emarquent aussi par la conception et la mise en place de leurs propres mod` eles de des-

cription des LO. Les m´ etadonn´ ees sont devenues l’un des m´ ecanismes essentiels pour

d´ ecrire, r´ ef´ erencer et localiser des ressources dans le syst` eme. Comme expliqu´ e dans

le chapitre 4, nous proposons pour mod´ eliser les LO d’utiliser des informations issues

des sch´ emas de description des ressources p´ edagogiques par des m´ etadonn´ ees. Dans

notre cas nous nous int´ eressons plus particuli` erement au standard LOM.

Binding de LOM :

LOM ou M´ etadonn´ ees pour les Objets P´ edagogiques, permet de d´ efinir la structure d’une

instance de m´ etadonn´ ee pour un LO. Les descripteurs de LOM peuvent ˆ etre utilis´ es

dans la conception des syst` emes d’apprentissage pour l’indexation des LO. Pour cela ils

doivent ˆ etre impl´ ement´ es dans un langage structur´ e.

La repr´ esentation du mod` ele abstrait dans un format sp´ ecifique est appel´ e binding. Au-

jourd’hui il existe deux types de binding du sch´ ema LOM, soit du binding XML, soit du

binding RDF (Ghebghoub et al., 2009) :

Le binding XML est facile ` a impl´ ementer, cependant il reste insuffisant pour la

repr´ esentation de tous les ´ el´ ements de LOM puisqu’il ne permet pas d’exprimer la

s´ emantique de ses ´ el´ ements. Quant au binding RDF il d´ efinit un ensemble de construc-

tions RDF qui facilitent l’introduction des m´ etadonn´ ees de LOM dans le web, et il est

compl´ et´ e par RDFS pour la d´ efinition des classes, des propri´ et´ es, etc. L’avantage de

ce deuxi` eme type de binding est qu’il rajoute de la s´ emantique aux ´ el´ ements de LOM,

sauf qu’il n’est pas assez expressif pour d´ efinir toutes les contraintes de LOM. Prenons

l’exemple des ´ el´ ements Title et Entry de la cat´ egorie General (voir chapitre 4 pour avoir

une description des ´ el´ ements de LOM) qui sont des ´ el´ ements obligatoires dans LOM. En

utilisant RDF et RDFS on ne peut pr´ eciser qu’une propri´ et´ e est obligatoire ou contraindre

son utilisation ` a une seule fois pour une ressource (Bourda, 2002). Comme deuxi` eme

exemple, RDF et RDFS ne permettent pas d’exprimer l’inverse d’une relation : ainsi, dire

qu’un LO x has part LO y, ne permettra pas d’induire que le LO y is part of LO x.

Qu’elles soient impl´ ement´ ees en XML ou en RDF et RDFS, l’utilisation des m´ etadonn´ ees

de LOM pose un certain nombre de probl` emes. Le manque d’expressivit´ e nous pousse

` a utiliser un autre formalisme plus puissant. Utiliser une ontologie de LOM pour indexer

les ressources p´ edagogiques permet une meilleure compr´ ehension des ´ el´ ements et des

valeurs propos´ ees et en cons´ equence cela facilite leurs descriptions.

Afin de d´ eterminer quel langage est le plus appropri´ e pour r´ esoudre le probl` eme d’ex-

pressivit´ e, nous nous sommes pench´ es sur l’identification de la logique de description

LD n´ ecessaire pour la construction de notre mod` ele (voir annexe A pour avoir une des-

cription des familles de LD). LD est une famille de formalismes pour repr´ esenter les

connaissances d’un domaine d’une fac ¸on structur´ ee et formelle. Une caract´ eristique fon-

106


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

damentale de ces langages est leur s´ emantique descriptive formelle.

Nous partons d’une logique minimale ALC et nous rajoutons ` a cette logique les

constructeurs n´ ecessaires afin de d´ efinir toutes les contraintes de LOM. Nous avons

ainsi besoin des constructeurs suivants :

– Nominal O : Exemple, l’´ el´ ement Statues de la cat´ egorie Lifecycle doit absolument avoir

l’une de ces valeurs {draft, final, revised, unavailable}.

– Fonctionnalit´ e F : Exemple, pour restreindre l’utilisation de l’´ el´ ement Title de la

cat´ egorie General ` a une seule fois.

– Restriction de nombre qualifi´ e Q : Exemple, pour fixer une cardinalit´ e minimale de 1

pour l’utilisation de l’´ el´ ement Keyword de la cat´ egorie General.

– Hi´ erarchie des relations H : Exemple, l’´ el´ ement Type de la cat´ egorie Relation est tra-

duit pas la relation has type relation et ses sous-relations is part of, is version of, etc.

– Transitivit´ e des relations R+: Exemple, si LO x is part of LO y et LO y is part of LO z

alors LO x is part of LO z.

– Relations inverses I : Exemple, pour indiquer que la relation is part of est l’inverse de

la relation has part.

– Conjonction de rˆ oles R : Exemple, pour indiquer que la relation has learning time laps

est issue de la conjonction des deux relations has learning time beginning et has -

learning time end.

De cette liste de constructeurs, nous pouvons conclure que laLD minimale et n´ ecessaire

` a la construction de notre mod` ele des LO correspond ` a la famille de description SROIQ.

Cette LD est ´ equivalente au langage ontologique OWL 2. L’utilisation d’OWL 2 pour

mod´ eliser LOM permettra aux humains de mieux renseigner les ´ el´ ements de la norme

afin d’avoir une meilleure collaboration homme/machine et de mieux d´ ecrire les relations

reliant les LO entre eux. L’ontologie OWL 2 nous permet de aussi de profiter d’un syst` eme

d’inf´ erences plus puissant, ainsi que d’une v´ erification de consistance de l’ontologie plus

pouss´ ee.

Construction du mod` ele des LO :

Maintenant que nous avons identifi´ e le degr´ e de complexit´ e que doit avoir notre ontologie,

nous devons la construire. Pour cela, nous avons ´ etudi´ e la structure LOM et les structures

XML des diff´ erents ´ editeurs de LOM. Nous avons en particulier travaill´ e avec LOMPad2.

Nous nous sommes aussi int´ eress´ e aux travaux de recherche de (Ghebghoub et al.,

2009). Ces derniers proposent un ensemble de r` egles pour transformer le sch´ ema LOM

en une ontologie. Nous nous sommes inspir´ es de ces r` egles pour la cr´ eation de notre

mod` ele de LO.

Nous pr´ esentons ci-dessous ces r` egles :

– R1 : Un LO et l’ensemble des cat´ egories de LOM sont repr´ esent´ es respectivement par

les concepts Learning Object et Learning Metadata.

2. http ://helios.licef.ca :8080/LomPad/en/index.htm

107


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

– R2 : Chaque cat´ egorie de LOM est repr´ esent´ ee par un sous-concept de Learning -

Metadata. Exemple la cat´ egorie General est repr´ esent´ ee par General Metadata, un

sous-concept de Learning Metadata.

– R3 : Le concept repr´ esentant un LO est reli´ e aux sous-concepts repr´ esentant les

diff´ erentes cat´ egories de LOM par des relations s´ emantiques.

– R4 : Les ´ el´ ements de LOM sont ` a leur tour repr´ esent´ es soit par un concept, un attribut

ou une relation selon leur type. En effet, on ´ enum` ere trois types ´ el´ ements :

– Les ´ el´ ements simples (ou atomiques) : Ce sont des ´ el´ ements avec des va-

leurs pr´ ed´ efinies. Exemple, l’´ el´ ement Structure de la cat´ egorie General ou

l’´ el´ ement Semantic density de la cat´ egorie Educational sont des informations

pr´ ed´ efinies/subjectives.

– Les ´ el´ ements simples : Ce sont des ´ el´ ements sans valeur pr´ ed´ efinie. Exemple,

l’´ el´ ement Description ou l’´ el´ ement Language de la cat´ egorie General sont des in-

formations non pr´ ed´ efinies/objectives.

– Les ´ el´ ements compos´ ees : Exemple, l’´ el´ ement Resource de la cat´ egorie Relation

ou l’´ el´ ement Contribute de la cat´ egorie Life Cycle sont des informations complexes.

La description de ces ´ el´ ements n´ ecessite l’utilisation d’autres ´ el´ ements de LOM.

Les r` egles R5, R6 et R7 concernent respectivement les ´ el´ ements simples sans valeurs,

les ´ el´ ements simples avec valeurs pr´ ed´ efinies et les ´ el´ ements compos´ es :

– R5 : Si un ´ el´ ement e est un ´ el´ ement simple avec des valeurs pr´ ed´ efinies, alors e

est repr´ esent´ e par un concept et ses valeurs sont repr´ esent´ ees par des individus.

Exemple, l’´ el´ ement Structure est repr´ esent´ e par le concept Structure et l’ensemble de

ses valeurs {Atomic, Collection, Networked, Hierarchical, Linear} par des individus.

– R6 : Si un ´ el´ ement e est un ´ el´ ement simple sans valeur pr´ ed´ efinie, alors e est

repr´ esent´ e par un concept associ´ e ` a la cat´ egorie LOM le repr´ esentant. Exemple, les

´ el´ ements Title et Description de la cat´ egorie General sont repr´ esent´ es par deux sous-

concepts de General Metadata.

– R7 : Si un ´ el´ ement e est un ´ el´ ement compos´ e, alors e est repr´ esent´ e par un concept.

Exemple, pour l’´ el´ ement Identifier qui apparait dans les cat´ egories General, Rela-

tion et Meta-metadata, s´ emantiquement parlant l’identifiant ne peut ˆ etre consid´ er´ e

comme sous-concept de chacune de ces cat´ egories comme dans le XML binding.

Dans ce cas l’identifiant est repr´ esent´ e par un concept nomm´ e Identifier, et des rela-

tions s´ emantiques sont alors cr´ e´ ees pour relier les trois cat´ egories General, Relation

et Meta-metadata ` a ce concept.

Deux derni` eres r` egles sont rajout´ ees :

– R8 : Pour tout concept de LOM est associ´ ee une relation permettant de le relier avec

le concept Learning Object. La relation a pour domaine le concept Learning Object et

pour co-domaine le concept repr´ esentant l’´ el´ ement. Par exemple, les ´ el´ ements Title et

Description de la cat´ egorie General sont reli´ es au concept Learning Object respecti-

vement par les deux relations has lo title et has lo description.

108


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

– R9 : Un nouvelle cat´ egorie (hors celles de LOM) est rajout´ ee au mod` ele des LO. Cette

cat´ egorie regroupe des m´ etadonn´ ees sp´ ecifiques au catalogue de CrossKnowledge.

Dans cette cat´ egorie on peut retrouver des ´ el´ ements tels que Theme, URL, Short -

Title, Publisher, etc. La repr´ esentation de cette cat´ egorie respecte les mˆ emes r` egles

d´ ecrites pr´ ec´ edemment.

Puisque notre approche est motiv´ ee aussi par le fait que les LO sont en relation avec

d’autres objets p´ edagogiques, nous mettons en avant l’´ el´ ement Kind de la cat´ egorie Re-

lation et l’´ el´ ement Structure de la cat´ egorie General qui vont nous permettre de d´ ecrire

les relations s´ emantiques entre les LO. Nous d´ ecrivons ici certaines de ces relations :

– Dans la cat´ egorie Relation de LOM et tout particuli` erement pour l’´ el´ ement Kind (type

de la relation), on remarque les valeurs suivantes is format of, requiert, is part of, etc.

Nous avons utilis´ e les valeurs propos´ ees pour cet ´ el´ ement afin de cr´ eer des relations

permettant de relier un LO ` a un autre.

Prenons l’exemple d’un parcours de formations compos´ e d’un cours sur les bases de

donn´ ees sous forme de site Web. Ce cours est constitu´ e de plusieurs pages Web,

chacune repr´ esentant le contenu d’un chapitre. On suppose un premier chapitre in-

titul´ e introduction aux bases de donn´ ees et aux SGBD, suivi d’un deuxi` eme chapitre

consacr´ e aux mod` eles relationnels puis d’un autre chapitre sur le langage SQL. Le

premier chapitre contient une figure illustrant l’architecture des SGBD, cette figure est

consid´ er´ ee elle aussi comme un LO. Dans ce cas la relation is part of va permettre de

relier la figure au chapitre 1, ainsi que les trois chapitres ` a l’ensemble du cours.

– L’´ el´ ement Structure de la cat´ egorie General quant ` a lui nous permet de cr´ eer de nou-

velles relations. Si cet ´ el´ ement prend la valeur Linear cela veut dire que le LO est

lui-mˆ eme un ensemble de LO qui sont parfaitement ordonnes. On d´ eduit alors que ce

LO est compos´ e d’autres LO qui peuvent avoir une relation has previous et has next.

Si on reprend l’exemple pr´ ec´ edent du cours sur les bases de donn´ ees et que l’on

consid` ere que la structure du cours est de type lin´ eaire, il est int´ eressant alors de

pouvoir dire que le chapitre 1 a pour suivant (has next) le chapitre 2 qui a pour sui-

vant le chapitre 3. Inversement on peut utiliser la relation has previous entre les trois

chapitres.

– La valeur Hierarchical de l’´ el´ ement Structure d´ efinit un LO comme ´ etant un en-

semble de ressources dont les relations peuvent ˆ etre repr´ esent´ ees par une structure

hi´ erarchique, ce qui nous permet d’utiliser des relations de type p` ere et fils entre les

LO qui constituent un parcours de formation.

La figure 5.4 illustre un aperc ¸u simplifi´ e du mod` ele des LO.

Cette mod´ elisation partag´ ee bas´ ee sur un squelette ontologique est compl´ et´ ee par une

description du contexte mobile de l’apprenant (localisation spatiale, localisation tempo-

relle, description de son profil et du support d’apprentissage). Nous d´ ecrivons dans la

prochaine section, la deuxi` eme partie de notre ontologie, ` a savoir le mod` ele de contexte.

109


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

FIGURE 5.4 – Aperc ¸u simplifi´ e du mod` ele des LO

MOD` ELE DE CONTEXTE

5.2.4/

Le contexte d’apprentissage est un aspect crucial dans le m-learning. Il faut donc

d´ eterminer selon le contexte actuel de l’apprenant quelles sont les ressources ` a envoyer,

de quelle mani` ere, ` a quel moment, sur quelle interface, etc. Tout le processus d’apprentis-

sage doit s’adapter ` a ces changements de contexte. Pour prendre en compte le contexte

dans un syst` eme m-learning, il est n´ ecessaire de trouver un moyen de repr´ esenter

le contexte dans ce dernier. Cette repr´ esentation doit fournir un cadre coh´ erent pour

m´ emoriser et traiter les informations du contexte pour r´ eagir aux changements de l’envi-

ronnement. Il en r´ esulte alors le mod` ele de contexte.

Il existe plusieurs m´ ethodes de repr´ esentation du mod` ele contextuel : mod` ele ` a base

de paires attribut/valeur, mod` ele ` a base de mots cl´ es, mod` ele ` a base de sch´ ema XML,

mod` ele graphique UML, etc. Comme discut´ e dans le chapitre 2, aucun de ces mod` eles

n’assure l’interop´ erabilit´ e des donn´ ees au niveau s´ emantique. De plus une repr´ esentation

du contexte doit permettre d’effectuer des raisonnements en vue d’une adaptation. Nous

soutenons qu’une mod´ elisation ` a base d’un squelette ontologique est plus appropri´ ee

pour d´ efinir le mod` ele de contexte.

Pour avoir une meilleure visibilit´ e et une meilleure compr´ ehension de cet environne-

ment, nous proposons d’organiser les donn´ ees qui constituent le mod` ele de contexte

en diff´ erentes parties, suivant l’organisation en dimensions pr´ esent´ ee dans le chapitre 2.

110


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

Mod´ elisation de la localisation spatiale :

Nous consid´ erons que la localisation spatiale de l’apprenant mobile est un facteur d’une

grande importance afin de lui proposer des contenus adapt´ es ` a l’environnement dans

lequel il se trouve.

Il existe diff´ erentes fac ¸ons plausibles pour caract´ eriser la localisation d’un utilisateur :

– Le nom de la localisation spatiale, Location Name : Ce concept r´ ef` ere au nom d’une

localisation. Exemple, le Louvre.

– Le type de la localisation spatiale, Location Type : Ce concept r´ ef` ere au type d’une

localisation. Exemple, le Louvre est de type mus´ ee.

– Les propri´ et´ es de la localisation spatiale, Location Properties : Ce concept r´ ef` ere aux

caract´ eristiques de l’environnement autour de l’utilisateur. Dans certaines situations,

il est n´ ecessaire de mesurer les caract´ eristiques de l’environnement autour de l’utili-

sateur (environnement calme, bruyant, etc.) afin de r´ egulariser le fonctionnement du

syst` eme. Par exemple, le syst` eme peut mesurer le niveau de bruit pour ajuster le ni-

veau sonore des haut-parleurs d’un Smartphone.

Dobson propose aussi de d´ ecrire une localisation spatiale par ces caract´ eristiques :

publique, priv´ ee, en mouvement, ou fixe (Dobson, 2005).

– Les coordonn´ ees g´ eographiques, Geographic Coordinates (Latitude, Longitude, Ele-

vation) : La forme la plus simple de localisation spatiale se r´ ef` ere aux coor-

donn´ ees g´ eographiques. En exploitant la mod´ elisation s´ emantique par les concepts

pr´ ec´ edemment d´ ecrits, il est possible de caract´ eriser une localisation ` a la fois en

termes de coordonn´ ees g´ eographiques et sa repr´ esentation s´ emantique. Exemple,

une base de donn´ ees spatiale telle que la base de Geonames Servers3permet d’as-

socier ` a des coordonn´ ees g´ eographiques un nom, une adresse et un type. Il est alors

possible par exemple, de savoir qu’aux coordonn´ ees?48.861073◦,2.335784◦?est situ´ e

le Louvre de type mus´ ee et ainsi renvoyer sur le mobile de l’utilisateur de la documen-

tation concernant le mus´ ee du Louvre.

Par coordonn´ ees g´ eographiques d’un lieu, on entend la latitude, la longitude et

l’´ el´ evation.

– Relative ` a (` a cˆ ot´ e de, ` a gauche de, etc.) : Les concepts pr´ ec´ edemment d´ ecrits peuvent

ˆ etre reli´ ees par diverses relations s´ emantiques spatiales comme ` a is next to, is on -

left of, etc., qui permettent d’inf´ erer des liens entre les localisations. De cette mani` ere,

il est possible par exemple de dire, que la Tour Eiffel est ` a cˆ ot´ e du Champ de Mars, et

que les deux localisations se trouvent ` a Paris.

Nous proposons de repr´ esenter la dimension spatiale par le concept Spatial Specifica-

tions. La figure 5.5 illustre un aperc ¸u simplifi´ e de la dimension spatiale (la figure ne montre

que les relations hi´ erarchiques entre les concepts, et pas les relations s´ emantiques).

3. http ://www.geonames.org

111


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

FIGURE 5.5 – Aperc ¸u simplifi´ e des concepts de la dimension spatiale

Mod´ elisation de la localisation temporelle :

Nous consid´ erons que le contexte temporel a une influence sur l’activit´ e de recherche de

l’apprenant mobile, aussi bien pour la localisation temporelle de l’apprenant que pour la

description des propri´ et´ es temporelles des objets p´ edagogiques.

Une norme internationale (ISO 8601)4a ´ et´ e d´ efinie par l’Organisation Internationale de

Normalisation pour la description des instants et des intervalles de temps, avec l’objectif

d’´ eviter tout risque de confusion dans les communications internationales en raison du

grand nombre de notations nationales diff´ erentes. L’ontologie OWL-Time5est aujourd’hui

une r´ ef´ erence pour la repr´ esentation du temps. Une d´ efinition compl` ete d’OWL-Time

est propos´ ee par (Pan, 2007). Nous proposons de nous inspirer de cette ontologie pour

d´ ecrire notre dimension temporelle.

Sous le concept Temporal Specifications, nous proposons premi` erement d’organiser la

dimension temporelle en deux sous-cat´ egories : Abstract Time et Concrete Time.

La cat´ egorie Abstract Time regroupe principalement les concepts suivants :

– Le temps de la journ´ ee, Time Of Day : Ce concept permet de repr´ esenter les diff´ erents

moments de la journ´ ee. Exemple, si nous ´ etudions la routine quotidienne des utilisa-

teurs, on peut distinguer principalement cinq p´ eriodes, ` a savoir matin, midi, apr` es-midi,

soir et nuit.

– Le jour de la semaine, Day Of Week : Ce concept permet de diff´ erencier les jours de

la semaine entre les jours de travail (lundi, mardi, mercredi, jeudi, vendredi) et les jours

de repos (g´ en´ eralement samedi et dimanche).

– Le mois de l’ann´ ee, Month Of Year : Ce concept permet d’identifier les diff´ erents mois

de l’ann´ ee.

– Les p´ eriodes de vacances, Holiday : Ce concept permet de d´ eterminer les p´ eriodes de

4. http ://www.iso.org/iso/catalogue detail?csnumber=40874

5. http ://www.w3.org/TR/owl-time/

112


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

vacances ainsi que les jours f´ eri´ es.

– Les saisons, Season : Ce concept permet d’identifier les diff´ erentes saisons de l’ann´ ee.

Dans la cat´ egorie Concrete Time nous retrouvons les concepts suivants :

– La date, Date : La notation internationale pour une date est YYYY-MM-DD, o` u YYYY

repr´ esente l’ann´ ee d´ efinie par rapport au calendrier gr´ egorien, MM repr´ esente le mois

de l’ann´ ee, ses valeurs ´ etant entre 01 (janvier) et 12 (d´ ecembre) et DD repr´ esente le

jour du mois allant de 01 ` a 31.

Afin de mod´ eliser des donn´ ees temporelles en OWL dans un contexte de calen-

drier, nous pouvons exploiter les types d´ edi´ es mis ` a disposition, soit : xsd :gYear,

xsd :gMonth, xsd :gDay. Ces types sont d´ efinis par le sch´ ema XML et repris par OWL.

Ils peuvent ˆ etre utilis´ es pour mod´ eliser des donn´ ees temporelles telles que la date de

naissance d’un apprenant, la date ` a la quelle il peut acc´ eder ` a un contenu, etc.

– L’heure de la journ´ ee, Date Time : Ce concept permet de d´ ecrire une heure sp´ ecifi´ ee

d’un jour sp´ ecifi´ e.

Le type d´ edi´ e mis ` a disposition xsd :dateTime, permet de combiner la mod´ elisation

date et heure. Ce type de mod´ elisation temporelle est utilis´ e par exemple pour sauve-

garder la date de cr´ eation d’un LO.

– L’heure, Clock : Dans un contexte d’horloge, la notation internationale d´ ebute par la

lettre T (pour Time), suivie des ´ el´ ements utiles, dans cet ordre : heures (de 00 ` a 24),

minutes (de 00 ` a 59) puis secondes (00 ` a 59) en utilisant ‘ :’ comme s´ eparateur.

Ici aussi un type d´ edi´ e xsd :Time est mis ` a disposition par le sch´ ema XML.

– Le fuseau horaire, Time Zone : Les dates et le temps sont d´ efinis par rapport ` a un

fuseau horaire. La norme internationale permet d’indiquer le fait qu’une heure est me-

sur´ ee par rapport au temps universel (UTC), ou, dans le cas contraire, de sp´ ecifier le

d´ ecalage horaire positif ou n´ egatif.

– La dur´ ee, Laps : Il est ´ egalement possible d’indiquer une dur´ ee d’un ´ ev` enement

(exemple, un LO dure 30 min) ou un intervalle de temps (exemple, une formation doit

ˆ etre suivie entre 14h et 15h). Pour ce faire, deux approches de mod´ elisation sont pos-

sibles : La premi` ere approche consiste ` a d´ efinir des unit´ es temporelles Temporal Unit

afin de mesurer une quantit´ e de temps dans l’absolue (nombre de secondes, de mi-

nutes, etc.). La deuxi` eme approche consiste ` a exploiter les relations de (Allen and Fer-

guson, 1994) afin de repr´ esenter des actions au cours du temps. Exemple, la relation

starts permet d’indiquer qu’une formation doit d´ emarrer le 2014-10-17 ` a 14h.

Le lien entre les deux repr´ esentations abstraite et concr` ete du temps est mis en œuvre

par des relations simples de l’ontologie permettant d’inf´ erer d’un point temporel des in-

tervalles de temps. De plus, des relations suppl´ ementaires sont d´ efinies permettant de

lier les concepts de la dimension temporelle ` a la mod´ elisation des objets p´ edagogiques

(exemple, has duration, starts, ends, etc.). Cette description s´ emantique du temps est

plus significative dans la vie quotidienne des utilisateurs. La figure 5.6 illustre un aperc ¸u

simplifi´ e de la dimension temporelle.

113


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

FIGURE 5.6 – Aperc ¸u simplifi´ e des concepts de la dimension temporelle

Mod´ elisation de l’utilisateur :

Afin d’offrir des fonctionnalit´ es personnalis´ ees, un syst` eme de recommandation doit :

´ etablir les caract´ eristiques de l’utilisateur ` a consid´ erer, ´ etablir la repr´ esentation du

mod` ele utilisateur et finalement choisir ou d´ efinir une m´ ethode pour d´ evelopper le profil

conform´ ement ` a un probl` eme sp´ ecifique (Brusilovsky et al., 2007). Un mod` ele utilisateur

ou encore un profil utilisateur est une collection de donn´ ees personnelles associ´ ees ` a

un utilisateur sp´ ecifique. L’exploitation d’un profil apprenant est un moyen d’adapter l’ap-

prentissage aux sp´ ecificit´ es de chaque utilisateur.

Au sein d’une plateforme d’apprentissage plusieurs types d’utilisateurs interviennent. Ces

utilisateurs sont principalement les apprenants, les enseignants (au sens large : respon-

sable, auteur, tuteur, etc.), le personnel administratif et le concepteur informatique (Kouni-

nef et al., 2007). Ces diff´ erents acteurs du syst` eme exploitent des ressources diff´ erentes

114


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

pour les tˆ aches qu’ils ont ` a accomplir : L’enseignant-responsable (Teacher) est charg´ e de

former les apprenants et il est responsable d’un ou plusieurs modules d’apprentissage.

Un enseignant-auteur (Author) cr´ ee et r´ edige le mat´ eriel p´ edagogique se rapportant ` a

sa sp´ ecialit´ e. L’enseignant-tuteur (Tutor) effectue un suivi du travail des apprenants. L’ap-

prenant (Learner) de son cˆ ot´ e, consulte en ligne les objets p´ edagogiques qui lui sont

recommand´ es, organise son travail, effectue des exercices, etc. L’administrateur (Admi-

nistrator), quant ` a lui, assure l’installation et la maintenance du syst` eme et des objets

p´ edagogiques, s’occupe de l’inscription administrative des apprenants, g` ere les acc` es et

les droits aux contenus, etc. Finalement le concepteur informatique (Technician) r´ ealise

les objets p´ edagogiques que ce soit du texte, des images, des vid´ eos, des parcours en-

tier de formation, etc. Sous le concept User Type nous mod´ elisons les diff´ erents acteurs

d’un syst` eme m-learning (figure 5.7).

FIGURE 5.7 – Aperc ¸u simplifi´ e des diff´ erents acteurs du syst` eme

Chaque utilisateur du syst` eme est caract´ eris´ e par un ensemble de donn´ ees. Nous pro-

posons de classer ces donn´ ees en deux cat´ egories : la premi` ere cat´ egorie General In-

formation, regroupe des donn´ ees g´ en´ erales sur l’utilisateur (exemple, nom, pr´ enom, date

de naissance, nationalit´ e, etc.) et la deuxi` eme cat´ egorie Specific Information, varie en

fonction des diff´ erents types d’utilisateurs (exemple, les pr´ ef´ erences, les connaissances,

etc. concernent l’apprenant; la r´ eputation, la bibliographie, etc. concernent les auteurs;

les comp´ etences concernent l’administrateur). Afin d’illustrer les caract´ eristiques des

diff´ erents profils utilisateurs, nous consid´ erons un fragment de l’otologie pr´ esent´ e dans

la figure 5.8.

115


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

FIGURE 5.8 – Aperc ¸u simplifi´ e des concepts de la dimension utilisateur

Dans la cat´ egorie General Information nous retrouvons les principaux concepts suivants :

– First Name : Pr´ enom de l’utilisateur.

– Last Name : Nom de l’utilisateur.

– Birth Date : Date de naissance de l’utilisateur.

– Mother Tongue : Langue maternelle de l’utilisateur.

– Second Tongue : Autres langues maitris´ ees par l’utilisateur.

– Nationality : Nationalit´ e de l’utilisateur.

– E Mail : Adresse ´ electronique de l’utilisateur.

116


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

– Phone Number : Num´ ero de t´ el´ ephone de l’utilisateur.

– Age : Age de l’utilisateur.

– Sexe : Sexe de l’utilisateur.

Dans la cat´ egorie Specific Information nous retrouvons les principaux concepts suivants :

– Institution : permet ` a l’enseignant d’indiquer ` a quel ´ etablissement d’enseignement il est

affect´ e. Exemple, Universit´ e de Bourgogne.

– Company : permet ` a l’enseignant d’indiquer dans quelle compagnie il travaille.

Exemple, CrossKnowledge.

– Reputation : permet d’indiquer la r´ eputation d’un enseignant. Exemple, r´ eputation na-

tionale ou internationale.

– Job Title : permet d’indiquer le type de poste qu’occupe un enseignant. Exemple, pro-

fesseur.

– Biography : sert ` a justifier la r´ eputation d’un enseignant responsable ou d’un auteur.

– Short Biography : permet de proposer une biographie r´ esum´ ee.

– Learning Style : Il existe aujourd’hui plusieurs mod` eles permettant de d´ eterminer le

style d’apprentissage d’un utilisateur : exemple, le mod` ele Grasha-Riechmann (Gra-

sha and Riechmann, 1975), le mod` ele Kolb (Kolb, 1984), le mod` ele Felder-Silverman

(Felder and Carolina, 1988), le mod` ele VAK (Visuel, Auditif, Kinesth´ esique) (Fle-

ming and C.Mills, 1992), etc. Bien qu’aucune recherche n’appuie un mod` ele en par-

ticulier, nous pr´ ef´ erons dans notre cas utiliser le mod` ele VAK. Ce mod` ele de base

est grandement employ´ e en raison de sa simplicit´ e. A travers un simple test, il est

possible de d´ eterminer les pr´ ef´ erences d’apprentissage visuelles, auditives et ki-

nesth´ esiques/tactiles d’un apprenant.

– Knowledge : permet de d´ ecrire les connaissances de l’apprenant.

– Goal : permet de d´ ecrire les buts de l’apprenant.

– Center Of Interest : permet de d´ ecrire les centres d’int´ erˆ et de l’apprenant.

– Disability : permet ` a l’apprenant d’indiquer un handicap, afin de d´ eterminer la mani` ere

la plus adapt´ ee de pr´ esentation des contenus.

Mod´ elisation des dispositifs d’apprentissage :

Afin d’adapter un contenu p´ edagogique ` a la technologie mobile cens´ ee d´ elivrer l’infor-

mation, il est n´ ecessaire de connaitre les propri´ et´ es de ces technologies. Ces dispositifs

d’apprentissage sont caract´ eris´ es par diff´ erentes propri´ et´ es telles que le degr´ e de por-

tabilit´ e du dispositif, la r´ esolution de l’´ ecran, la puissance du processeur, la connectivit´ e,

etc. et ils ont pour objectif de proposer une interface d’interaction entre le syst` eme et

l’utilisateur.

De nombreux travaux de recherches se r´ ef` erent aujourd’hui ` a des sp´ ecifications stan-

dards pour la description des dispositifs dans un syst` eme, tels que WURFL6(s´ erialisation

6. http ://wurfl.sourceforge.net/

117


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

en XML), CC/PP7(s´ erialisation en RDF) et FIPA Device Ontology8(s´ erialisation en

OWL). Afin de mod´ eliser notre dimension dispositif, nous proposons d’exploiter la FIPA

Device Ontology qui est plus en ad´ equation avec notre ontologie.

Sous le concept Device Specifications, nous proposons de d´ ecrire un dispositif selon

trois principales cat´ egories d’informations : des informations g´ en´ erales sur le dispositif

(Device General Description), des informations sur le hardware (Hardware Description)

et des informations sur le software (Software Description) (figure 5.9).

FIGURE 5.9 – Aperc ¸u simplifi´ e des concepts de la dimension dispositif

Nous d´ ecrivons dans ce qui suit les principaux concepts utiles ` a l’adaptation des contenus

aux contraintes mat´ erielles du dispositif d’apprentissage :

7. http ://www.w3.org/TR/2007/WD-CCPP-struct-vocab2-20070430/

8. http ://www.fipa.org/specs/fipa00091/PC00091A.html

118


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

Concept

Device Name

Device Type

Portability

Vendor

Device Version

Connection

CPU

Description

Nom du produit en question

Type du dispositif. Exemple, Smartphone, tablette, etc.

Degr´ e de portabilit´ e du dispositif

Nom du fournisseur du dispositif

Version du dispositif

Indique le type de connexion utilis´ ee par le dispositif (wifi, 3G, etc.).

Indique le type de CPU dont le dispositif dispose.

Audio Output

Indique si le dispositif est capable

de produire une sortie audio.

Audio Input

Indique si le dispositif est capable

de recevoir une entr´ ee audio.

Width

Indique la largeur de l’´ ecran.

Height

Indique la longueur de l’´ ecran.

Screen Unit

Indique l’unit´ e utilis´ ee pour mesurer

la largeur et la hauteur de l’´ ecran

(mm, cm, pouce, etc.).

Resolution

D´ ecrit la r´ esolution de l’´ ecran.

Color

Indique la gamme de couleurs uti-

lis´ ee par l’appareil mobile.

Maximum

Indique la quantit´ e maximale de m´ emoire.

Available

Indique la quantit´ e disponible de m´ emoire.

Unit

Indique l’unit´ e utilis´ ee pour exprimer la quantit´ e de m´ emoire.

OS Name

Indique le nom du syst` eme op´ erationnel du dispositif.

OS Version

Indique la version du syst` eme op´ erationnel.

OS Vendor

Indique le vendeur du syst` eme op´ erationnel.

Indique les propri´ et´ es du navigateur Internet.

Audio

User Interface

Screen

Memory

OS

Web Browser

TABLE 5.1 – Concepts de la dimension dispositif

Vecteur contexte :

Afin de d´ ecrire un contexte apprenant nous choisissons un mod` ele vectoriel pour agr´ eger

nos contextes. Un vecteur contexte contient tous les objets (au sens RDF) appartenant

` a toutes les donn´ ees de ce contexte. Il est d´ efinit comme le vecteur des vecteurs des

donn´ ees de chaque dimension du contexte.

Soit C un contexte. Un vecteur contexte est not´ e VC = (Xs,Xt,Xu,Xd) avec Xs, Xt, Xu

et Xdles vecteurs des donn´ ees, respectivement des dimensions spatiale, temporelle,

utilisateur et dispositif.

Soit l’exemple de contexte illustr´ e par la figure 5.10.

Le vecteur contexte de la figure est :

119


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

VC= ((2014 − 10 − 24T13 : 40 : 29,”Monday”,”1h”),

(”Restaurant”,”Public”,”Noisy”,”ChezLeon”),

(”Level1”,”French”,25),(”Smartphone”,”3G”,”Android”)

FIGURE 5.10 – Exemple de contexte

MOD` ELE DE CONTRAINTES

5.2.5/

Bas´ e sur l’informatique d´ ecisionnelle, le mod` ele de contraintes ` a pour objectif de d´ ecrire

les strat´ egies d’apprentissage et les connaissances des experts m´ etiers. L’informatique

d´ ecisionnelle est un moyen qui a pour but de faciliter la d´ efinition et la mise en œuvre de

strat´ egies gagnantes. Initialement ` a l’usage des d´ ecideurs et des dirigeants d’entreprises,

elle s’ins` ere aujourd’hui dans la mod´ elisation des syst` emes informatiques. Les syst` emes

d´ ecisionnels reposent sur un ensemble de r` egles m´ etiers qui d´ ecrivent formellement les

crit` eres et les processus de d´ ecision. Ces r` egles capitalisent les connaissances d’une

entreprise et traduisent sa strat´ egie en d´ ecrivant les actions ` a mener pour un processus

donn´ e. L’une des difficult´ es consiste ` a collecter et traduire les textes r´ eglementaires qui

n’existent souvent que sous la forme r´ edig´ ee en un syst` eme coh´ erent et complet de

r` egles formalis´ ees dans un langage naturel contrˆ ol´ e.

Dans le cas d’un syst` eme d´ ecisionnel pour le m-learning nous souhaitons collecter les

connaissances et les strat´ egies des experts m´ etier en formation ` a distance, ainsi que

les pratiques des apprenants dans un environnement mobile, et ensuite les traduire sous

forme de r` egles m´ etier. Ces r` egles synth´ etisent les connaissances du domaine du e-

120


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

learning et des contraintes m´ etiers qui doivent ˆ etre respect´ ees par le syst` eme pour une

meilleure adaptation des LO dans un contexte mobile. Dans notre travail, l’ontologie du

m-learning fournit un socle pour une mod´ elisation robuste de ces r` egles.

Cette section d´ ecrit un ensemble de r` egles m´ etiers r´ edig´ ees pour l’adaptation des LO

dans un contexte mobile. Elle d´ ecrit aussi la m´ ethode d´ evelopp´ ee pour ´ editer ces r` egles

en un langage naturel contrˆ ol´ e (SWRL), ` a partir de l’ontologie du m-learning, ce qui per-

met aux experts m´ etier de mod´ eliser des d´ ecisions dont la s´ emantique est formalis´ ee en

OWL, sans forc´ ement avoir une bonne connaissance de ce langage.

Le langage SWRL :

SWRL9(Semantic Web Rule Language) est un langage de r` egles pour le Web

s´ emantique, combinant les sous-langages OWL-DL et OWL-Lite avec le sous-langage

unaire/binaire de RuleML (Rule Markup Language). La structure des r` egles SWRL est

compos´ ee d’un ant´ ec´ edent ou corps (body) et d’un cons´ equent ou tˆ ete (head). Une

r` egle signifie ? Si les conditions de l’ant´ ec´ edent sont maintenues, alors les conditions

du cons´ equent doivent ´ egalement se tenir?:

If Antecedent Then Consequent

Antecedent (Body) → Consequent (Head)

La tˆ ete et le corps d’une r` egle sont compos´ es d’une conjonction d’un ou de plusieurs

atomes. SWRL d´ efinit des r` egles sur les instances, les concepts et les rˆ oles OWL :

a(?x,?y) ∧ b(?x,?y) ∧ c(?x) ∧ ··· → n(?x,?y)

a, b, n : pr´ edicats binaires (rˆ oles)

c : pr´ edicat unaire (concept atomique)

x, y : x variables, instances ou litt´ eraux (nombres, chaˆ ınes de caract` eres, etc.)

Supposons par exemple la r` egle suivante, si un apprenant x ` a comme langue maternelle

y, alors x peut acc´ eder ` a des LO z qui correspondent ` a cette langue maternelle. Cette

r` egle exige l’existence des rˆ oles has mother tongue, has language et has access, et des

concepts Learner et Learning Object dans l’ontologie OWL. Cette r` egle est exprim´ ee en

SWRL comme suit :

Learner(?x) ∧ has mother tongue(?x,?y) ∧ Learning Object(?z) ∧ has language(?z,?y) →

has access(?x,?z)

SWRL ´ etend les logiques de descriptions et les axiomes du langage OWL. Il offre la

possibilit´ e de cr´ eer des r` egles utilis´ ees pour augmenter les capacit´ es de raisonnement

afin de d´ eduire de nouvelles connaissances ` a partir de l’ontologie OWL.

9. http ://www.w3.org/Submission/SWRL/

121


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

D’autres fonctionnalit´ es du langage SWRL r´ esident dans sa capacit´ e ` a supporter

une large gamme de compl´ ements d´ efinis par l’utilisateur, appel´ es built-ins. Ces

compl´ ements permettent d’´ etendre significativement l’expressivit´ e du langage SWRL.

Certains compl´ ements sont bas´ es sur des fonctions de comparaison (equal, lessThan,

etc.), des fonctions math´ ematiques (add, multiply, sin, etc.), des fonctions bool´ eennes

(booleanNot), des fonctions de traitement des chaines de caract` eres (stringLength, sub-

string, etc.), etc.

Par exemple, la r` egle suivante int` egre les compl´ ements de comparaison greaterThan

et lessThan. Cette r` egle permet de d´ eterminer si un apprenant appartient ` a la bonne

tranche d’ˆ age pour acc´ eder ` a un contenu. Notons l’utilisation de l’espace de nommage

swrlb pour tous les compl´ ements :

Learner(?x) ∧ has age(?x,?a) ∧ Learning Object(?z) ∧

has typical learning age min(?z,?age1) ∧ has typical learning age max(?z,?age2)∧

swrlb : lessThan(?a,?age2) ∧ swrlb : greaterThan(?a,?age1) →

has access(?x,?z)

Nous proposons de classer l’ensemble des r` egles collect´ ees dans le domaine de

l’apprentissage en deux principales cat´ egories, (1) des r` egles d’adaptation au contexte

et (2) des r` egles de pr´ ec´ edence : Les r` egles d’adaptation au contexte permettent

de d´ ecrire le comportement du syst` eme dans un contexte particulier et de pond´ erer

les LO (Le poids d’un LO repr´ esente l’int´ erˆ et de ce LO pour un apprenant dans un

contexte particulier, voir chapitre 6). Les r` egles d’adaptation au contexte sont class´ ees

en deux sous-cat´ egories : des r` egles g´ en´ eriques et des r` egles sp´ ecifiques au catalogue

CrossKnowledge. Les r` egles de pr´ ec´ edence quant ` a elles, permettent de d´ ecrire les

contraintes organisationnelles entre les LO.

Exemple 1, r` egle g´ en´ erique d’adaptation au contexte : Si un apprenant se trouve dans un

espace calme, alors proposer des contenus p´ edagogiques de forte densit´ e s´ emantique.

Learner(?x)∧has location(?x,?y)∧has location properties(?y,calm)∧ Learning Object(?z)∧

has semantic density(?z,high) →

has access(?x,?z) ∧ has rules weight(?z,?w) ∧ Weight DataProperty(?w,10)

Exemple 2, r` egle d’adaptation au contexte sp´ ecifique au catalogue CorssKnowledge :

Si un apprenant se trouve dans un espace calme, alors proposer des contenus

p´ edagogiques de type Session, qui n´ ecessitent un certain niveau de concentration.

Learner(?x)∧has location(?x,?y)∧has location properties(?y,calm)∧ Learning Object(?z)∧

has product name(?z, session) →

has access(?x,?z) ∧ has rules weight(?z,?w) ∧ Weight DataProperty(?w,10)

122


Mlearning

5.2. SERVEUR S´EMANTIQUE DE CONNAISSANCES

Exemple 3, r` egle de pr´ ec´ edence : Un LO de type quizz (ici l’instance LOF1) doit ˆ etre suivi

d’un LO de type conclusion.

Learning Object(LOF1) ∧ has learning type(LOF1,quizz) ∧ Learning Object(?x) →

has next(LOF1,?x) ∧ has learning type(?x,conclusion)

Les r` egles m´ etier sont d´ efinies par les experts du domaine de l’apprentissage. Comme

ces experts n’ont pas n´ ecessairement une connaissance du langage de r` egles SWRL et

du langage ontologique OWL, nous avons d´ evelopp´ e un Web service que nous avons

appel´ e un Syst` eme de G´ en´ eration de R` egles M´ etiers (SGRM) permettant de manipuler

facilement les donn´ ees de l’ontologie de domaine du m-learning (concepts, rˆ oles et in-

dividus) et de g´ en´ erer automatiquement les r` egles en SWRL. L’interface de l’´ editeur de

r` egles est la suivante :

FIGURE 5.11 – Interface de gestion des r` egles

Nous avons les concepts et les rˆ oles ` a gauche et la zone d’´ edition sur la droite. Il suffit

de faire un Drag&Drop des ´ el´ ements de la gauche vers la droite afin de cr´ eer une r` egle

SWRL.

Impl´ ementation du serveur s´ emantique :

Une fois le choix du mod` ele effectu´ e, les r` egles de construction de l’ontologie d´ efinies et

le formalisme de repr´ esentation identifi´ e, nous avons cr´ e´ e l’ontologie du m-learning avec

l’´ editeur Prot´ eg´ e10.

10. http ://protege.stanford.edu/

123


Mlearning

5.3. MOD`ELE D’ADAPTATION

L’ontologie a ´ et´ e peupl´ ee avec des LO venant de la base de donn´ ees de CrossKnow-

ledge en utilisant l’outil d’int´ egration de donn´ ees Talend11pour cr´ eer un jeu de donn´ ees

r´ eelles. Nous avons ´ egalement peupl´ e cette ontologie par un jeu de donn´ ees al´ eatoires.

L’ontologie est sauvegard´ ee dans un triple store de type Stardog12int´ egrant un moteur

de raisonnement de type Pellet13et SL (voir annexe B).

L’ensemble des r` egles m´ etiers cr´ e´ ees avec le SGRM sont aussi rajout´ ees au triple store.

L’objectif maintenant est d’appliquer sur la base de connaissance obtenue des techniques

de raffinement et d’adaptation afin de livrer ` a l’apprenant un parcours de formation perti-

nent et optimis´ e selon son contexte.

MOD` ELE D’ADAPTATION

5.3/

Dans le mod` ele d’adaptation sont impl´ ement´ es les diff´ erents algorithmes utilis´ es pour

proposer des recommandations aux utilisateurs. Les recommandations sont d´ eduites ` a

partir du mod` ele des LO, des vecteurs contextes et des r` egles m´ etiers. La figure 5.12

illustre un aperc ¸u simplifi´ e de l’architecture du mod` ele d’adaptation.

L’objectif du mod` ele d’adaptation consiste ` a rechercher un parcours de formation adapt´ e

au contexte de l’apprenant. Pour ce faire, plusieurs questions se posent :

– Quelle doit ˆ etre la forme de la combinaison? Autrement dit, de quel type d’´ el´ ements

doit-elle ˆ etre compos´ ee?

Un LO repr´ esente le plus bas niveau de granularit´ e d’un parcours de formation pouvant

faire l’objet d’un suivi. Chaque parcours de formation contient ainsi un ensemble de

LO destin´ es ` a ˆ etre d´ elivr´ es sans interruption, et respectant les r` egles de pr´ ec´ edence

de mani` ere ` a former un ensemble coh´ erent qui va permette de remplir l’objectif de

formation, et qui correspond ` a chaque ´ etape au contexte de l’apprenant, notamment

aux supports de d´ elivrance qui sont ` a sa disposition.

– Qu’est-ce qui d´ etermine la pertinence d’une combinaison par rapport ` a une autre?

La pertinence d´ epend du domaine d’application. Il n’est pas possible de d´ efinir une

fonction g´ en´ erique pour d´ eterminer la pertinence d’une combinaison par rapport ` a une

autre. Dans le cas le plus simple, la fonction de pertinence peut ˆ etre la somme des

poids d’int´ erˆ ets de l’utilisateur pour les LO de la combinaison. Mais cela peut ˆ etre

beaucoup plus complexe, elle peut ˆ etre la composition de plusieurs fonctions.

– Quelle m´ ethode utiliser pour renvoyer la meilleure combinaison ou du moins s’en ap-

procher?

Cette question fait apparaˆ ıtre un probl` eme d’optimisation combinatoire pour lequel il

est n´ ecessaire d’utiliser des algorithmes d’optimisation.

11. http ://fr.talend.com/

12. http ://stardog.com/

13. http ://clarkparsia.com/pellet/

124


Mlearning

5.4. CONCLUSION

Ces trois questions am` enent ` a la d´ efinition de plusieurs concepts que nous pr´ esentons

dans le chapitre suivant.

FIGURE 5.12 – Architecture du mod` ele d’adaptation

5.4/

CONCLUSION

Dans ce chapitre, nous avons pr´ esent´ e notre approche pour un syst` eme de recommanda-

tion appliqu´ e au domaine du m-learning combinant des technologies du Web s´ emantique

et des algorithmes d’optimisation combinatoire. L’architecture que nous proposons est

compos´ ee de deux grandes parties : un serveur de connaissances et un mod` ele d’adap-

tation. Le serveur de connaissances permet aux formateurs et les experts m´ etiers de

repr´ esenter leur savoir-faire en utilisant des r` egles m´ etier et une ontologie pour assurer

une h´ et´ erog´ en´ eit´ e des connaissances. Ensuite, dans un environnement de mobilit´ e, le

serveur de connaissance permet de prendre en compte les contraintes de l’environne-

ment et les contraintes utilisateur. Le mod` ele d’adaptation correspond ` a des algorithmes

d’optimisation combinatoire, dont l’objectif est de proposer ` a l’apprenant une combinai-

son pertinente de LO en fonction ses contraintes contextuelles. Dans le chapitre suivant,

nous d´ ecrivons plus en d´ etail le mod` ele d’adaptation et d´ efinissons plus clairement le

probl` eme d’optimisation combinatoire appliqu´ e au domaine du m-learning.

125


Mlearning

6

PROBL` EME D’OPTIMISATION

Dans le chapitre pr´ ec´ edent, nous avons pr´ esent´ e l’architecture d’un nouveau type de

syst` eme de recommandation pour l’apprentissage mobile. L’objectif maintenant est de

trouver un ensemble d’objets p´ edagogiques corr´ el´ es, formant un parcours optimisant

l’exp´ erience de formation de l’apprenant. La recommandation doit prendre en compte

les objectifs de formation, mais ´ egalement les supports disponibles pour dispenser cette

formation, et le contexte d’apprentissage du moment. Dans ce cadre, nous d´ esirons ins-

tancier cette architecture. Il est n´ ecessaire alors d’identifier au pr´ ealable le probl` eme

d’optimisation qui est pos´ e dans la recherche de combinaisons d’objets p´ edagogiques.

Ce chapitre s’articule en quatre parties. Dans la premi` ere partie, nous d´ ecrivons

et d´ efinissons formellement le probl` eme d’optimisation en apprentissage mobile. Ce

probl` eme ne pouvant ˆ etre r´ esolu de fac ¸on exacte par des algorithmes classiques en

un temps raisonnable, la seconde partie aborde le domaine des m´ etaheuristiques. Les

m´ etaheuristiques permettent d’approcher la solution optimale ` a un probl` eme donn´ e

en un temps raisonnable. Les m´ etaheuristiques les plus connues et les plus utilis´ ees

sont pr´ esent´ ees dans la deuxi` eme partie du chapitre. Cette partie permet d’identifier

les m´ ethodes les plus adapt´ ees au probl` eme d’optimisation qui nous est pos´ e. Dans

la troisi` eme partie de ce chapitre, nous pr´ esentons les m´ etaheuristiques candidates

impl´ ement´ ees et r´ eadapt´ ees ` a notre probl` eme de recommandation en m-learning. Nous

pr´ esentons d’abord un algorithme simple de Hill-Climbing, puis des algorithmes plus com-

plexes tels que l’algorithme de recuit simul´ e, l’algorithme tabou et l’algorithme bas´ e sur

une recherche ` a voisinage variable, pour avoir des solutions de meilleures qualit´ es par

rapport ` a une m´ ethode simple. Dans la quatri` eme partie du chapitre nous proposons de

comparer l’efficacit´ e de ces diff´ erentes m´ etaheuristiques. Des benchmarks de comparai-

son sont dress´ es.

Sommaire

D´ efinition du probl` eme d’optimisation combinatoire . . . . . . . . . 128

6.1.1

Formalisation des LO . . . . . . . . . . . . . . . . . . . . . . . . 129

6.1

127


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

Pond´ eration des LO . . . . . . . . . . . . . . . . . . . . . . . . . 130

Graphe des LO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

Pertinence d’une solution . . . . . . . . . . . . . . . . . . . . . . 135

. . . . . . . . . . . . . . . . . . . . . . . . . . . 137

6.1.2

6.1.3

6.1.4

Les m´ etaheuristiques

6.2.1

Introduction aux m´ etaheuristiques . . . . . . . . . . . . . . . . . 137

6.2.2

M´ ethodes m´ etaheuristiques approch´ ees . . . . . . . . . . . . . . 138

6.2.3

M´ ethodes constructives . . . . . . . . . . . . . . . . . . . . . . . 139

6.2.4

M´ ethodes de recherche locale / ` a solution unique

6.2.5

M´ ethodes ´ evolutives / ` a population de solution . . . . . . . . . . 147

Impl´ ementation des m´ etaheuristiques . . . . . . . . . . . . . . . . . . 154

6.3.1

Construction d’une solution initiale par un algorithme de type

glouton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

6.3.2

Am´ elioration de recherche locale par un algorithme Hill-Climbing 156

6.3.3

Am´ elioration de recherche locale par un algorithme de recuit simul´ e157

6.3.4

Am´ elioration de recherche locale par un algorithme tabou . . . . 158

6.3.5

Am´ elioration de recherche locale par un algorithme VNS

R´ esultats exp´ erimentaux

. . . . . . . . . . . . . . . . . . . . . . . . . 163

6.4.1

Jeux de donn´ ees . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

6.4.2

Param´ etrage des algorithmes et r´ esultats . . . . . . . . . . . . . 164

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

6.2

. . . . . . . . 140

6.3

. . . . 160

6.4

6.5

D´ EFINITION DU PROBL` EME D’OPTIMISATION COMBINATOIRE

6.1/

Dans le domaine de l’apprentissage ´ electronique, un LO repr´ esente le plus bas niveau

de granularit´ e d’un parcours de formation, pouvant faire l’objet d’un suivi. Des r` egles

de pr´ ec´ edence entre les LO sont d´ efinies, pour pr´ eciser que certaines notions doivent

imp´ erativement ˆ etre assimil´ ees avant d’autres. A chaque fois que l’apprenant se connecte

` a la plateforme d’apprentissage, un parcours de session doit ˆ etre propos´ e ` a l’apprenant,

correspondant ` a son contexte actuel. Le parcours de formation global, est form´ e de l’en-

semble des parcours de formation calcul´ es aux diff´ erentes sessions.

Le parcours de formation global doit contenir un ensemble de LO destin´ es ` a ˆ etre d´ elivr´ es

` a l’apprenant, respectant les r` egles de pr´ ec´ edence. Ces LO doivent aussi former un

ensemble coh´ erent, qui va permettre de remplir tous les objectifs de la formation, et

qui correspondent ` a chaque ´ etape au contexte actuel de l’apprenant, notamment aux

supports de d´ elivrance qui sont ` a sa disposition. Le parcours de formation global cr´ e´ e

doit optimiser l’exp´ erience d’apprentissage. Cette optimisation intervient sur trois plans :

premi` erement, la pertinence des supports de formation par rapport au contexte actuel

de l’utilisateur, deuxi` emement la maximisation du gain de comp´ etences, et finalement la

minimisation de l’´ ecart entre la dur´ ee totale pr´ evue pour la formation et le dur´ ee autoris´ ee

par le formateur.

128


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

Dans cette partie du chapitre, nous formalisons le probl` eme d´ ecrit ci-dessus. Ensuite

nous d´ ecrivons la notion de pond´ eration des LO, de graphe des LO et de pertinence

d’une solution.

6.1.1/

FORMALISATION DES LO

Les apprenants sont repr´ esent´ es dans notre syst` eme par des profils. Ces profils utili-

sateurs sont stock´ es dans le mod` ele de contexte. Dans la suite, nous consid´ ererons

seulement un utilisateur, le processus pour produire une solution pouvant ˆ etre r´ ealis´ e

ind´ ependamment pour chaque utilisateur du syst` eme.

Soit Ty l’ensemble des types de support d’apprentissage disponibles pour un apprenant.

Par exemple, Ty = {ordinateur, tablette, smartphone}. On associe ` a l’ensemble des

types de support une num´ erotation lin´ eaire suivant la bijection N : Ty → {1,...,|Ty|}.

Soit tykle type de support N−1(k). Pour plus de simplicit´ e dans la suite nous nommerons

directement ce support le support k.

Soit di,maxla dur´ ee maximale de la i ` eme session de formation, indiqu´ ee par l’apprenant

lors de sa connexion ` a l’application (le temps d’un trajet en bus, pendant 1h, etc.), et

soit Dmaxla dur´ ee maximale autoris´ ee d’un parcours de formation global indiqu´ e par le

formateur.

Le mod` ele des LO repr´ esente la connaissance sur les contenus d’apprentissage, grˆ ace ` a

l’utilisation d’une ontologie compos´ ee de concepts, relations entre concepts, et individus.

Les LO proposables sont int´ egr´ es dans l’ontologie en tant qu’individus. Par commodit´ e,

nous r´ eduisons le mod` ele des LO ` a l’ensemble LO des items proposables.

Un objet p´ edagogique lo ∈ LO est une brique de formation d´ ependante d’un support

d’apprentissage de type ty. Par exemple, un lo de type tablette, signifie que ce lo est

accessible sur un support d’apprentissage de type tablette.

Les LO sont lin´ eairement ordonn´ es de lo1` a lo|LO|. Un lo est repr´ esent´ e par un vecteur

compos´ e d’un identifiant, d’une dur´ ee, d’un type de support et d’un poids :



Soit idil’identifiant du loi.

Soit dureeila dur´ ee du loi.

Soit supportile support sur lequel le loiest accessible, avec supporti∈ Ty.

Soit Wi,finalle poids p´ edagogique du loi(Pour plus de pr´ ecisions sur le calcul de cette

donn´ ee ,voir section 6.1.2).

loi= < idi, dureei, supporti, Wi,final>, i ∈ [1,...,|LO|]

Par exemple lo1= < wo89, 15, tablette, 10 >, repr´ esente l’objet p´ edagogique lo1d’iden-

tifiant wo89, d’une dur´ ee de 15 min, accessible sur tablette et de poids p´ edagogique ´ egal

129


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

` a 10.

Nous ajoutons ` a l’ensemble des supports physiques Ty, trois types de supports virtuels

destin´ es ` a repr´ esenter des situations particuli` eres. Ces trois types de support virtuels

sont : objectif, initial, et fin. Un lo de type initial est utilis´ e pour d´ emarrer un parcours

de formation. Un lo de type fin est utilis´ e pour clˆ oturer un parcours de formation. Finale-

ment, un lo de type objectif est utilis´ e pour valider un ensemble d’objets p´ edagogiques

obligatoires ` a atteindre dans le parcours de formation.

Un lo de type objectif ne repr´ esente pas une connaissance, mais il sert ` a la valida-

tion d’un ensemble de LO obligatoires pour atteindre un objectif de la formation. Soit

OBJ ⊂ LO l’ensemble des LO de type objectif. Ces LO ne sont pas ordonn´ es et ne

doivent pas ˆ etre r´ ealis´ es dans un ordre impos´ e, pr´ ed´ efini, mais il est n´ ecessaire que tous

les LO de type objectif soient atteints pour valider la formation.

∀i, un loi∈ OBJ ` a les caract´ eristiques suivantes : dureei= 0, supporti= objectif, et

Wi= 0 (un objet p´ edagogique de type objectif ´ etant neutre p´ edagogiquement, nous le

pond´ erons ` a nul).

Nous d´ ecrivons dans la section suivante notre m´ ethode pour pond´ erer les LO.

POND´ ERATION DES LO

6.1.2/

Le poids du loinot´ e Wi, repr´ esente l’int´ erˆ et de ce LO pour l’apprenant dans un contexte

particulier. Le calcul des poids est r´ ealis´ e dans le mod` ele de connaissances ` a chaque

changement de contexte selon l’algorithme 1. Cet algorithme se d´ ecompose en plusieurs

´ etapes :

– ´Etape 1 : Les formateurs et les experts m´ etiers attribuent une premi` ere pond´ eration ` a

l’ensemble des LO. Cette pond´ eration repr´ esente l’int´ erˆ et d’un LO dans une formation

pr´ ecise. Plus le LO contient une connaissance p´ edagogique importante, plus son poids

est important.

∀i, notons Wi,0le poids initial attribu´ e par l’expert au loi.

– ´Etape 2 : Les r` egles m´ etier d´ ecrites dans le chapitre pr´ ec´ edent sont utilis´ es pour mo-

difier le poids des LO. L’id´ ee est de r´ eorganiser et filtrer les LO suivant les contraintes

de l’apprenant dans un contexte particulier.

Notons Wi,j le poids ´ evolu´ e du loi apr` es l’application d’une r` egle m´ etier j, j ∈

[1,...,Nbregles]. Plus le poids attribu´ e par une r` egle j ` a un loiest important, plus il

exprime une forte importance de ce lo dans un contexte particulier.

Plusieurs r` egles m´ etiers peuvent ˆ etre appliqu´ ees ` a un loi, par cons´ equent chaque nou-

velle r` egle fait ´ evoluer le poids de ce LO selon l’´ equation suivante :

(6.1)

Wi,j= Wi,j−1.λj

130


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

avec λj= 0 si loin’est pas adapt´ e au contexte, si non λj∈ [1,WMax] correspondant

au poids attribu´ e par la nouvelle r` egle (WMax ´ etant une valeur maximale fix´ ee par

l’expert m´ etier).

Exemple de r` egles de pond´ eration :

R1 : Learner(learner1) ∧ has mother tongue(learner1, francais) ∧

Learning Object(LOFRANC) ∧ has language(LOFRANC, francais) →

has access(learner1,LOFRANC) ∧ has rules weight(LOFRANC,W10) ∧

Weight DataProperty(W10,10)

R2 : Learner(learner1) ∧ has mother tongue(learner1, francais) ∧

Learning Object(LOANG) ∧ has language(LOANG,anglais) →

has access(learner1,LOANG) ∧ has rules weight(LOANG,W5) ∧

Weight DataProperty(W5,5)

R3 : Learner(learner1) ∧ has mother tongue(learner1, francais) ∧

Learning Object(LORUS) ∧ has language(LORUS,russe) →

has rules weight(LORUS,W0) ∧ Weight DataProperty(W0,0)

Dans cet exemple, la premi` ere r` egle exprime que si l’apprenant learner1 a comme

langue maternelle franc ¸ais, alors il pourra acc´ eder ` a l’objet p´ edagogique LOFRANC,

dont le contenu est exprim´ e en langue franc ¸aise. De plus l’objet p´ edagogique LO-

FRANC est pond´ er´ e par la valeur 10, exprimant une forte pr´ ef´ erence, par rapport un

objet p´ edagogique dont le contenu est exprim´ e en une autre langue : dans la deuxi` eme

r` egle l’objet p´ edagogique LOANG r´ edig´ e en langue anglaise est pond´ er´ e par la valeur

5 exprimant une moyenne pr´ ef´ erence pour ce contenu, et dans la troisi` eme r` egle l’objet

p´ edagogique LORUS r´ edig´ e en langue russe est pond´ er´ e avec la valeur 0 exprimant

que ce contenu n’est pas adapt´ e au contexte.

– ´Etape 3 : La troisi` eme ´ etape de pond´ eration est obtenue ` a partir des r´ eponses de

l’apprenant au questionnaire VAK, pr´ esent´ e dans le chapitre pr´ ec´ edent. Suite ` a ce

questionnaire, on peut d´ eterminer les pr´ ef´ erences de l’apprenant concernant les styles

d’apprentissage, en r´ ecup´ erant les scores obtenus pour les diff´ erentes cat´ egories de

VAK. Ces scores, sont ensuite exploit´ es pour pond´ erer l’ensemble des LO. L’objectif est

d’augmenter le poids des LO correspondant au style d’apprentissage de l’apprenant.

Notons Scorei,VAKle score VAK obtenu pour pond´ erer un loi. A la fin de cette ´ etape

nous obtenons un poids final Wi,finalselon l’´ equation suivante :

(6.2)

Wi,final= Wi,Nbregles.Scorei,VAK

Pour r´ esumer, le processus de pond´ eration proc` ede selon les ´ etapes de l’algorithme

d´ ecrit ci-dessous :

Dans la section suivant nous pr´ esentons la notion de graphe des LO et nous d´ ecrivons

notre probl` eme de construction d’un parcours de formation valide dans ce graphe.

131


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

Algorithm 1 : Algorithme de pond´ eration

Input :

Un ensemble de LO non pond´ er´ es

Output :

Un ensemble de LO pond´ er´ es selon un contexte particulier

for loi∈ LO do

Wi,0← poids initial attribu´ e par l’expert au loi

for j = 1 to Nbreglesdo

Wi,j← Wi,j−1.λj

end for

Wi← Wi,final.Scorei,VAK

end for

6.1.3/

GRAPHE DES LO

L’ensemble des LO accessibles dans le syst` eme sont reli´ es entre eux par diff´ erentes rela-

tions s´ emantiques (exemple, has next, has previous, is composed of, is form of, needs,

etc.). Ces diff´ erentes relations sont d´ efinies par les experts m´ etier, pour organiser les LO

et pour pr´ eciser que certains LO doivent imp´ erativement ˆ etre assimil´ es avant d’autres.

Nous proposons de repr´ esenter l’ensemble des LO recommandables par le syst` eme par

un graphe pond´ er´ e.

FIGURE 6.1 – Aperc ¸u simplifi´ e du graphe des LO

La figure 6.1 illustre un aperc ¸u simplifi´ e du graphe des LO :

– chaque LO recommandable est repr´ esent´ e par un nœud,

– chaque nœud poss` ede un identifiant, une dur´ ee, un support et une pond´ eration,

132


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

– chaque relation s´ emantique entre une paire de LO est repr´ esent´ ee par un arc,

– et chaque type de relation s´ emantique par une couleur (exemple, dans la figure 6.1,

trois types de relations s´ emantiques sont repr´ esent´ ees).

De cet ensemble de LO et de relations nous construisons un graphe orient´ e pond´ er´ e

G = (LO,A) regroupant l’ensemble des parcours de formations possibles, o` u :

– LO est l’ensemble des sommets du graphe.

– A est un ensemble d’arcs, c’est-` a-dire un ensemble de paires ordonn´ ees de sommets :

A ⊂ LO × LO. Chaque arc du graphe repr´ esente une transition p´ edagogiquement

autoris´ ee entre deux objets p´ edagogiques.

Supposons qu’un apprenant n’ait ` a sa disposition qu’un seul type de support de forma-

tion de type k, et que tous les LO recommandables par le syst` eme sont accessibles sur

ce support. Un parcours de formation valide, dans ce cas, serait un ensemble de LO

enchaˆ ın´ es grˆ ace aux transitions p´ edagogiques autoris´ ees, et validant l’ensemble des ob-

jectifs de la formation. Dans ce cas le calcul d’un parcours de formation peut se ramener

` a un probl` eme de recherche de cheminement dans le graphe orient´ e G.

FIGURE 6.2 – Parcours mono-support

Un parcours de formation global P (concat´ enation des parcours de formations calcul´ es ` a

chaque session) est dans ce cas un chemin dans le graphe G. Un chemin est une suite

de LO deG tels que deux objets p´ edagogiques cons´ ecutifs quelconques, loiet loi+1, sont

reli´ es par un arc de G (figure 6.2). Ce parcours est dit valide s’il passe par tous les LO de

type objectif. L’origine et l’extr´ emit´ e du chemin P sont d´ efinies comme suit :

– loinit∈ D, origine du chemin. loinitest un LO virtuel de support initial.

– lofin∈ OBJ, extr´ emit´ e du chemin. lofinest un LO virtuel de support fin.

P = (loinit,...,lofin/∀1 ≤ i ≤ |LO|, loi∈ LO) ⊂ G

sous contrainte ∀loi∈ OBJ, loi∈ P

Soit Validl’ensemble des parcours valides.

Si chaque LO ´ etait accessible sur chaque type de support de formation, il serait ais´ e

de choisir ` a tout instant le meilleur support permettant de d´ elivrer l’enseignement de

la mani` ere la plus adapt´ ee au contexte de l’apprenant. Les cas r´ eels que nous avons

´ etudi´ es nous ont montr´ e au contraire une grande h´ et´ erog´ en´ eit´ e des supports disponibles

133


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

selon les LO. Seulement les LO propos´ es ont une structure, une dur´ ee diff´ erente et un

poids diff´ erent en fonction du type de support, ce qui interdit de changer de support de

d´ elivrance en cours de formation, sans risquer la redondance de certaines briques de

contenu, ou la pr´ esence de contenus absents de l’objectif de la formation.

Le probl` eme peut se ramener ` a un probl` eme de recherche de chemin multimodal. La mul-

timodalit´ e est un probl` eme ´ etudi´ e dans le domaine du transport. Il s’agit d’un processus

de transport par le biais d’une interconnexion de r´ eseaux, impliquant diverses combinai-

sons de modes de transport, dans lequel toutes les composantes sont li´ ees pour former

une coordination efficace. Ce probl` eme difficile, tr` es ´ etudi´ e ces derni` eres ann´ ees (Gr¨ abe-

ner et al., 2010), consiste ` a rallier un point B ` a partir d’un point A en empruntant divers

moyens de transport, avec des temps de parcours, des itin´ eraires et des coˆ uts de trans-

port diff´ erents.

Nous pouvons faire le rapprochement avec notre probl` eme, en consid´ erant que le par-

cours de formation optimal est ´ egal au cheminement pour rallier les objectifs de formation

par diff´ erents moyens de transport (diff´ erents supports de formation), partant de loinitjus-

qu’` a arriver ` a lofinet passant par tous les LO objectifs. Tout comme deux trajets peuvent

suivre des itin´ eraires diff´ erents selon le moyen de transport, deux parcours de forma-

tion peuvent comporter des LO diff´ erents. Tout comme le temps de parcours entre deux

points varie en fonction du moyen de transport utilis´ e (exemple, un parcours ` a pied est

plus long qu’en bus), le temps n´ ecessaire pour parcourir un ensemble de LO peut varier

en fonction du support de diffusion (exemple, une formation sur ordinateur est souvent

plus longue qu’une formation sur Smartphone). Enfin, la disponibilit´ e de chaque support

de formation varie dans le temps, tout comme la disponibilit´ e des moyens de transport.

Le r´ eseau de transport multimodal est souvent mod´ elis´ e par un graphe multi-niveaux.

Dans ce type de structure, chaque niveau est g´ en´ eralement associ´ e ` a un mode de

transport et les niveaux sont reli´ es entre eux afin de repr´ esenter les possibles chan-

gements de mode. Parall` element, l’ensemble des parcours de formations possibles peut

ˆ etre mod´ elis´ e comme une superposition d’un ensemble de sous-graphes.

L’ensemble des objets p´ edagogiques LO est ´ eclat´ e en plusieurs sous-ensembles, chacun

regroupant les objets p´ edagogiques accessibles sur un support k : LO = ∪LOk,∀k ∈ Ty.

De mˆ eme, l’ensemble A des arcs est ´ eclat´ e en plusieurs sous-ensembles, chacun re-

groupant les arcs reliant les LO accessibles sur un support k.

Les diff´ erents niveaux du graphe sont reli´ es par un ensemble de liens qu’on note Aliaison.

L’ensemble des parcours de formation possibles est mod´ elis´ e ainsi par un graphe multi-

modal comme suit : G = (∪LOk,∪Ak∪ Aliaison),∀k ∈ Ty.

Par exemple, dans la figure 6.3, nous pouvons consid´ erer trois sous graphes : Gs =

(LOs,As) repr´ esente l’ensemble des parcours de formations possibles sur Smartphone,

Gt= (LOt,At) repr´ esente l’ensemble des parcours de formations possibles sur tablette

et Go = (LOo,Ao) repr´ esente l’ensemble des parcours de formations possibles sur or-

dinateur. Nous rajoutons une quatri` eme couche OBJ regroupant l’ensemble des LO de

type objectif. Le grapheG = (LO,A) repr´ esentant l’ensemble des parcours de formations

134


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

possibles multimodaux, est donc compos´ e de Gs, Gt, Go, OBJ et d’un ensemble d’arcs

assurant la jonction entre ces diff´ erents niveaux.

FIGURE 6.3 – Mod´ elisation simplifi´ ee multi-support

L’objectif est de trouver un chemin multimodal (concat´ enation de chemins monomodaux)

entre deux nœuds loinitet lofindu grapheG passant par tous les LO objectif maximisant

une fonction de pertinence que nous pr´ esentons dans la section 6.1.4.

6.1.4/

PERTINENCE D’UNE SOLUTION

Dans notre probl` eme il s’agit de construire un parcours de formation global valide form´ e

d’un ensemble de LO. Les LO choisis doivent maximiser le poids total de la formation

globale pour maximiser le gain de connaissance et recommander les LO les plus adapt´ es

au contexte, et minimiser l’´ ecart entre la dur´ ee totale pr´ evue et la dur´ ee Dmaxautoris´ ee

de formation.

En termes math´ ematiques, nous d´ efinissons les objectifs ` a optimiser par les deux

´ equations suivantes :

– Maximiser la satisfaction de l’apprenant ⇒ maximiser le poids total du parcours de

formation :

|LO|

X

o` u xiest ´ egale ` a 1 si loiest choisi dans la solution (loi∈ P), 0 sinon.

(6.3)

maximiser

Wi· xi, xi∈ {0,1}

i=1

135


Mlearning

6.1. D´EFINITION DU PROBL`EME D’OPTIMISATION COMBINATOIRE

– Minimiser l’´ ecart entre la dur´ ee totale pr´ evue et la dur´ ee Dmaxautoris´ ee de formation :

|LO|

X

(6.4)

minimiser (Dmax−

dur´ eei· xi), xi∈ {0,1}

i=1

o` u xiest ´ egale ` a 1 si loiest choisi dans la solution (loi∈ P), 0 sinon.

Les deux objectifs que nous souhaitons optimiser sont contradictoires. D’apr` es le principe

de dualit´ e (transformer une minimisation en une maximisation en multipliant la fonction

objectif par −1), nous consid´ erons que les fonctions objectifs ` a atteindre sont ` a maximi-

ser.

Nous d´ efinissons finalement la fonction Pert afin de calculer la pertinence d’une solution,

cette pertinence ´ etant l’agr´ egation des deux objectifs d´ ecrits pr´ ec´ edemment :

|LO|

X

|LO|

X

(6.5)

Pert = α ·

Wi· xi− β · (Dmax−

dur´ eei· xi), α et β ∈ [0,1]

i=1

i=1

L’optimisation du parcours de formation consiste donc ` a trouver un parcours de formation

qui maximise la valeur de la fonction Pert :

(6.6)

maximiserPert(P),P ∈ Valid

Une fois le parcours de formation global calcul´ e, il est propos´ e ` a l’apprenant une section

de ce parcours telle que :

|LO|

X

(6.7)

dur´ eei≤ dmax

i=1

Les probl` emes de cheminement dans un graphe sont des probl` emes d’optimisation com-

binatoire bien connus. Le probl` eme classique peut ˆ etre r´ esolu facilement avec une com-

plexit´ e polynomiale. Mais cette complexit´ e augmente significativement dans notre cas,

lorsque toutes les permutations des LO sont autoris´ ees et lorsque le probl` eme ` a r´ esoudre

passe d’un probl` eme de cheminement classique ` a un probl` eme d’optimisation multimo-

dal. Le probl` eme devient de complexit´ e NP-difficile (Garey and Johnson, 1990). Ceci

implique qu’une m´ ethode exacte ne serait pas efficace pour r´ esoudre notre probl` eme, en

particulier pour une application de d´ ecision en temps r´ eel (Chen et al., 1999).

Compte tenu de ces difficult´ es, la plupart des experts de l’optimisation combinatoire ont

orient´ e leurs recherches vers le d´ eveloppement de m´ ethodes heuristiques.

Dans la deuxi` eme partie de ce chapitre, nous pr´ esentons les m´ etaheuristiques les plus

connues pour r´ esoudre des probl` emes combinatoires difficiles.

136


Mlearning

6.2. LES M´ETAHEURISTIQUES

LES M´ ETAHEURISTIQUES

6.2/

Les m´ etaheuristiques forment un ensemble de m´ ethodes utilis´ ees en recherche

op´ erationnelle pour r´ esoudre des probl` emes d’optimisation r´ eput´ es difficiles. Une

m´ etaheuristique peut ˆ etre d´ efinie comme ´ etant une proc´ edure exploitant au mieux la

structure d’u probl` eme, dans le but de trouver une solution de qualit´ e raisonnable en un

temps de calcul aussi faible que possible (Nicholson, 1971) (Widmer, 2001). R´ esoudre

un probl` eme d’optimisation combinatoire, c’est trouver l’optimum d’une fonction, parmi un

nombre fini de choix, souvent tr` es grand.

Nous proposons dans cette partie du chapitre de fournir une vue sur l’ensemble du do-

maine des m´ etaheuristiques. En premier lieu nous introduisons bri` evement quelques

notions des m´ etaheuristiques. Ensuite nous pr´ esentons les deux grandes classes

des m´ etaheuristiques existantes : les m´ ethodes de recherche locale et les m´ ethodes

´ evolutives. Ce bref ´ etat de l’art sur les m´ etaheuristiques est bas´ e sur le rapport de (Autin,

2006) et le travail de (Picot-Cl´ emente, 2011).

INTRODUCTION AUX M´ ETAHEURISTIQUES

6.2.1/

En math´ ematiques, l’optimisation recouvre toutes les m´ ethodes qui permettent de

d´ eterminer l’optimum d’une fonction. Un probl` eme d’optimisation combinatoire est d´ efinit

comme suit :

Chaque instance du probl` eme est associ´ e un ensemble de solutions S et un sous-

ensemble X de S. X repr´ esente l’ensemble des solutions admissibles du probl` eme. L’en-

semble X des solutions admissibles est suppos´ e fini et est en g´ en´ eral d´ efini par un en-

semble C de contraintes. A cette instance est aussi associ´ ee une fonction f, appel´ ee

fonction objectif, permettant d’´ evaluer chaque solution admissible. f attribue ` a chaque

solution s ∈ X la valeur f(s). Pour r´ esoudre un probl` eme d’optimisation combinatoire il

faut trouver une solution s ∈ X optimisant la valeur de la fonction objectif f. Dans le cas

d’une maximisation le probl` eme ` a r´ esoudre est donc le suivant :

(6.8)

maxf(s), s ∈ X

Une structure de voisinage (ou tout simplement un voisinage) est une fonction V qui

associe un sous-ensemble de S ` a toute solution s. Une solution s∗ ∈ V(s) est dite voisine

de s. Formellement, on cherche donc s∗ ∈ X tel que f(s∗) ≥ f(s) pour tout s ∈ X.

Une solution s ∈ X est dite optimum local relativement ` a la structure de voisinage V

si f(s∗) ≥ f(s) pour tout s∗ ∈ V(s). Une solution s ∈ X est dite optimum global si

f(s∗) ≥ f(s) pour tout s∗ ∈ X (figure 6.4). De mˆ eme, il est aussi bien possible de r´ esoudre

des probl` emes de minimisation; les principes de r´ esolution restent les mˆ emes.

137


Mlearning

6.2. LES M´ETAHEURISTIQUES

FIGURE 6.4 – Fonction de coˆ ut d’un probl` eme combinatoire

La r´ esolution des probl` emes d’optimisation combinatoires est assez d´ elicate lorsque le

nombre fini de solutions admissibles croˆ ıt avec la taille du probl` eme, ainsi que sa com-

plexit´ e. La r´ esolution de notre probl` eme atteint rapidement une taille critique de X, au-

dessus de laquelle mˆ eme une ´ enum´ eration partielle des solutions admissibles devient

tr` es couteuse en temps de calcul. On parle alors d’optimisation difficile, ou de probl` emes

NP-difficiles. Compte tenu de cette difficult´ e, la plupart des sp´ ecialistes de l’optimisation

combinatoire ont orient´ e leur recherche vers le d´ eveloppement de m´ ethodes heuristiques

permettant de r´ esoudre un probl` eme en un temps polynomial, tout en pr´ eservant une cer-

taine qualit´ e des solutions trouv´ ees.

M´ ETHODES M´ ETAHEURISTIQUES APPROCH´ EES

6.2.2/

On peut distinguer trois classes de m´ etaheuristiques :

– Les m´ ethodes constructives : Ces algorithmes construisent une seule solution par une

suite de choix partiels et d´ efinitifs, c’est-` a-dire sans retours en arri` ere. On les appelle

m´ ethodes gloutonnes. A chaque it´ eration une m´ ethode gloutonne cherche ` a faire le

choix le plus avantageux parmi la liste des choix potentiels.

– Les m´ ethodes de recherche locale / ` a solution unique : Ces algorithmes partent d’une

solution initiale (obtenue de fac ¸on exacte, ou par tirage al´ eatoire) puis passent d’une

solution ` a une autre dans l’espace des solutions admissibles jusqu’` a ce qu’une solution

consid´ er´ ee comme optimale soit trouv´ ee ou que le temps imparti soit d´ epass´ e (figure

6.5). Dans cette cat´ egorie, se rangent : la m´ ethode Hill-Climbing, le recuit simul´ e, la

m´ ethode tabou et la recherche par voisinage variable.

138


Mlearning

6.2. LES M´ETAHEURISTIQUES

FIGURE 6.5 – Principes g´ en´ eraux d’une m´ etaheuristique ` a base de solution unique

– Les m´ ethodes ´ evolutives / ` a population de solutions : Ces algorithmes, contrairement

aux m´ ethodes ` a solution unique, travaillent avec un ensemble de solutions en mˆ eme

temps, que la m´ ethode fait ´ evoluer graduellement. L’utilisation de plusieurs solutions

simultan´ ement permet d’am´ eliorer l’exploration de l’espace des configurations (figure

6.6). Dans cette seconde cat´ egorie, on recense : les algorithmes g´ en´ etiques, les al-

gorithmes ` a estimation de distribution et les algorithmes par colonies de fourmi. Ces

m´ etaheuristiques sont souvent plus gourmandes en calculs que les m´ ethodes ` a solu-

tion unique.

FIGURE 6.6 – Principes g´ en´ eraux d’une m´ etaheuristique ` a population de solutions

Dans les sections suivantes nous d´ eveloppons plus en d´ etail les caract´ eristiques de cha-

cune de ces diff´ erentes classes de m´ etaheuristiques.

M´ ETHODES CONSTRUCTIVES

6.2.3/

Les m´ ethodes constructives produisent des solutions admissibles en partant d’une solu-

tion initiale vide et en ins´ erant ` a chaque ´ etape une composante dans la solution partielle

courante. Cette d´ ecision n’est jamais remise en question par la suite. La majorit´ e des

139


Mlearning

6.2. LES M´ETAHEURISTIQUES

m´ ethodes constructives sont de type glouton. A chaque ´ etape, la solution courante est

compl´ et´ ee de la meilleure fac ¸on possible sans tenir compte de toutes les cons´ equences

que cela entraˆ ıne au niveau du coˆ ut de la solution finale. Dans ce sens, les m´ ethodes

gloutonnes sont souvent consid´ er´ ees comme myopes (Widmer, 2001).

FIGURE 6.7 – Tourn´ ee du voyageur de commerce

Une m´ ethode constructive peut ˆ etre utilis´ ee par exemple pour r´ esoudre le probl` eme d’un

voyageur de commerce qui doit rendre visite ` a n clients. On peut ici proposer un algo-

rithme glouton suivant : en partant d’un point de d´ epart D, le voyageur de commerce va

chez le client le plus proche (ici C1). En quittant C1, il va chez le client le plus proche

de C1qu’il n’a pas encore rencontr´ e. Ce processus est r´ ep´ et´ e imp´ erativement jusqu’` a ce

le voyageur ait visit´ e tous ces clients. En quittant le dernier client (Cn), il rentre chez lui,

formant ainsi un cycle hamiltonien. Il a ainsi construit la tourn´ ee : D−C1−C2−...−Cn−D

(figure 6.7). Le dernier tronc ¸on Cn− D est souvent non optimal et peut ainsi nuire ` a la

qualit´ e globale de la solution.

Les m´ ethodes constructives se distinguent par leur rapidit´ e ` a g´ en´ erer une solution fi-

nale admissible sans avoir recours ` a des techniques hautement sophistiqu´ ees. Cepen-

dant, la solution finale trouv´ e n’est pas optimale. Aujourd’hui les m´ ethodes constructives

servent essentiellement ` a produire des solutions initiales ` a am´ eliorer par la suite par des

m´ etaheuristiques de type recherche locale ou ´ evolutives.

M´ ETHODES DE RECHERCHE LOCALE / ` A SOLUTION UNIQUE

6.2.4/

Les m´ ethodes de recherche locale sont des algorithmes it´ eratifs qui explorent l’espace

des solutions X en se d´ eplac ¸ant pas ` a pas d’une solution ` a une autre. Une m´ ethode de

ce type d´ ebute ` a partir d’une solution s0∈ X choisie arbitrairement ou alors obtenue par

le biais d’une m´ ethode constructive. Le passage d’une solution admissible ` a une autre

se fait sur la base d’un ensemble de modifications ´ el´ ementaires qu’il s’agit de d´ efinir au

cas par cas. Une solution s0est obtenue ` a partir de s en appliquant une modification

´ el´ ementaire. Le voisinage V(s) d’une solution s ∈ X est d´ efini comme l’ensemble des

140


Mlearning

6.2. LES M´ETAHEURISTIQUES

solutions admissibles atteignables depuis s en effectuant une modification ´ el´ ementaire.

Un tel processus d’exploration est interrompu lorsqu’un ou plusieurs crit` eres d’arrˆ et sont

satisfaits.

FIGURE 6.8 – Exploration de l’espace des solutions par la m´ ethode de recherche locale

La figure 6.8 illustre la m´ ethode d’exploration de l’espace des solutions par une m´ ethode

de recherche locale. Les passages successifs d’une solution ` a une solution voisine

d´ efinissent un chemin au travers de l’espace des solutions admissibles. La mod´ elisation

d’un probl` eme d’optimisation et le choix du voisinage doivent ˆ etre effectu´ es de telle sorte

qu’il existe au moins un chemin entre la premi` ere solution s0et une solution optimale s∗.

De nombreuses m´ etaheuristiques ont ´ et´ e ´ elabor´ ees dans le cadre de la m´ ethode de

recherche locale.

Nous d´ ecrivons dans ce qui suit les m´ ethodes de recherche locale les plus utilis´ ees.

6.2.4.1/

LE HILL-CLIMBING

La m´ ethode de recherche locale Hill-Climbing est proche de la m´ ethode gradient (Cau-

chy, 1847). Le principe est de partir d’une premi` ere solution calcul´ ee al´ eatoirement, puis

de se d´ eplacer dans l’espace des solutions dans la direction de la plus forte pente : De

nouvelles solutions candidates sont test´ ees it´ erativement dans le voisinage du candidat

courant, et elles sont adopt´ ees si elles sont meilleures que la courante. Ce proc´ ed´ e est

r´ ep´ et´ e aussi longtemps que la valeur de la fonction objectif f augmente. La recherche

s’interrompt d` es qu’un optimum local de f est atteint. L’am´ elioration de la solution cou-

rante se base sur une approche stochastique (partiellement al´ eatoire) pour chercher de

meilleurs candidats.

L’algorithme g´ en´ eral de la m´ ethode Hill-Climbing se pr´ esente comme suit :

La m´ ethode Hill-Climbing a consid´ er´ e parmi les m´ ethodes heuristiques les plus popu-

laires pour traiter les probl` emes d’optimisation combinatoire. Toutefois, elle comporte

141


Mlearning

6.2. LES M´ETAHEURISTIQUES

Algorithm 2 : Algorithme de Hill-Climbing

s ← valeur al´ eatoire initiale

Change = 0

repeat

BestVoisin ← s

for ∀s0∈ V(s) solution voisine de s do

if f(s0) > f(BestVoisin) then

BestVoisin ← s0

end if

end for

if f(BestVoisin) > f(s) then

s ← BestVoisin

Change = 1

end if

until Change == 0 ou le temps imparti est atteint

return s

deux obstacles majeurs qui limitent consid´ erablement son efficacit´ e :

– Suivant la taille et la structure du voisinage V(s) consid´ er´ e, la recherche de la meilleure

solution voisine est un probl` eme qui peut ˆ etre aussi difficile que le probl` eme initial.

– Une m´ ethode Hill-Climbing est incapable de progresser au-del` a du premier optimum

local rencontr´ e. Or les probl` emes d’optimisation combinatoire comportent typiquement

de nombreux optima locaux pour lesquels la valeur de la fonction objectif peut ˆ etre fort

´ eloign´ ee de la valeur optimale.

Pour faire face ` a ces carences, des m´ ethodes de recherche plus sophistiqu´ ees ont ´ et´ e

d´ evelopp´ ees au cours de ces derni` eres ann´ ees. Ces m´ ethodes acceptent des solutions

voisines moins bonnes que la solution courante afin d’´ echapper aux minima locaux de

la fonction f. En r` egle g´ en´ erale, seule une portion du voisinage courant est explor´ ee ` a

chaque ´ etape.

Les m´ ethodes que nous pr´ esentons dans les sections suivantes sont en g´ en´ eral beau-

coup plus performantes qu’une simple m´ ethode Hill-Climbing, mais ´ egalement beau-

coup plus coˆ uteuses en termes de ressources informatiques. Leur mise en œuvre doit

g´ en´ eralement tenir compte du temps de r´ eponse maximal autoris´ e par l’utilisateur du pro-

gramme. Il convient aussi de signaler qu’un effort non n´ egligeable est n´ ecessaire pour

ajuster convenablement les param` etres qu’elles font intervenir dans le but de guider effi-

cacement la recherche au travers de l’ensemble des solutions X.

LE RECUIT SIMUL´ E

6.2.4.2/

Le recuit simul´ e est un algorithme inspir´ e de l’industrie. Il est d´ eriv´ e de l’algorithme Me-

tropolis d´ evelopp´ e lors du projet Manhattan (Metropolis et al., 1953) (Aarts and Korst,

1989). Le projet a abouti ` a un algorithme permettant de simuler l’´ evolution d’un syst` eme

142


Mlearning

6.2. LES M´ETAHEURISTIQUES

physique instable vers un ´ etat d’´ equilibre thermique. Plus pr´ ecis´ ement, cette m´ ethode

retrouve ses origines dans l’´ etude du recuit des m´ etaux en m´ etallurgie : on porte ini-

tialement le m´ etal ` a tr` es haute temp´ erature, puis on le refroidit petit ` a petit. Lorsque

la temp´ erature diminue, les mouvements des atomes deviennent de moins en moins

al´ eatoires, et le syst` eme aura tendance ` a se trouver dans des ´ etats ` a basse ´ energie. Un

m´ etal refroidi trop vite pr´ esente de nombreux d´ efauts microscopiques, c’est l’´ equivalent

d’un optimum local pour un probl` eme d’optimisation combinatoire. Si on refroidit le m´ etal

lentement, les atomes se r´ earrangent, les d´ efauts disparaissent, et le m´ etal a alors une

structure tr` es ordonn´ ee, ´ equivalente ` a un optimum global.

L’id´ ee du recuit simul´ e consiste ` a utiliser l’algorithme de Metropolis pour des valeurs

d´ ecroissantes de la temp´ erature t. Le refroidissement progressif d’un syst` eme de parti-

cules est simul´ e en faisant une analogie entre l’´ energie du syst` eme et la fonction objectif

du probl` eme d’une part, et entre les ´ etats du syst` eme et les solutions admissibles du

probl` eme d’autre part.

Au d´ ebut de l’algorithme, un param` etre t, apparent´ e ` a la temp´ erature, est d´ etermin´ e et

d´ ecroˆ ıt tout au long de l’algorithme pour tendre vers une temp´ erature de g´ elification tgel.

Dans l’algorithme de M´ etropolis, on part d’une configuration initiale donn´ ee, et on fait su-

bir au syst` eme une modification ´ el´ ementaire. Si cette perturbation a pour effet d’am´ eliorer

l’´ energie E du syst` eme (4E < 0), elle est accept´ ee. Sinon (4E > 0), elle est accept´ ee

avec une probabilit´ e non nulle P :

P(t,4E) = exp(− 4 E

(6.9)

).

t

En appliquant it´ erativement cette r` egle, on engendre une s´ equence de configurations

qui tendent vers l’´ equilibre thermodynamique. A chaque ´ etape, l’acceptation d’un nouvel

´ etat dont l’´ energie n’est pas inf´ erieure ` a celle de l’´ etat courant est d´ ecid´ ee en g´ en´ erant

de mani` ere al´ eatoire un nombre r ∈ [0,1]. Si r est inf´ erieur ou ´ egal ` a P(t,4E), alors

le nouvel ´ etat est accept´ e. Autrement l’´ etat courant est maintenu. (Metropolis et al.,

1953) ont montr´ e que l’utilisation r´ ep´ et´ ee d’une telle r` egle fait ´ evoluer le syst` eme vers

un ´ etat d’´ equilibre thermique. La r´ ep´ etition de cette r` egle d´ epend de la temp´ erature de

g´ elification.

Ainsi, par rapport ` a la m´ ethode Hill-Climbing, l’algorithme du recuit simul´ e varie dans sa

mani` ere de choisir quand remplacer une solution s par une solution voisine s0. Si s0est

meilleur que s, s0remplace toujours s, mais si s0est moins bonne que s, on ne peut

remplacer s par s0qu’` a une certaine probabilit´ e P :

P(t,4f) = exp(− 4 f

)avec 4 f = f(s0) − f(s)

(6.10)

t

L’algorithme g´ en´ eral peut se repr´ esenter avec le pseudo-code suivant :

143


Mlearning

6.2. LES M´ETAHEURISTIQUES

Algorithm 3 : Algorithme du recuit simul´ e

s ← valeur al´ eatoire initiale

t ← temp´ erature, initialement une grande valeur

while t > tgeldo

Obtenir une solution voisine s0∈ V(s) par transformation ´ el´ ementaire de s

if f(s0) > f(s) then

s ← s0

else

G´ en´ erer un nombre r´ eel al´ eatoire r dans [0,1]

if r < P(t,4f) then

s ← s0

end if

end if

D´ ecroitre t

end while

return s

La figure 6.9 montre un exemple de variation de l’´ energie de la combinaison courante

au cours du temps. Au d´ ebut, l’amplitude des variations de l’´ energie est grande, car de

nombreuses solutions sont accept´ ees ´ etant donn´ e la temp´ erature du syst` eme. Puis, cette

amplitude diminue au fil du temps, dˆ u au refroidissement du syst` eme. Enfin, lorsqu’il n’y

a plus de variation de cette ´ energie (tgel= 0), le syst` eme est gel´ e et la meilleure solution

trouv´ ee est renvoy´ ee.

FIGURE 6.9 – Variation de l’´ energie par l’algorithme de recuit simul´ e

La performance du recuit simul´ e d´ epend, entre autres, de la r` egle de refroidissement

(c’est ` a dire la d´ ecroissance du param` etre t : (1) Un refroidissement trop rapide m` enerait

vers un optimum local pouvant ˆ etre de tr` es mauvaise qualit´ e. (2) Un refroidissement

trop lent serait tr` es coˆ uteux en temps de calcul : On constate qu’il faut une diminution

de la temp´ erature suffisamment lente, donc l’algorithme n´ ecessite un certain nombre

d’it´ erations pour voir la solution s’am´ eliorer. Corr´ elativement, le temps de calcul devient

144


Mlearning

6.2. LES M´ETAHEURISTIQUES

parfois excessif avec certaines applications.

Pour le bon fonctionnement de l’algorithme, un bon r´ eglage des diff´ erents param` etres

(temp´ erature initiale, nombre d’it´ erations par palier de temp´ erature et d´ ecroissance de la

temp´ erature) est n´ ecessaire.

LA M´ ETHODE TABOU

6.2.4.3/

Les principes de m´ ethode tabou ont ´ et´ e propos´ es pour la premi` ere fois dans les ann´ ees

80 par Fred Glover dans les ann´ ees 80 (F. Glover, 1986). A l’inverse du recuit simul´ e qui

g´ en` ere de mani` ere al´ eatoire une seule solution voisine ` a chaque it´ eration, la m´ ethode

tabou examine un ´ echantillonnage de solutions voisines V(s) et retient la meilleure so-

lution voisine s0dans V(s) mˆ eme si f(s0) > f(s). De cette mani` ere la recherche tabou

ne s’arrˆ ete pas au premier optimum trouv´ e. Seulement lorsque f(s0) < f(s) l’algorithme

risque de revenir ` a s imm´ ediatement.

Pour ´ eviter de revenir ` a chaque fois ` a la solution s, on cr´ ee une liste T appel´ ee liste ta-

bou, qui m´ emorise les derni` eres solutions visit´ ees et qui interdit tout d´ eplacement vers

une solution de cette liste. Le but est de donner assez de temps ` a l’algorithme pour lui

permettre de sortir d’un optimum local.

Seulement, en s’interdisant de cette mani` ere certaines permutations, un mouvement qui

aboutirait ` a une solution meilleure que toutes celles d´ ej` a visit´ ees risquerait d’ˆ etre ´ ecart´ e.

Pour ´ eviter cela, une id´ ee consiste ` a incorporer dans l’algorithme des crit` eres d’aspira-

tion, qui autorisent certains mouvements, bien qu’interdits par la liste tabou, parce qu’on

suppose qu’ils vont am´ eliorer la recherche. G´ en´ eralement le crit` ere d’aspiration consiste

` a autoriser une solution s si sa valeur f(s) est meilleure que toutes les solutions ren-

contr´ ees jusqu’ici.

Une condition d’arrˆ et de l’algorithme doit ˆ etre d´ efinie. En g´ en´ eral, on se donne un nombre

maximum Nbmaxd’it´ erations entre deux am´ eliorations de la meilleure solution s∗ren-

contr´ ee.

Soit VT(s) toutes les solutions qui ne sont pas taboues, et les solutions qui sont tabous

mais dont le statut tabou a ´ et´ e lev´ e par le crit` ere d’aspiration : VT(s) = {s0∈ V(s) tel que

s0< T ou f(s0) < f(s∗)}.

L’algorithme g´ en´ eral de la m´ ethode tabou peut ˆ etre pr´ esent´ e avec le pseudo-code sui-

vant :

La structure de l’algorithme de base de la m´ ethode tabou est assez proche de celle du

recuit simul´ e. L’avantage, par rapport au recuit simul´ e est le param´ etrage plus simple de

l’algorithme. En revanche, la m´ ethode tabou pr´ esente un inconv´ enient par rapport aux

strat´ egies de m´ emorisation des solutions tabous. Cette m´ ethode devient de plus en plus

lourde ` a mesure que l’on voudra raffiner le proc´ ed´ e de m´ emorisation des solutions, en

mettant en place des strat´ egies plus complexes.

145


Mlearning

6.2. LES M´ETAHEURISTIQUES

Algorithm 4 : Algorithme de la m´ ethode tabou

s∗← valeur al´ eatoire initiale

T ← ∅

t taille de la liste tabou

Nbmaxnombre maximum d’it´ erations

k it´ eration courante

repeat

Choisir s0la meilleure solution dans VT(s)

if f(s0) < f(s∗) then

if k < t then

s∗← s0

Mettre ` a jour T

k ← k + 1

end if

end if

s ← s0

until Nbmaxest atteint

return s

LA RECHERCHE ` A VOISINAGE VARIABLE

6.2.4.4/

` a

La

m´ etaheuristique r´ ecente pour la r´ esolution de probl` emes d’optimisation combinatoire,

dont les premi` eres descriptions ont ´ et´ e faites par (Mladenovic and Hansen, 1997). L’id´ ee

de base est de d´ efinir cette fois ci, non pas un, mais plusieurs voisinages possibles pour

une solution. Cette m´ ethode de recherche est motiv´ ee par trois principes :

recherche

voisinage

variable

(Variable

Neighborhood

Search)

est

une

– Un minimum local par rapport ` a un voisinage n’est pas forc´ ement un minimum local

par rapport ` a un autre.

– Un minimum global est un minimum local par rapport ` a tous les voisinages possibles.

– Pour de nombreux probl` emes, les minimaux locaux par rapport ` a un ou ` a plusieurs

voisinages sont relativement proches les uns des autres.

La m´ ethode de base de la recherche ` a voisinage variable fonctionne en plusieurs ´ etapes

d´ ecrite par l’algorithme d´ ecrit comme suit :

Tout d’abord l’algorithme n´ ecessite la d´ efinition de diff´ erentes structures de voisi-

nage, c’est-` a-dire un ensemble d’´ el´ ements not´ e {V1,...,Vk,...,Vmax},k ∈ {1,...,max},

g´ en´ eralement de port´ ees k diff´ erentes, ordonn´ es par ordre bien d´ efini. Cet ordre peut

correspondre ` a une imbrication de voisinages, V1⊂ ... ⊂ Vk⊂ ... ⊂ Vmax, ou simple-

ment correspondre ` a la taille des voisinages : V1est alors le plus petit et Vmaxle plus

grand, V1< ... < Vk< ... < Vmax.

A partir d’une solution de d´ epart s choisie al´ eatoirement, un voisin s0de s est s´ electionn´ e

en utilisant la structure de voisinage V1. Si une solution, not´ e s

suite ` a l’application d’une m´ ethode de recherche locale est meilleure que la solution s0,

00, obtenue ` a partir de s0

146


Mlearning

6.2. LES M´ETAHEURISTIQUES

alors la recherche reprend ` a partir de cette solution. Sinon, une solution est choisie en

utilisant un voisinage de port´ ee sup´ erieure, soit ici le voisinage V2.

Cette m´ ethode permet de sortir d’un optimum local si celui-ci est un optimum local pour

une port´ ee de voisinage plus petite que la valeur max. La recherche locale effectu´ ee ` a

chaque ´ etape de l’algorithme peut ˆ etre une simple m´ ethode de descente, ou bien une

m´ ethode plus sophistiqu´ ee, comme le recuit simul´ e ou la m´ ethode tabou. Une condition

d’arrˆ et doit ˆ etre d´ efinie. En g´ en´ eral, on se donne un nombre maximum Nbmaxd’it´ erations.

Le fait d’utiliser plusieurs voisinages permet de diversifier l’exploration de l’espace des

solutions afin d’acc´ eder ` a un plus grand nombre de r´ egions int´ eressantes, ce qui conduit

` a une m´ ethode plus robuste que le recuit simul´ e ou la recherche tabou.

L’algorithme g´ en´ eral de la recherche ` a voisinage variable est d´ ecrit par le pseudo-code

ci- dessous :

Algorithm 5 : Algorithme de recherche ` a voisinage variable

s ← valeur al´ eatoire initiale

Nbmaxnombre maximum d’it´ erations

k ← 1 o` u k it´ eration courante

max port´ ee maximale de voisinage

while k < max do

repeat

Choisir s0al´ eatoirement dans Vk(s)

Choisir s

if f(s

s ← s

Retourner au premier voisinage V1,k ← 1

end if

until le nombre maximum d’it´ erations Nbmaxest atteint

k ← k + 1

end while

return s

00par une m´ ethode de recherche locale ` a partir de s0dans Vk(s)

00) > f(s0) then

00

M´ ETHODES ´ EVOLUTIVES / ` A POPULATION DE SOLUTION

6.2.5/

La m´ ethode d’optimisation ` a base de strat´ egies d’´ evolution (SE) fut initialement propos´ ee

par (Rechenberg, 1965). Les m´ ethodes ´ evolutives aussi appel´ ees m´ ethodes ` a popula-

tions de solutions, font ´ evoluer une population d’individus selon des r` egles bien pr´ ecises.

Ces m´ ethodes s’inspirent g´ en´ eralement de la nature, et notamment du r` egne animal

(Fogel, 1999). Cette analogie a donn´ e lieu ` a plusieurs approches, parmi lesquelles les

algorithmes g´ en´ etiques, les algorithmes ` a estimation de distribution, les algorithmes de

colonies de fourmis, etc.

Contrairement aux m´ ethodes constructives et de recherche locale qui font intervenir une

solution unique, les m´ ethodes ´ evolutives manipulent un groupe de solutions admissibles

` a chacune des ´ etapes du processus de recherche. L’id´ ee centrale consiste ` a utiliser

147


Mlearning

6.2. LES M´ETAHEURISTIQUES

r´ eguli` erement les propri´ et´ es collectives d’un ensemble de λ solutions distinguables, ap-

pel´ e population, dans le but de guider efficacement la recherche vers de bonnes solutions

dans l’espace X.

Chaque solution est li´ ee ` a une valeur de la fonction objectif du probl` eme, nomm´ ee fit-

ness. Les algorithmes ´ evolutionnaires font ´ evoluer cette population par g´ en´ erations suc-

cessives, en utilisant des op´ erateurs inspir´ es de la th´ eorie de l’´ evolution; la s´ election, la

reproduction et la mutation :

Apr` es avoir g´ en´ er´ e une population initiale de solutions, al´ eatoirement ou par l’in-

term´ ediaire d’une m´ ethode constructive, l’algorithme supprime toutes les solutions de

la population sauf les µ plus forts, afin de transmettre les meilleurs µ solutions de la

g´ en´ eration courante ` a la nouvelle g´ en´ eration (s´ election). La s´ election augmente la per-

formance d’une population en retenant les meilleures solutions admissibles afin de guider

la recherche vers des r´ egions prometteuses. L’´ etape suivante consiste ` a faire croiser les

solutions de µ, en combinant leurs caract´ eristiques, pour cr´ eer de nouvelles solutions. Ce

croisement utilise ρ (ρ ≥ 2) parents choisis al´ eatoirement pour cr´ eer un seul individu en-

fant. Au total, λ enfants sont cr´ e´ es (reproduction). Lors de la cr´ eation d’une nouvelle solu-

tion certaines caract´ eristiques transmises par les parents peuvent changer al´ eatoirement

avec une certaine probabilit´ e (mutation). En troisi` eme ´ etape la population de la nouvelle

g´ en´ eration est mise ` a jour en appliquant une s´ election, soit uniquement aux enfants, soit

` a l’ensemble enfants + parents.

La s´ election des solutions de la nouvelle population consiste ` a remplacer les parents

par les µ meilleurs enfants. Dans ce cas l’algorithme est appel´ e (µ,λ)-SE. Dans le cas

d’une s´ election sur l’ensemble enfants + parents, on s´ electionne les meilleurs µ individus

parmi la population des parents et des enfants de la population courante pour cr´ eer la

population parent de la nouvelle g´ en´ eration. L’algorithme est appel´ e (µ + λ)-SE. Enfin, la

proc´ edure se r´ eit` ere.

FIGURE 6.10 – Exploration par une approche ´ evolutive

Le m´ ecanisme de recherche de la m´ ethode ´ evolutive est repr´ esent´ e dans la figure 6.10.

La strat´ egie ´ evolutive proc` ede g´ en´ eralement suivant l’algorithme d´ ecrit par le pseudo-

code ci-dessous :

148


Mlearning

6.2. LES M´ETAHEURISTIQUES

Algorithm 6 : Algorithme de la strat´ egie ´ evolutive

µ nombre de parents s´ electionn´ es

λ nombre d’enfants g´ en´ er´ es par les parents

ρ nombre de parents ` a utiliser pour la reproduction

P ← {} population initialement vide

Best ← ∅ meilleure solution

//Construire une population initiale de λ solutions

repeat

P ← P ∪ { une nouvelle solution choisie al´ eatoirement }

until le nombre maximum λ de solutions ` a choisir atteint

repeat

for Pi∈ P do

Calculer Fitness(Pi)

if Best = ∅ ou Fitness(Pi) > Fitness(Best) then

Best ← Pi

end if

end for

//S´ election

F ← s´ election de µ solutions de P dont les Fitness() sont les meilleures

P ← {} dans le cas d’un algorithme (µ,λ) − SE

//ne pas vider P dans le cas d’un algorithme (µ + λ)-SE

for µ/ρ do

Enfant ← Croisement(ρ,F) //Reproduction

P ← P ∪ {Mutation(Enfant)} //Mutation

end for

P ← s´ election de µ meilleures solutions

until Best est la solution id´ eale ou le temps total imparti est atteint

return Best

Parmi les algorithmes ´ evolutionnaires, la sous-classe d’algorithmes la plus populaire est

les algorithmes g´ en´ etiques que nous d´ ecrivons bri` evement dans la section suivante.

LES ALGORITHMES G´ EN´ ETIQUES

6.2.5.1/

Les algorithmes g´ en´ etiques sont des strat´ egies d’´ evolution qui s’inspirent fortement

des m´ ecanismes biologiques li´ es aux principes de s´ election et d’´ evolution naturelle.

D´ evelopp´ es initialement par (Holland, 1975) pour r´ epondre ` a des besoins sp´ ecifiques

en biologie, les algorithmes g´ en´ etiques ont ´ et´ e adapt´ es ` a des contextes tr` es vari´ es.

Le vocabulaire utilis´ e est le mˆ eme que celui des strat´ egies d’´ evolution et de la g´ en´ etique,

on emploie le terme individu (solution potentielle), population (ensemble de solutions),

149


Mlearning

6.2. LES M´ETAHEURISTIQUES

g´ enotype (une repr´ esentation de la solution), chromosome (une partie du g´ enotype), pa-

rent, enfant, s´ election, reproduction, croisement, mutation, etc. Le fonctionnement des

algorithmes g´ en´ etiques est identique aux strat´ egies d’´ evolution (µ,λ)-SE. La principale

diff´ erence est la fac ¸on dont la reproduction et la mutation sont faites :

L’op´ erateur de croisement a pour objectif de recombiner les chromosomes d’une paire

d’individus s´ electionn´ es (parents avec ρ = 2), afin de cr´ eer une nouvelle paire d’individus

(enfants) qui h´ eritent de certaines caract´ eristiques de leurs parents avec une probabi-

lit´ e pc. Le croisement est mis en place pour que les nouveaux chromosomes gardent la

meilleure partie des chromosomes anciens.

La mutation permet de transformer avec une probabilit´ e pmle codage d’un individu afin

d’apporter une certaine diversit´ e dans la population et empˆ echer que celle-ci converge

trop vite vers un seul type d’individu parfait, incapable de sortir d’un minimum local.

La s´ election est un op´ erateur essentiel pour am´ eliorer la qualit´ e d’une population. Son

objectif est de retenir et multiplier les meilleurs individus qui contribueront ` a l’op´ eration de

croisement, et d’´ eliminer les plus mauvais, en accord avec la th´ eorie de Darwin. Dans la

litt´ erature diff´ erentes m´ ethodes de s´ election sont propos´ ees (que nous ne d´ eveloppons

pas ici), comme celle par tournoi, par roulette, par rang, etc. (Harries and Smith, 1998)

(Haupt and Haupt, 2004).

L’algorithme g´ en´ etique est guid´ e par un certain nombre de param` etres fix´ es ` a l’avance.

Par rapport ` a la strat´ egie ´ evolutive, l’algorithme g´ en´ etique fait intervenir deux nouveaux

param` etres :

– La probabilit´ e de croisement pc: Elle d´ epend de la forme de la fonction de Fitness.

Plus elle est ´ elev´ ee, plus la population subit des changements importants.

– La probabilit´ e de mutation pm: Ce taux est g´ en´ eralement faible, puisqu’un taux ´ elev´ e

risque de conduire ` a une solution sous-optimale, et ` a la perte de la population originale.

L’efficacit´ e des algorithmes g´ en´ etiques d´ epend fortement du r´ eglage des diff´ erents pa-

ram` etres caract´ erisant ces algorithmes, et qui sont parfois difficiles ` a d´ eterminer.

Le pseudo-code de l’algorithme g´ en´ etique est d´ ecrit ci-dessous :

150


Mlearning

6.2. LES M´ETAHEURISTIQUES

Algorithm 7 : Algorithme g´ en´ etique

t taille de la population d´ esir´ ee

P ← {} population initialement vide

Best ← ∅ meilleure solution

repeat

P ← P ∪ { une nouvelle solution choisie al´ eatoirement }

until le nombre maximum t de solutions ` a choisir atteint

repeat

for Pi∈ P do

Calculer Fitness(Pi)

if Best = ∅ ou Fitness(Pi) > Fitness(Best) then

Best ← Pi

end if

end for

Q ← {{

for t/2 do

Parent1,Parent2← SelectionParent(P)

Enfant1,Enfant2← Coisement(Parent1,Parent2) avec une probabilit´ e pc

Mutation1← Mutation(Enfant1) avec une probabilit´ e pm

Mutation2← Mutation(Enfant2) avec une probabilit´ e Pm

Q ← Q ∪ {Mutation1, Mutation2}

end for

P ← Q

P ← Selection(P) des meilleures solutions pour la nouvelle g´ en´ eration

until Best est la solution id´ eale ou le temps total imparti est atteint

return Best

LES ALGORITHMES ` A ESTIMATION DE DISTRIBUTION

6.2.5.2/

Les algorithmes ` a estimation de distribution EDA (Estimation of Distribution Algorithm)

ont ´ et´ e conc ¸us comme une variante des algorithmes ´ evolutionnaires. Ils ont ´ et´ e introduits

pour la premi` ere fois par (Baluja, 1994) puis repris par dans les travaux de (M¨ uhlen-

bein and Paass, 1996). Les algorithmes ` a estimation de distribution reprennent les prin-

cipes des algorithmes ´ evolutionnaires mais utilisent des mod` eles probabilistes ` a la place

des op´ erateurs de mutation et de croisement pour construire de nouveaux individus. Un

mod` ele probabiliste ou la distribution de probabilit´ e est estim´ ee ` a chaque it´ eration ` a partir

des informations apport´ ees par la pr´ ec´ edente g´ en´ eration. L’estimation de la distribution

de probabilit´ e permet d’estimer les relations entre les diff´ erents individus.

Le principe g´ en´ eral d’un algorithme ` a estimation de distribution est similaire ` a un al-

gorithme ´ evolutionnaire. On initialise tout d’abord une population P0. G´ en´ eralement la

151


Mlearning

6.2. LES M´ETAHEURISTIQUES

population initiale est g´ en´ er´ ee de fac ¸on al´ eatoire, et seules les meilleures combinaisons

g´ en´ er´ ees sont gard´ ees. Ensuite, ` a l’it´ eration k, un mod` ele probabiliste M est construit ` a

partir des informations de la population Pk−1. Diff´ erents types de mod` eles probabilistes,

plus ou moins simples, peuvent ˆ etre consid´ er´ es. Le mod` ele le plus simple, appel´ e PBIL

(Baluja, 1994), est bas´ e sur la probabilit´ e d’apparition de chaque composant sans tenir

compte d’´ eventuelles relations de d´ ependances entre les composants. Dans ce cas, on

calcule pour chaque composant sa fr´ equence d’apparition dans la population et on d´ efinit

la probabilit´ e de s´ election de ce composant proportionnellement ` a sa fr´ equence. Enfin,

la nouvelle population Pkest cr´ e´ ee al´ eatoirement ` a partir du mod` ele de distribution de

probabilit´ e M, g´ en´ eralement selon un principe glouton.

Le parall` ele avec les algorithmes ´ evolutionnaires est ici respect´ e, le couple croisement-

mutation ´ etant remplac´ e par l’estimation de la distribution.

Cette m´ ethode est r´ esum´ ee par l’algorithme ci-dessous :

Algorithm 8 : Algorithme ` a estimation de distribution

P0← g´ en´ erer al´ eatoirement une population initiale

k it´ eration courante

while crit` ere d’arrˆ et n’est pas atteint do

k ← k + 1

Construction d’un mod` ele probabiliste M en fonction de Pk−1

G´ en´ eration de nouvelles combinaisons ` a l’aide de M

Mise ` a jour de Pk−1en fonction des nouvelles combinaisons

end while

return la meilleure combinaison ayant appartenu ` a la derni` ere population

La principale difficult´ e de cette m´ ethode est le choix et l’estimation de la distribution de

probabilit´ e. En effet, il faut choisir au pr´ ealable quel mod` ele de distribution va ˆ etre utilis´ e

par l’algorithme et ` a chaque it´ eration estimer cette distribution.

6.2.5.3/

LES ALGORITHMES DE COLONIES DE FOURMIS

Les algorithmes de colonies de fourmis ACO (Ant Colony Optimization) ont ´ et´ e propos´ es

par (Colorni et al., 1992) et appliqu´ es la premi` ere fois au probl` eme du voyageur de com-

merce (Dorigo and Gambardella, 1997). Il existe un parall` ele entre l’optimisation par colo-

nies de fourmis et les algorithmes par estimation de distribution. Ces deux approches uti-

lisent un mod` ele probabiliste glouton pour g´ en´ erer des combinaisons, ce mod` ele ´ evoluant

en fonction des combinaisons pr´ ec´ edemment construites dans un processus it´ eratif d’ap-

prentissage.

L’originalit´ e et la contribution essentielle des algorithmes de colonies de fourmis est de

s’inspirer du comportement collectif des fourmis pour faire ´ evoluer le mod` ele probabi-

liste : Les fourmis utilisent pour communiquer une substance chimique volatile appel´ ee

ph´ eromone. En quittant leur nid pour explorer leur environnement ` a la recherche de

nourriture, les fourmis arrivent ` a ´ elaborer des chemins qui s’av` erent fr´ equemment ˆ etre

152


Mlearning

6.2. LES M´ETAHEURISTIQUES

les plus courts pour aller du nid vers une source de nourriture. Chaque fourmi d´ epose

alors une quantit´ e de ph´ eromones sur ces pistes qui deviendront un moyen de commu-

nication avec leurs cong´ en` eres. Cette quantit´ e de ph´ eromone ´ evolue par la conjugai-

son de deux m´ ecanismes : un m´ ecanisme de renforcement des traces de ph´ eromone

associ´ ees aux composants des meilleures chemins, visant ` a augmenter la probabilit´ e

de s´ election de ces composants; et un m´ ecanisme d’´ evaporation, visant ` a privil´ egier

les exp´ eriences r´ ecentes par rapport aux exp´ eriences plus anciennes. Les fourmis choi-

sissent ainsi avec une probabilit´ e ´ elev´ ee les chemins contenant les plus fortes concen-

trations de ph´ eromones.

FIGURE 6.11 – Comportement d’une colonie de fourmis

La figure 6.11 illustre le comportement d’une colonie de fourmis : (1) La premi` ere fourmi

trouve la source de nourriture, via un chemin quelconque (a), puis revient ` a la fourmili` ere

en laissant derri` ere elle une piste de ph´ eromone (b). (2) Les fourmis empruntent in-

diff´ eremment les quatre chemins possibles, mais le renforcement de la piste rend plus

attractif le chemin le plus court. (3) Les fourmis empruntent le chemin le plus court, les

portions longues des autres chemins perdent leur piste de ph´ eromones.

Le principe g´ en´ eral du fonctionnement de l’algorithme est d´ ecrit ci-dessous :

Algorithm 9 : Algorithme de colonies de fourmis

Initialiser les traces de ph´ eromone ` a τinit

while crit` ere d’arrˆ et n’est pas atteint do

Constructions de solutions (chemins) par les fourmis par construction gloutonne en

tenant compte des ph´ eromones

Mise ` a jour des ph´ eromones

Mettre ` a jour la meilleure solution trouv´ ee

end while

return la meilleure solution

153


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

L’algorithme de colonies de fourmis a ´ et´ e ` a l’origine surtout utilis´ e pour produire des solu-

tions quasi-optimales au probl` eme du voyageur de commerce, puis, plus g´ en´ eralement,

aux probl` emes d’optimisation combinatoire. Depuis ses d´ ebuts son emploi s’est ´ etendu

` a plusieurs domaines, tel que dans le cadre de l’intelligence en essaim (Bonabeau et al.,

1999) ou dans le cadre de l’optimisation continue (Dr´ eo and Siarry, 2004).

IMPL´ EMENTATION DES M´ ETAHEURISTIQUES

6.3/

Dans cette partie du chapitre nous d´ ecrivons les diff´ erentes m´ ethodes de recherche lo-

cale que nous avons utilis´ e pour la r´ esoudre notre probl` eme d’optimisation de parcours

de formation en m-learning. Nous commenc ¸ons par d´ ecrire l’algorithme glouton utilis´ e

pour construire la solution initiale s0.

6.3.1/

CONSTRUCTION D’UNE SOLUTION INITIALE PAR UN ALGORITHME DE

TYPE GLOUTON

Un algorithme glouton est un algorithme qui suit le principe de faire, ´ etape par ´ etape,

un choix optimum local, dans l’espoir d’obtenir un r´ esultat optimum global sans retour

arri` ere. Nous passons en entr´ ee un graphe G de LO pond´ er´ es repr´ esentant l’ensemble

des parcours de formations possibles. L’algorithme commence son exploration ` a partir

d’un LO de d´ epart, loinit∈ D.

L’algorithme glouton doit construire pas ` a pas un chemin dans le graphe G. Il doit aussi

s’assurer de construire un chemin qui passe par tous les LO Objectif de la formation.

Les LO Objectif du grapheG ne respectant pas un ordre d’apprentissage particulier, l’al-

gorithme va choisir al´ eatoirement le prochain objectif ` a r´ ealiser dans le graphe G. Ainsi ` a

chaque ´ etape, l’algorithme choisit par une heuristique le prochain objectif al´ eatoirement

dans l’ensemble des objectifs, puis il calcule le plus court chemin pour atteindre cet objec-

tif, par un algorithme de type Dijkstra (en th´ eorie des graphes, l’algorithme de Dijkstra est

un algorithme traditionnel mis ` a jour par (Dijkstra, 1971) qui sert ` a r´ esoudre le probl` eme

du plus court chemin dans un graphe).

L’algorithme s’arrˆ ete lorsque lofin∈ OBJ est atteint.

L’algorithme glouton est le suivant :

Algorithm 10 : Algorithme de construction de la solution s0avec une m´ ethode gloutonne

Input :

Un graphe orient´ e G de LO pond´ er´ es

L’ensemble OBJ des LO de type objectif

Un LO de d´ epart loinit∈ D et un LO fin lofin∈ OBJ

154


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

Output :

Une solution s0: une liste ordonn´ ee de LO ` a suivre pour valider tous les objectifs

s0= loinit

locourant= loinit

ObjNonValides = OBJ ensemble des LO objectif non valid´ es

O LO de type objectif

while locourant! = lofindo

O = RechercherAleatoireObj(G,locourant,ObjNonValides)

s0

s0= s0∪ s0

Mettre ` a jour ObjNonValides = ObjNonValides \ {O}

Mettre ` a jour locourant

end while

Return s0

0= Dijkstra(G,locourant,O)

0

Algorithm 11 : Fonction Dijkstra (G, loinit, lofin)

Input :

Un graphe orient´ e G de LO pond´ er´ es

loinitLO de d´ epart, lofinLO d’arriv´ e

Output :

s0

dist tableau des distance entre les LO

0: une liste ordonn´ ee de LO formant le plus court chemin entre loinitet lofin

for i = 0 to |LO| do

//on initialise les sommets autres que sdeb loinit` a infini infini

dist[loi] = ∞

end for

// loinit´ etant le point le plus proche de loinitla distance est ´ egale ` a 0

dist[loinit] = 0

F = Ensemble de tous les LO non visit´ es de type non objectif

while F! = ∅ do

//Trouver le LO dans F avec dist le plus petit

lo1 = TrouverMin(F)

F = F \ {lo1}

for chaque lo2suivantde lo1 do

if dist[lo2] > dist[lo1] + Pert(lo1) then

dist[lo2] = dist[lo1] + Pert(lo1)

lo2precedent= lo1 //dit que pour aller ` a lo2 il faut passer par lo1

end if

end for

end while

s0

0= ∅

155


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

locourant= lofin

while locourant! = loinitdo

s0

locourant= loprecedent

end while

s0

Return s0

0

0= Ajouter(s0

0,locourant)

0= Ajouter(s0

0,loinit)

AM´ ELIORATION DE RECHERCHE LOCALE PAR UN ALGORITHME HILL-

CLIMBING

6.3.2/

La m´ ethode de recherche locale la plus simple est la m´ ethode Hill-Climing. Le principe

est tr` es simple : on construit une solution initiale dans notre cas avec la m´ ethode glou-

tonne, puis on mute cette solution (une modification ´ el´ ementaire) en esp´ erant qu’elle soit

meilleure que la pr´ ec´ edente. Une modification ´ el´ ementaire dans notre cas consiste ` a

remplacer le chemin reliant un loiet un lojde la solution courante par une seule arˆ ete

reliant directement ces deux LO. It´ erativement, de nouvelles solutions candidates dans

le voisinage de la solution courante sont g´ en´ er´ ees et test´ ees.

Algorithm 12 : Algorithme Hill-Climbing

Input :

Une solution s0obtenue par un algorithme glouton

Output :

Une solution valide s am´ elioration de s0

Nombre maximal d’it´ erations MaxIter

Nombre maximal total d’it´ erations MaxTotalIter

NbIter = 0, NbTotalIter = 0, sactuelle= s0

repeat

NbTotalIter = NbTotalIter + 1

repeat

NbIter = NbIter + 1

G´ en´ erer svoisinepar une transformation ´ el´ ementaire de sactuelle

if Pert(Svoisine) > Pert(Sactuelle) then

sactuelle= svoisine

NbIter = 0

end if

until NbIter == MaxIter

until NbTotalIter == MaxTotalIter

156


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

s = sactuelle

Return s

Ce proc´ ed´ e est r´ ep´ et´ e aussi longtemps que la valeur de la fonction Pert est am´ elior´ ee.

La recherche s’arrˆ ete d` es qu’un optimum local est atteint ou que le nombre maximum

d’it´ erations est atteint.

Nous avons choisi d’appliquer une variante du Hill-Climbing qui n’explore pas

int´ egralement le voisinage mais qui choisit le premier voisin de meilleure qualit´ e.

La m´ ethode Hill-Climbing adapt´ ee ` a notre probl` eme est d´ ecrite par l’algorithme 12.

AM´ ELIORATION DE RECHERCHE LOCALE PAR UN ALGORITHME DE RECUIT

SIMUL´ E

6.3.3/

Nous avons utilis´ e un algorithme bas´ e sur le recuit simul´ e pour chercher une combinai-

son optimale de LO. Cet algorithme a la capacit´ e de converger vers une bonne solution

en un temps raisonnable pour une application quasi temps r´ eel.

Par rapport ` a l’algorithme Hill-Climbing, l’algorithme de recuit simul´ e varie dans sa

mani` ere de choisir quand remplacer une solution s par une solution s0: si s0est meilleure

que s alors s0remplace toujours s, mais si s0est moins bonne que s alors on ne peut

remplacer s par s0qu’` a une certaine probabilit´ e P(t,M Pert(s, s0)) :

P(t,M Pert(s, s0)) =eMPert(s,s0)

(6.11)

t

avec M Pert(s, s0) = Pert(s0) − Pert(s) et t ≥ 0

Si la temp´ erature t est tr` es grande, la probabilit´ e P s’approche de 1. L’id´ ee est d’initialiser

t ` a une grande valeur pour bouger ` a chaque nouvelle solution cr´ e´ ee sans quasiment

prendre en compte leur qualit´ e de d´ epart, avec un parcours quasi al´ eatoire de l’espace

des solutions. Puis t d´ ecroit lentement jusqu’` a une temp´ erature de gel.

Le taux de d´ ecroissance de la temp´ erature t est appel´ e taux d’amortissement. Nous

choisissons un taux d’amortissement fonctionnant par paliers comme suit :

tit= g(tit−1) = λ ∗ tit−1= λit∗ t0

o` u it est l’itt´ eration actuelle et 0 < λ < 1

(6.12)

L’algorithme de recuit simul´ e est le suivant :

157


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

Algorithm 13 : Algorithme de recuit simul´ e

Input :

Une solution s0obtenue par un algorithme glouton

Output :

Une solution valide s am´ elioration de s0

Nombre maximal d’it´ erations MaxIter

Constante de refroidissement λ

NbIter = 0

it = 0

sactuelle= s0

Temp´ erature initiale t = tit

while t > tgeldo

repeat

NbIter = NbIter + 1

G´ en´ erer svoisinepar une transformation ´ el´ ementaire de sactuelle

M Pert = Pert(svoisine) − Pert(sactuelle)

if M Pert < 0 then

sactuelle= svoisine

else

r = random(0,1)

if r < P(t,M Pert) then

sactuelle= svoisine

NbIter = 0

end if

end if

until NbIter == MaxIter

it = it + 1

tit= λ ∗ t0

t = tit

end while

s = sactuelle

Return s

AM´ ELIORATION DE RECHERCHE LOCALE PAR UN ALGORITHME TABOU

6.3.4/

La m´ ethode tabou consiste ` a explorer ` a partir d’une solution s donn´ ee le voisinage que

nous appelons N(s), et ` a choisir la solution dans ce voisinage qui donne la meilleure

158


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

valeur de la fonction objectif Pert. Nous appelons cette meilleure solution m.

Il est essentiel de noter que cette op´ eration peut conduire ` a d´ egrader la valeur de la

fonction Pert car l’algorithme accepte parfois des solutions qui n’am´ eliorent pas toujours

la solution courante : c’est le cas lorsque toutes les solutions du voisinage ont une valeur

plus mauvaise de la fonction objectif. C’est ` a partir de ce m´ ecanisme que l’on sort d’un

optimum local.

Le risque cependant est qu’` a l’´ etape suivante, on retombe dans l’optimum local auquel on

vient d’´ echapper. C’est pourquoi il faut que l’algorithme ait de la m´ emoire : le m´ ecanisme

consiste ` a interdire dans une liste tabou les derni` eres solutions visit´ ees ou certaines

composantes des solutions. Dans notre cas nous proposons de conserver les derni` eres

solutions d´ ej` a explor´ ees dans une liste tabou T d’une taille donn´ ee t, avec t un param` etre

ajustable de l’algorithme. T doit conserver des solutions compl` etes, ce qui pour un jeu

de donn´ ees de grande taille, n´ ecessite l’archivage d’une grande quantit´ e de donn´ ees.

Nous contournons cet obstacle en ne gardant en m´ emoire que les t derni` eres solutions

associ´ es ` a la valeur de la fonction Pert. Quand le nombre t est atteint, chaque nouvelle

solution s´ electionn´ ee remplace la plus ancienne dans la liste. La construction de la liste

tabou est bas´ ee sur le principe FIFO (First In First Out), c’est-` a-dire le premier entr´ e est

le premier sorti. Comme crit` ere d’arrˆ et nous fixons un nombre maximum d’it´ erations.

L’algorithme tabou est le suivant :

159


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

Algorithm 14 : Algorithme tabou

Input :

Une solution s0obtenue par un algorithme glouton

Output :

Une solution valide s am´ elioration de s0

Nombre maximal d’it´ erations MaxIter

Une liste tabou initialement vide T = ∅

t taille de la liste tabou

m meilleure solution

NbIter = 0

sactuelle= s0

m = s0

k = 0 compteur sur la taille de la liste tabou

repeat

NbIter = NbIter + 1

G´ en´ erer un ensemble N(sactuelle) de solutions voisines ` a sactuelle

//Choisir svoisine le meilleur voisin de s tel que svoisine

N(sactuelle),Pert(svoisine) > Pert(s0

svoisine= best(N(sactuelle))

if Pert(svoisine) > Pert(m) then

if k < t then

m = svoisine

Mettre ` a jour T //ajouter svoisine` a T

k = k + 1

else

k = 0

end if

end if

until NbIter == MaxIter

s = m

Return s

T et ∀s0

<

voisine

voisine)

AM´ ELIORATION DE RECHERCHE LOCALE PAR UN ALGORITHME VNS

6.3.5/

La recherche ` a voisinage variable (Hansen et al., 2010) est une m´ ethode r´ ecente pro-

pos´ ee afin d’am´ eliorer les performances les techniques classiques de recherche locale.

Il s’agit cette fois ci de d´ efinir non pas un voisinage, mais plusieurs voisinages possibles

pour une solution.

Avant tout, on a besoin d’une solution de d´ epart (obtenue par un algorithme glouton). En-

160


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

suite, pour explorer un espace de solutions, il faut savoir comment passer d’une solution

` a une autre (figure 6.12).

FIGURE 6.12 – Exploration de l’espace des solutions par une m´ ethode VNS

L’algorithme proc` ede comme suit : ` a partir d’une solution s0choisie al´ eatoirement dans le

premier voisinage N0de la solution initiale s0, l’algorithme effectue une recherche

locale pour trouver une meilleure solution. Quand un optimum local est trouv´ e,

l’algorithme relance le processus de recherche locale en consid´ erant cette fois ci

le second voisinage de la solution courante, et ainsi de suite jusqu’` a trouver un

optimum qui ne puisse pas ˆ etre am´ elior´ e par aucun des voisinages d´ efinis.

La recherche locale effectu´ ee ` a chaque ´ etape de l’algorithme peut ˆ etre une simple

m´ ethode de descente, ou bien une m´ ethode plus sophistiqu´ ee comme la m´ ethode

de recuit simul´ e ou la m´ ethode tabou. Plus le nombre de voisinage est ´ elev´ e, plus

la m´ ethode se rapproche d’une recherche globale, et plus les temps d’ex´ ecution

sont longs. Il s’agit donc de trouver un compromis en temps d’ex´ ecution et en

qualit´ e.

FIGURE 6.13 – Introduction de la perturbation dans la recherche ` a voisinage variable

161


Mlearning

6.3. IMPL´EMENTATION DES M´ETAHEURISTIQUES

Nous choisissons d’utiliser des voisinages de plus en plus larges. Ainsi le premier

voisinage est obtenu de la mˆ eme mani` ere que pour les algorithmes pr´ esent´ es

dans les sections pr´ ec´ edentes : il s’agit de changer al´ eatoirement un chemin

entre un loiet un lojpar une seule arˆ ete reliant directement ces deux LO. L’al-

gorithme comporte une phase de perturbation qui consiste ` a s’´ echapper d’un

optimum local pour diversifier la recherche. Pour sortir des optimum locaux, nous

introduisons de nouveaux voisinages Nn, avec n ∈ {1,2,...,nmax}. La perturbation

d´ evelopp´ ee correspond ` a modifier la solution courante en appliquant n transfor-

mations ´ el´ ementaires induisant le voisinage Nn. n est syst´ ematiquement mis ` a

jour (figure 6.13).

L’algorithme de recherche ` a voisinage variable proc` ede comme suit :

Algorithm 15 : Algorithme de recherche ` a voisinage variable

Input :

Une solution s0obtenue par un algorithme glouton

Output :

Une solution valide s am´ elioration de s0

Nombre maximal d’it´ erations MaxIter1

Nombre maximal d’it´ erations MaxIter2

nmaxnombre maximum de transformations ´ el´ ementaires

NbIter = 0, sactuelle= s0, n = 1

while n < nmaxdo

while NbIter < MaxIter1 do

G´ en´ erer un ensemble Nk(sactuelle) de solutions voisines ` a sactuelle

svoisine= ChoixAleatoireDans(Nk(sactuelle))

s0

if Pert(s0

sactuelle= s0

voisine

n = 1

else

NbIter = NbIter + 1

end if

end while

n = n + 1

NbIter = 0

end while

s = sactuelle

Return s

voisine= HillClimbing(svoisine, MaxIter2)

voisine) > Pert(svoisine) then

162


Mlearning

6.4. R´ESULTATS EXP´ERIMENTAUX

R´ ESULTATS EXP´ ERIMENTAUX

6.4/

Apr` es avoir s´ electionn´ e les heuristiques qui nous int´ eressent pour la r´ esolution

du probl` eme de combinaison optimis´ ee des LO, et apr` es les avoir impl´ ement´ ees,

nous effectuons des tests sur les diff´ erentes m´ etaheuristiques. Quelques bench-

marks ont ´ et´ e r´ ealis´ es pour comparer l’efficacit´ e des diff´ erents algorithmes

pr´ esent´ es dans la section 6.3. L’objectif de ce comparatif est de d´ eterminer quelle

m´ etaheuristique est la plus efficace pour am´ eliorer la qualit´ e des solutions par

rapport aux r´ esultats fournis par l’algorithme glouton. Nous pr´ esentons dans cette

deuxi` eme partie du chapitre, les jeux de donn´ ees utilis´ es pour nos tests, les pa-

ram` etres choisis pour les m´ etaheuristiques, et les r´ esultats exp´ erimentaux de ces

tests.

JEUX DE DONN´ EES

6.4.1/

Nos benchmarks ont ´ et´ e r´ ealis´ es ` a partir de jeux de donn´ ees r´ eelles et de

donn´ ees al´ eatoires :

– Donn´ ees r´ eelles : Dans le jeu de donn´ ees r´ eelles nous proposons un ensemble

de LO accessibles sur trois types de supports de formations : ordinateur, ta-

blette et smartphone. Cet ensemble est compos´ e en total de 404 LO, incluant

22 objectifs de formations obligatoires ` a atteindre. Chaque LO poss` ede une

dur´ ee et une pond´ eration. Les LO sont reli´ es entre eux par des arcs. Nous

comptons dans ce jeux de donn´ ees 2178 transitions possibles entre les LO. Ce

jeu de donn´ ees est extrait du catalogue de CrossKnowledge.

– Donn´ ees al´ eatoires : Dans le jeu de donn´ ees al´ eatoires nous proposons un

ensemble de LO accessibles sur trois types de supports de formations : ordi-

nateur, tablette et smartphone. Cet ensemble est compos´ e en total de 3488

LO, incluant 75 objectifs de formations obligatoires ` a atteindre. Les dur´ ees et

les poids des LO sont aussi d´ efinis al´ eatoirement. Les LO sont reli´ es entre

eux par des arcs. Nous comptons dans ce jeu de donn´ ees 19705 transitions

possibles entre les LO.

Afin de simuler au mieux une utilisation r´ eelle, nous disposons de plusieurs profils

apprenants d´ ecrits par des pr´ ef´ erences diff´ erentes et des contextes diff´ erents.

Pour nos tests exp´ erimentaux, nous avons g´ en´ er´ e 3 profils apprenants :

– Appr1 : L’apprenant 1, a une pr´ ef´ erence pour des contenus de type lecture

de densit´ e s´ emantique moyenne non interactifs de difficult´ e de niveau 3 et de

pr´ ef´ erence en langue franc ¸aise. Il est dans son bureau et souhaite utiliser son

ordinateur pour se former. En cours de formation cet apprenant se d´ eplace

163


Mlearning

6.4. R´ESULTATS EXP´ERIMENTAUX

dans un autre bureau et souhaite maintenant utiliser sa tablette.

– Appr2 : L’apprenant 2, a une pr´ ef´ erence pour des contenus de type audio de

densit´ e s´ emantique faible interactifs et de difficult´ e de niveau 1. Il est dans un

bus et souhaite utiliser son Smartphone pour se former, si non une tablette.

Arriv´ e chez lui, il souhaite reprendre sa formation mais sur son ordinateur.

– Appr3 : L’apprenant 3, suit une formation de niveau de difficult´ e 2, int´ egrant des

quizzs et des exercices r´ ecapitulatifs. Il est dans un espace de travail ouvert et

a ` a sa disposition un ordinateur, une tablette pour se former. Il se reconnecte ` a

sa plateforme d’apprentissage le week-end pour reprendre sa formation et a ` a

sa disposition une tablette et un Smartphone pour se former.

Dans le chapitre 6, nous avons d´ efini la fonction Pert comme ´ etant l’agr´ egation

de deux objectifs. Les valeurs choisies de α et β sont laiss´ ees ` a l’appr´ eciation de

l’utilisateur final. α et β peuvent varier entre [0,1] pour mettre un des deux objectifs

en avant, ou leur donner la mˆ eme importance. Dans notre cas nous faisons varier

α et β pour chacun des profils apprenants d´ efinis pr´ ec´ edemment comme suit :

Pert1(α = 0.1,β = 0.9), Pert2(α = 0.7,β = 0.3) et Pert3(α = 0.5,β = 0.5).

Ainsi nous obtenons 9 instances ` a tester : Appr1Pert1, Appr1Pert2, Appr1Pert3,

Appr2Pert1, Appr2Pert2, Appr2Pert3, Appr3Pert1, Appr3Pert2 et Appr3Pert3.

PARAM´ ETRAGE DES ALGORITHMES ET R´ ESULTATS

6.4.2/

Dans cette section nous rapportons les r´ esultats obtenus en utilisant un simple

algorithme de type glouton, obtenus respectivement sur des donn´ ees r´ eelles et

des donn´ ees al´ eatoires pour calculer un parcours de formation global.

Nous rapportons aussi les r´ esultats obtenus par les algorithmes glouton (G), Hill-

Climbing (HC), de recuit simul´ e (RS), tabou (T), et de recherche ` a voisinage va-

riable (VNS), obtenus respectivement sur des donn´ ees r´ eelles et des donn´ ees

al´ eatoires pour calculer un parcours de formation global. L’objectif est de justifier

l’utilisation d’algorithmes complexes de type m´ etaheuristiques par rapport un une

m´ ethode simple de type glouton.

Les r´ esultats report´ es dans ce tableau 6.1 pr´ esentent pour chaque algorithme les

valeurs de la fonction objectif Pert pour les 9 instances obtenus en combinant les

apprenants Appr1, Appr2 et Appr3 avec les variations Pert1, Pert2 et Pert3. Pour

chaque algorithme nous rapportons les valeurs moyennes de la fonction objec-

tif Pert pour 1000 ex´ ecutions de chaque algorithme, ainsi que le temps moyen

d’ex´ ecution en secondes.

Nous param´ etrons les diff´ erents algorithmes comme suit :

– Pour le Hill-Climbing, nous fixons MaxTotalIter = 1000 et MaxIter = 5000.

164


Mlearning

6.4. R´ESULTATS EXP´ERIMENTAUX

– Pour le recuit simul´ e, nous fixons MaxIter = 4000, λ = 0.6, t0= 10000 et tgel=

100.

– Pour le tabou, nous fixons MaxIter = 5000 et t = 500.

– Pour la recherche ` a voisinage variable, nous fixons MaxIter1 = 500, MaxIter2 =

150 et nmax= 3.

Ces tests ont ´ et´ e effectu´ es sur une machine virtuelle de type Intel(R) Xeon(R)

CPU E5-2430l 0 @ 2.20 Ghz.

Jeu de donn´ ees r´ eelles

HC

RS

36.86

40.21

46.78

53.06

61.16

68.36

149.79

157.19

158.30

159.32

153.37

156.11

115.32

129.77

123.80

125.83

118.46

125.33

Jeu de donn´ ees al´ eatoires

HC

RS

53.90

69.55

191.73

196.24

158.48

187.26

259.32

265.32

217.28

221.20

263.79

264.13

122.75

130.37

175.48

182.48

195.40

198.13

Instance

G

T

VNS

67.46

79.20

81.92

164.36

166.78

165.38

135.97

136.97

136.00

Appr1Pert1

Appr2Pert1

Appr3Pert1

Appr1Pert2

Appr2Pert2

Appr3Pert2

Appr1Pert3

Appr2Pert3

Appr3Pert3

32.36

35.96

60.26

147.33

152.71

150.05

113.82

122.79

111.37

57.55

58.46

71.16

158.42

161.15

159.77

131.79

129.83

126.28

Instance

G

T

VNS

161.1

204.40

205.98

272.75

240.57

272.79

168.97

218.48

206.14

Appr1Pert1

Appr2Pert1

Appr3Pert1

Appr1Pert2

Appr2Pert2

Appr3Pert2

Appr1Pert3

Appr2Pert3

Appr3Pert3

35.00

155.75

154.88

257.60

201.63

261.67

105.59

165.42

191.11

81.73

197.14

194.47

267.11

228.27

268.65

149.87

186.00

200.21

TABLE 6.1 – Valeurs moyennes de Pert pour les algorithmes G, HC, RS, T et VNS

Le tableau comparatif 6.1 montre que les quatre algorithmes HC, RS, T et VNS

am´ eliorent consid´ erablement la valeur moyenne de la fonction Pert par rapport ` a

un simple algorithme de type glouton aussi bien pour le jeu de donn´ ees r´ eelles

que pour le jeu de donn´ ees al´ eatoires.

Le tableau montre aussi que la recherche ` a voisinage variable randomis´ e est la

m´ ethode qui fournit les r´ esultats les plus proches de l’optimum (les plus grandes

valeurs moyennes de la fonction Pert, aussi bien pour le jeu de donn´ ees r´ eelles

165


Mlearning

6.5. CONCLUSION

que pour le jeu de donn´ ees al´ eatoires). En deuxi` eme position l’algorithme tabou,

fournit des r´ esultats moins bons que la recherche ` a voisinage variable randomis´ e,

mais meilleurs que l’algorithme de recuit simul´ e et l’algorithme Hill-Climbing. Fi-

nalement, les valeurs moyennes de la fonction Pert des combinaisons trouv´ ees

par l’algorithme Hill-Climbing sont les moins bonnes (les plus petites valeurs

moyennes de la fonction Pert, aussi bien pour le jeu de donn´ ees r´ eelles que pour

le jeu de donn´ ees al´ eatoires).

Temps (s) : Jeu de donn´ ees r´ eelles

5.01

5.23

5.36

5.56

5.58

Temps (s) : Jeu de donn´ ees al´ eatoires

6.12

6.21

6.37

6.52

6.56

Algorithme

G

HC

RS

T

VNS

Algorithme

G

HC

RS

T

VNS

TABLE 6.2 – Temps moyen d’ex´ ecution pour les algorithmes G, HC, RS, T et VNS

En ce qui concerne le temps d’ex´ ecution, et pour r´ epondre aux contraintes indus-

trielles pour le d´ eveloppement de l’application, nous limitons le temps d’ex´ ecution

des diff´ erents algorithmes. Le temps d’ex´ ecution de chaque algorithme doit rester

born´ e entre 0 et 10.

Dans le tableau 6.2 et pour chaque algorithme nous rapportons le temps moyen

d’ex´ ecution en secondes. L’algorithme glouton reste le plus rapide. L’algorithme

de recherche ` a voisinage variable met un peu plus de temps d’ex´ ecution. Mais

aucun algorithme ne d´ epasse les 10s (inf´ erieur ` a 6s pour un jeu de donn´ ees

r´ eelles et inf´ erieur ` a 7s pour un jeu de donn´ ees al´ eatoires).

C’est finalement l’algorithme de recherche ` a voisinage variable qui nous fournit le

meilleur compromis entre qualit´ e des r´ esultats et temps d’ex´ ecution.

6.5/

CONCLUSION

Ce chapitre est constitu´ e de quatre grandes parties :

Dans la premi` ere partie nous avons d´ efini le probl` eme d’optimisation combina-

166


Mlearning

6.5. CONCLUSION

toire en m-learning. L’objectif est de trouver un ensemble d’objets p´ edagogiques

corr´ el´ es, formant un parcours de formation valide optimisant l’exp´ erience de for-

mation de l’apprenant. Cette optimisation doit prendre en consid´ eration deux ob-

jectifs : maximiser le poids total de la formation globale pour maximiser le gain

de connaissance, et minimiser l’´ ecart entre la dur´ ee totale pr´ evue et la dur´ ee au-

toris´ ee de formation. La solution ´ etablie doit prendre en consid´ eration plusieurs

contraintes dont la disponibilit´ e des supports de formations et le contexte d’ap-

prentissage du moment.

Dans la deuxi` eme partie nous avons dress´ e un ´ etat de l’art des m´ etaheuristiques.

Nous avons pr´ esent´ e les principales m´ etaheuristiques utilis´ ees pour r´ esoudre

des probl` emes d’optimisation. Elles ont ´ et´ e regroup´ ees en deux grandes familles,

les m´ etaheuristiques de recherche locale et les m´ etaheuristiques ´ evolutives. La

premi` ere famille recherche la meilleure solution en parcourant l’espace des solu-

tions en passant d’une solution ` a une autre de mani` ere it´ erative. Les diff´ erences

principales entre ces m´ ethodes se situent au niveau du choix de la solution voi-

sine et au niveau du crit` ere d’arrˆ et. La deuxi` eme famille recherche la meilleure so-

lution en se basant sur un ´ echantillon de solutions candidates au lieu d’une seule

solution candidate. Les diff´ erences entre ces m´ ethodes r´ esident principalement

dans les techniques de s´ election des individus de la population, de croisement

entre ces individus, de mutations et de l’int´ egration des nouveaux individus dans

l’´ echantillon de population suivant.

Les m´ etaheuristiques bas´ ees sur une population sont g´ en´ eralement plus

coˆ uteuses, en temps de calcul, que les m´ etaheuristiques de recherche locale

pour trouver la meilleure ou une bonne solution. Cependant, un de leurs int´ erˆ ets

est qu’elles engendrent une population de solutions tendant vers l’optimum alors

que celles ` a ´ etat simple ne proposent qu’une seule solution.

Pour le probl` eme qui nous est pos´ e, et surtout pour l’application ` a fournir ` a l’utili-

sateur final, il n’est pas envisag´ e, dans un premier temps, de lui fournir plusieurs

combinaisons possibles. De plus dans un contexte mobile la rapidit´ e de r´ eponse

est exig´ ee : le temps de calcul des m´ etaheuristiques bas´ ees sur une population

´ etant plus long, nous pr´ ef´ erons utiliser des m´ etaheuristiques de recherche locale,

surtout que l’optimisation de plusieurs objectifs et la multimodalit´ e du probl` eme

rajoutent de la complexit´ e.

Dans les deux derni` eres parties du chapitre, nous avons tout d’abord

pr´ esent´ e l’impl´ ementation de diff´ erentes m´ etaheuristiques pour la r´ esolution du

probl` eme d’optimisation combinatoire, appliqu´ e au domaine du m-learning. Ces

m´ etaheuristiques ont ´ et´ e test´ ees sur un jeu de donn´ ees r´ eelles et un jeu de

donn´ ees al´ eatoires, et des benchmarks de comparaison de performances sui-

vant la fonction de pertinence et le temps de r´ eponse ont ´ et´ e r´ ealis´ es.

Un algorithme simple de type glouton et quatre algorithmes plus complexes ont

167


Mlearning

6.5. CONCLUSION

´ et´ e test´ es pour la g´ en´ eration de combinaisons de LO. Afin d’am´ eliorer la solution

obtenu par un algorithme glouton nous avons utilis´ e un algorithme bas´ e sur le

recuit simul´ e, l’algorithme Hill-Climbing, l’algorithme tabou et l’algorithme de re-

cherche ` a voisinage variable : ces diff´ erents algorithmes ont ´ et´ e compar´ es et il en

ressort que la recherche ` a voisinage variable est sup´ erieur en terme de qualit´ e

de la solution finale.

168


Mlearning

IV

CONCLUSION ET TRAVAUX FUTURS

169


Mlearning

CONCLUSION ET TRAVAUX FUTURS

CONCLUSION

Le travail de recherche pr´ esent´ e dans cette th` ese d´ efinit une nouvelle approche

pour un syst` eme de recommandation sensible au contexte appliqu´ e au domaine

du m-learning combinant les technologies du Web s´ emantique et des algorithmes

d’optimisation combinatoire.

Ce syst` eme est compos´ e d’une partie statique repr´ esentant ` a la fois les contenus

d’apprentissage et le contexte de l’apprenant et une partie adaptative et dyna-

mique contenant des r` egles de comportement dans un contexte de mobilit´ e et

des m´ etaheuristiques d’optimisation combinatoire.

Notre objectif est de proposer ` a l’apprenant une combinaison constitu´ ee de plu-

sieurs items suivant un contexte particulier. Les items correspondent ici ` a des

briques de formation appel´ es objets p´ edagogiques, ou LO pour Learning Object.

Notre approche permet aux formateurs de repr´ esenter leur savoir-faire en utili-

sant des r` egles m´ etier et une ontologie de domaine du m-learning pour assurer

une h´ et´ erog´ en´ eit´ e des connaissances. Ensuite, dans un environnement de mo-

bilit´ e, elle permet de prendre en compte les contraintes de l’environnement et les

contraintes utilisateur. Enfin, la partie m´ etaheuristique de notre proposition per-

met une combinaison dynamique d’objets p´ edagogiques pour former un parcours

de formation en fonction de ces contraintes.

En ´ etudiant l’architecture des syst` emes hyperm´ edia adaptatifs nous avons pu

identifier un ensemble minimum de trois couches pour mod´ eliser notre syst` eme.

Ses couches adapt´ ees ` a notre architecture sont le mod` ele des LO, le mod` ele de

contexte et le mod` ele d’adaptation :

– Le premier mod` ele, le mod` ele des LO, permet de pr´ esenter les contenus sous

formes d’instanciation d’objets p´ edagogiques. L’id´ ee fondamentale derri` ere la

cr´ eation des objets p´ edagogiques est la possibilit´ e de construire un parcours de

formation autour de composants de petite taille s´ emantiquement h´ et´ erog` enes

qui peuvent ˆ etre r´ eutilis´ es plusieurs fois dans diff´ erents contextes d’apprentis-

sage.

171


Mlearning

– Le deuxi` eme mod` ele, le mod` ele de contexte, permet de pr´ esenter le contexte

d’apprentissage.

– Finalement dans le mod` ele d’adaptation sont impl´ ement´ es les diff´ erents algo-

rithmes utilis´ es pour proposer des recommandations aux utilisateurs.

Nous avons bˆ ati notre proposition sur cet ensemble de couches en regroupant

dans une partie nomm´ ee serveur s´ emantique de connaissances le mod` ele des

LO et le mod` ele de contexte. Nous avons ajout´ e ` a ce serveur s´ emantique de

connaissances un mod` ele de contraintes permettant de prendre en compte le

savoir-faire du fournisseur des contenus dans les propositions du syst` eme de

recommandation sous forme de r` egles m´ etier.

L’instanciation de chaque couche de l’architecture pour le syst` eme m-learning a

´ et´ e d´ ecrite en d´ etail. Nous avons mis au point des techniques permettant d’appor-

ter des solutions ` a des verrous technologiques comme l’h´ et´ erog´ en´ eit´ e et la porta-

bilit´ e des objets p´ edagogiques et la prise en compte d’un contexte variable et dy-

namique. Le processus de cr´ eation d’une ontologie de domaine du m-learning a

´ et´ e d´ etaill´ e. Cette ontologie permet de d´ ecrire en partie le contexte de l’apprenant

et les contenus p´ edagogiques en se basant sur la base de donn´ ees de CrossK-

nowledge, des normes de standardisation en apprentissage ´ electronique et les

connaissances d’experts. L’ontologie est enrichie par un ensemble de r` egles dans

le but d’effectuer de l’assistance aux d´ ecisions de l’utilisateur et de d´ ecrire le com-

portement du syst` eme dans un contexte mobile. Ces r` egles sont aussi utilis´ ees

pour apporter une pond´ eration aux objets p´ edagogiques, donnant les int´ erˆ ets des

apprenants pour les diff´ erents objets p´ edagogiques dans diff´ erents contextes. Le

processus de recherche combinatoire du mod` ele adaptatif va rechercher parmi la

multitude de combinaisons possibles d’objets p´ edagogiques, une solution conve-

nable optimale si possible, ` a proposer ` a l’apprenant.

L’architecture du syst` eme de recommandation combinatoire a ´ et´ e appliqu´ ee au

domaine du m-learning pour l’entreprise CrossKnowledge. Le but de cette ap-

plication est de proposer ` a l’apprenant un ensemble de parcours de formation.

Chaque parcours de formation contient ainsi un ensemble d’objets p´ edagogiques

destin´ es ` a ˆ etre d´ elivr´ es sans interruption, et respectant les r` egles de pr´ ec´ edence

de mani` ere ` a former un ensemble coh´ erent qui va permette de remplir l’objectif de

formation, et qui correspond ` a chaque ´ etape au contexte de l’apprenant, notam-

ment aux supports de d´ elivrance qui sont ` a sa disposition. Ce probl` eme est d´ efini

formellement comme un probl` eme d’optimisation combinatoire. Afin de tendre

vers une bonne solution en un temps raisonnable, nous avons propos´ e d’utiliser

des algorithmes de type m´ etaheuristiques. Nous avons pr´ esent´ e l’impl´ ementation

de diff´ erentes m´ etaheuristiques pour la r´ esolution du probl` eme d’optimisation

combinatoire, appliqu´ e au domaine du m-learning. Ces m´ etaheuristiques ont ´ et´ e

172


Mlearning

test´ ees sur un jeu de donn´ ees r´ eelles et un jeu de donn´ ees al´ eatoires, et des

benchmarks de comparaison ont ´ et´ e r´ ealis´ es, il en ressort que la recherche ` a

voisinage variable est sup´ erieur en terme de qualit´ e de la solution finale.

TRAVAUX FUTURS

Nous avons identifi´ e plusieurs pistes pour poursuivre nos travaux de recherche :

– Int´ egrer les travaux de l’´ equipe de recherche CIMEOS1(Laboratoire en

Sciences de l’Information et de la Communication de l’Universit´ e de Bour-

gogne) :

L’objectif est de faire ´ evoluer notre proposition de syst` eme m-learning vers une

solution socio-technique en int´ egrant les r´ esultats des travaux de recherche de

l’´ equipe CIMEOS. L’´ equipe de recherche CIMEOS travaille sur l’analyse et la

compr´ ehension du rˆ ole de la socialisation ´ electronique d’une part, et de l’ergo-

nomie des interfaces d’autre part.

Des travaux sont en cours sur l’organisation d’une exp´ erimentation psycho-

sociologique et ergonomique permettant de tester in situ les usages et les

pratiques se d´ eveloppant autour de la manipulation du prototype de syst` eme

m-learning que nous proposons dans notre architecture. Dans ce projet,

il convient d’observer l’appropriation du prototype via des m´ ethodologies

´ eprouv´ ees des sciences sociales (e.g. observation in situ, entretiens semi-

directifs) et d’en int´ egrer les conclusions dans le prototype final (conception

assist´ ee par l’usage).

– Int´ egration de la dimension sociale dans l’apprentissage et ´ evolution vers un

syst` eme de recommandation hybride :

L’apprentissage social (social learning ou s-learning)2est un mode d’appren-

tissage qui permet de partager, de construire, de collaborer avec d’autres ` a dis-

tance via des outils collaboratifs (wiki, chat, forum, blog, etc.) ou des r´ eseaux

sociaux d’entreprises, d’universit´ es, etc. L’apprenant n’est plus uniquement

destinataire du savoir dispens´ e par le formateur mais il devient acteur de la

plateforme d’apprentissage. Il participe ` a son propre apprentissage et colla-

bore avec le formateur et les autres apprenants. Enfin, il partage son savoir et

ses connaissances. On parle de communaut´ e d’apprentissage.

Notre proposition de syst` emes de recommandation se classe parmi les

syst` emes de recommandation bas´ es sur le contenu. Nous pouvons ainsi en-

richir notre proposition actuelle de syst` eme de recommandation bas´ e sur le

contenu en lui ajoutant des m´ ethodes collaboratives. Par exemple, il est pos-

1. http ://cimeos.u-bourgogne.fr/

2. http ://www.elearning-cegos.fr/notre-approche-e-learning/social-learning/

173


Mlearning

sible d’identifier des clusters d’apprenants, de sorte ` a relier les apprenants

entre eux selon leur profil et les notes donn´ ees aux objets p´ edagogiques ou

combinaisons d’objets p´ edagogiques. Il faudrait alors ajouter de nouvelles tech-

niques pour prendre en compte ces groupements d’utilisateurs. Elles engen-

dreraient une modification de la pond´ eration des objets p´ edagogiques selon

ces groupements. Le syst` eme hybride r´ esultant donnerait des r´ esultats plus

pertinents pour les apprenants.

– Automatisation du processus de g´ en´ eration des r` egles m´ etier :

Le mod` ele de contraintes de notre architecture de syst` eme de recommandation

a pour objectif de d´ ecrire les strat´ egies d’apprentissage et les connaissances

des experts en utilisant des r` egles m´ etier. Pour le moment, dans notre mod` ele

ces r` egles sont cr´ e´ ees et g´ en´ er´ ees manuellement. Pour une application indus-

trielle ce processus de g´ en´ eration des r` egles doit se faire automatiquement,

sans besoin de faire intervenir un expert pour chaque changement de contexte

de l’apprenant. Une id´ ee est de cr´ eer un ensemble de r` egles g´ en´ eriques qui

puissent s’adapter dynamiquement en fonction des chargements de contexte.

174


Mlearning

V

ANNEXES

175


Mlearning

A

LES HYPERM´ EDIA ADAPTATIFS

L’hyperm´ edia, obtenu par la fusion des techniques de l’hypertexte et du

multim´ edia, pr´ esente plusieurs avantages dans le cadre de l’apprentissage

´ electronique. En effet, d’une part, la composante multim´ edia am´ eliore l’aspect

visuel et ludique de l’apprentissage, et ainsi renforce l’int´ erˆ et de l’apprenant par

rapport au syst` eme d’apprentissage (Hoogeveen, 1995). D’autre part, la com-

posante hypertexte am´ eliore la qualit´ e de l’apprentissage grˆ ace ` a sa structure

non lin´ eaire, en aidant l’apprenant ` a construire sa connaissance (Delestre et al.,

1998). Cependant, un hyperm´ edia ne peut pas offrir des contenus personnalis´ es.

Les apprenants ont alors acc` es au mˆ eme ensemble de contenus sans prendre

en compte leurs diff´ erences : niveau de connaissances, int´ erˆ ets, motivations, ob-

jectifs, etc. Diff´ erentes recherches dans le domaine des hyperm´ edia adaptatifs

essayent de comprendre les relations entre le profil de l’apprenant, le contexte

dans lequel se d´ eroule l’apprentissage, et les contenus, ` a des fin d’adaptation

selon les besoins de l’apprenant.

La premi` ere partie de ce chapitre est divis´ ee en plusieurs sections. La premi` ere

section pr´ esente les avantages et les limites des syst` emes hyperm´ edia clas-

siques. La deuxi` eme section d´ ecrit les nombreuses architectures attach´ ees au

domaine des syst` emes hyperm´ edia adaptatifs. Cette ´ etude nous permet d’iden-

tifier une architecture pivot qui nous servira pour construire notre proposition. La

troisi` eme section pr´ esente les sp´ ecificit´ es des syst` emes hyperm´ edia adaptatifs

dans le domaine ´ educatif.

LES HYPERM´ EDIA CLASSIQUES

A.1/

La notion d’hypertexte fait son apparition en 1945 avec le projet MEMEX, lorsque

(Bush, 1945) a constat´ e que le nombre de rapports de recherche augmente rapi-

dement et qu’il devenait de plus en plus difficile de consulter des rapports. Il d´ ecrit

alors un projet MEMEX (MEMoryindEX) dans lequel il propose une machine mul-

177


Mlearning

A.1. LES HYPERM´EDIA CLASSIQUES

tim´ edia qui permet de sauvegarder des milliers d’informations sous forme de mi-

crofilms pour une meilleure collecte et consultation des documents :?a MEMEX is

a device in which individual stores all his books, records and communications, and

which is mechanized so that it may be consulted with exceeding speed and flexi-

bility?. Il remarque toutefois, que pour avoir un meilleur usage de cette machine,

il faut savoir chercher et retrouver l’information d´ esir´ ee parmi les milliers d’infor-

mations r´ epertori´ ees. Il d´ efinit alors un m´ ecanisme d’indexation des documents

par mots-clefs et propose un m´ ecanisme qui permet d’associer les documents et

ainsi de naviguer d’un document ` a un autre. Malheureusement ce projet ne verra

pas le jour, car sa vision ´ etait trop en avance par rapport aux technologies de

l’´ epoque.

Le terme hypertexte est introduit pour la premi` ere fois en 1965 par Nelson. Il

imagine un projet, nomm´ e XANADU, dont l’objectif est de cr´ eer une structure

permettant de relier toute la litt´ erature du monde dans un r´ eseau de publications

hypertextu´ e, universel et accessible ` a tous (Nelson, 1965). Au d´ ebut de ses tra-

vaux, Nelson a tent´ e d’appliquer sa vision ` a l’apprentissage assist´ e par ordinateur

et a propos´ e l’hypertexte comme nouvelle approche. Il dit qu’il faut laisser ` a l’ap-

prenant le soin de choisir ce qu’il d´ esire apprendre. Il faut donc lui donner une

vari´ et´ e de ressources int´ eressantes pour ce faire. Dans ces circonstances, les

apprenants sont motiv´ es pour atteindre un niveau d’accomplissement personnel

sup´ erieur ` a ce qu’ils peuvent accomplir dans le cadre d’un apprentissage tradi-

tionnel. La lente mise au point de XANADU s’est heurt´ ee ` a un concept moins

puissant, mais simple, ouvert, libre et utilisable imm´ ediatement, le World Wide

Web. Cependant, si Xanadu a failli dans sa r´ ealisation, il a jou´ e un rˆ ole important

dans l’´ evolution des syst` emes hypertextes1.

En 1968, Engelbart pr´ esente le premier syst` eme informatique fonctionnant sous

mode d’hypertexte, le NLS (oN Line System), une base de donn´ ees textuelle qui

facilite le travail en collaboration et o` u tous les intervenants sont reli´ es en r´ eseau.

Ce syst` eme fut par la suite int´ egr´ e dans le projet AUGMENT. Ce dernier propose

un environnement en r´ eseau pour la collecte de documents, des notes et des

rapports de recherche tout en fournissant des moyens de planification, d’analyse,

de r´ esolution de probl` emes entre collaborateurs (Engelbart, 1984).

D` es 1990, plusieurs syst` emes utilisant les techniques hypertextes apparaissent

sur le march´ e et le domaine qui tire le plus grand b´ en´ efice de cette technique est

le Web.

Mais qu’est-ce qu’un hypertexte? Un hypertexte est un syst` eme qui permet de

pr´ esenter diff´ erentes informations de fac ¸on non lin´ eaire. Les hypertextes sont

constitu´ es de nœuds et de liens : Les nœuds, ou pages de l’hypertexte, sont

1. http ://fr.wikipedia.org/wiki/Projet Xanadu

178


Mlearning

A.1. LES HYPERM´EDIA CLASSIQUES

constitu´ es d’informations textuelles; Les liens forment des ponts entre les pages

(Balasubramanian, 1994). Les nœuds et les liens forment ainsi un r´ eseau hy-

pertexte. Les hyperm´ edias se diff´ erencient des hypertextes par le contenu des

nœuds. Les nœuds ne contiennent plus seulement des donn´ ees textuelles, mais

peuvent aussi ˆ etre compos´ es de m´ edia divers, tels que des images, des vid´ eos,

etc.

Les syst` emes hypertextes/hyperm´ edias proposent deux types d’interactions per-

mettant d’aborder l’information de fac ¸ons diff´ erentes : l’interrogation et la navi-

gation. La m´ ethode d’acc` es par interrogation existait d´ ej` a dans les syst` emes de

bases de donn´ ees et dans les syst` emes de recherche d’information, par contre

la m´ ethode d’acc` es pas navigation est li´ e ` a la naissance de la technologie hy-

pertexte. (1) La m´ ethode d’acc` es par interrogation suppose que l’utilisateur sait

ce qu’il cherche (un nœud particulier ou un ensemble de nœuds du r´ eseau).

Pour y acc´ eder, il aura ` a formuler une requˆ ete pour r´ ecup´ erer l’information. (2)

La m´ ethode d’acc` es par navigation consiste ` a explorer librement les nœuds en

utilisant les liens pour atteindre d’autres nœuds.

La m´ ethode d’acc` es par interrogation et la m´ ethode d’acc` es par navigation intro-

duisent ainsi de la flexibilit´ e et de la simplicit´ e pour l’acc` es ` a l’information.

Mais au-del` a de ces avantages, les hyperm´ edias v´ ehiculent principalement deux

probl` emes, ` a savoir la d´ esorientation et la surcharge cognitive :

– La d´ esorientation est d´ efinie comme ? un effet cognitif produit chez l’usager

qui perd la liaison entre son projet de navigation, et les informations qu’il est en

train de lire?(Rheaume, 1993). En d’autres termes, ce ph´ enom` ene provient de

la perte de rep` eres au sein de la structure du r´ eseau hypertexte. L’utilisateur

risque alors de se poser des questions du type : o` u suis-je?, pourquoi suis-

je l` a? et que dois-je faire?. C’est cet effort de concentration n´ ecessaire pour

maintenir diff´ erentes navigations en mˆ eme temps qui entraˆ ıne une surcharge

cognitive de l’utilisateur du syst` eme.

– Un utilisateur est en surcharge cognitive quand il se trouve submerg´ e par

l’abondance d’informations et par l’exc` es de traitement ` a r´ ealiser (Platteaux,

2002). Cette surcharge correspond ` a la diminution d’attention et de concentra-

tion sur l’objectif principal due ` a notre m´ emoire humaine, qui n’est pas capable

de tout retenir (Rheaume, 1993).

En effet, les syst` emes hyperm´ edia classiques sont conc ¸us de fac ¸on ` a ce que

les mˆ emes nœuds et les mˆ emes liens soient pr´ esent´ es ` a tous les utilisateurs

sans prendre en consid´ eration leurs besoins, leurs exp´ eriences, leurs connais-

sances, etc. En cons´ equence, en empruntant des chemins inint´ eressants pour

lui, l’utilisateur peut facilement se perdre dans l’hyperespace et ˆ etre surcharg´ e

cognitivement.

179


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

Afin de minimiser les aspects n´ egatifs des hyperm´ edia classiques, les travaux de

recherche se sont focalis´ es sur une nouvelle approche des hyperm´ edias : les hy-

perm´ edia adaptatifs. L’objectif de ces syst` emes est d’adapter la pr´ esentation de

l’information et d’aider l’utilisateur ` a se diriger dans l’hyperespace.

LES HYPERM´ EDIA ADAPTATIFS

A.2/

Les syst` emes hyperm´ edia adaptatifs sont devenus tr` es populaires au d´ ebut des

ann´ ees 1990, afin de permettre aux utilisateurs d’acc´ eder ` a de l’information per-

sonnalis´ ee. Selon (Brusilovsky, 1996)?un syst` eme hyperm´ edia adaptatif est un

hypertexte ou un hyperm´ edia qui refl` ete certaines caract´ eristiques particuli` eres

d’un individu dans un mod` ele d’utilisateur, et applique ce mod` ele pour adapter

des aspects visibles de ce syst` eme ` a cet utilisateur ?. De cette d´ efinition, on peut

d´ eduire qu’un syst` eme hyperm´ edia adaptatif doit remplir les crit` eres suivants :

– ˆEtre un syst` eme d’information dont l’interface est un hyperm´ edia,

– ˆ etre capable de collecter des informations sur un utilisateur particulier et de

construire un mod` ele utilisateur (profil utilisateur),

– ˆ etre capable d’utiliser ce mod` ele pour adapter l’hyperm´ edia ` a cet l’utilisateur.

Les syst` emes hyperm´ edia adaptatifs sont utiles dans tout domaine o` u les ap-

plications sont utilis´ ees par des utilisateurs aux objectifs et aux connaissances

diff´ erents. Afin de guider la cr´ eation de tels syst` emes, une m´ ethodologie pro-

pos´ ee par (Brusilovsky, 1996) consiste ` a r´ epondre ` a un ensemble de questions.

Nous r´ epondons ` a ces questions dans la section suivante.

M´ ETHODE ET TECHNIQUES D’ADAPTATION

A.2.1/

En empruntant la terminologie propos´ ee par (Brusilovsky, 1996), une m´ ethode

d’adaptation d´ esigne une id´ ee au niveau conceptuel, une mani` ere d’envisager

l’adaptation, alors qu’une technique d’adaptation correspond aux moyens mis en

œuvre pour impl´ ementer une m´ ethode (repr´ esentations des connaissances, algo-

rithmes d’adaptation, etc.). Pour concevoir un syst` eme hyperm´ edia adaptatif, il est

n´ ecessaire de r´ epondre ` a un certain nombre de questions, afin de d´ eterminer les

m´ ethodes et techniques n´ ecessaires ` a cette conception (Picot-Cl´ emente, 2011) :

Que peut-on adapter?

La repr´ esentation d’un hyperm´ edia sous la forme d’un r´ eseau, permet d’identifier

deux m´ ethodes d’adaptations : soit adapter les nœuds du r´ eseau, soit adapter

les liens du r´ eseau. De ce fait, les m´ ethodes d’adaptation correspondent respec-

180


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

tivement, soit ` a l’adaptation du contenu, soit ` a l’adaptation de la navigation entre

les contenus.

L’adaptation du contenu se d´ ecline en deux sous m´ ethodes : l’adaptation de texte,

ou l’adaptation de m´ edia. Pour le texte, l’adaptation consiste ` a utiliser des va-

riantes des textes, ` a rajouter des explications, etc. L’adaptation de m´ edia est

beaucoup moins d´ evelopp´ ee. Certains syst` emes permettent la substitution de

m´ edia, mais les fichiers audio ou vid´ eo ne sont pas modifi´ es en fonction de l’utili-

sateur.

L’adaptation de navigation consiste ` a aider l’utilisateur ` a se rep´ erer dans l’hy-

perespace en modifiant les liens qui lui sont propos´ es et en l’obligeant ` a utiliser

certains liens plutˆ ot que d’autres.

`A quels ´ el´ ements le syst` eme peut-il s’adapter?

Il existe quatre cat´ egories de donn´ ees auxquelles un syst` eme hyperm´ edia

peut s’adapter : Premi` erement, le syst` eme peut s’adapter aux connaissances

de l’utilisateur concernant un domaine. Deuxi` emement, il peut s’adapter aux

buts de l’utilisateur (que doit-il apprendre?, quelle tˆ ache souhaite-t-il r´ ealiser?).

Troisi` emement, il peut s’adapter aux exp´ eriences et aux comp´ etences de l’uti-

lisateur. Finalement, le syst` eme peut s’adapter aux pr´ ef´ erences de l’utilisateur

concernant la pr´ esentation d’un contenu (exemple, taille des caract` eres, couleurs,

etc.).

Quelles m´ ethodes et techniques d’adaptation peut-on employer?

L’adaptation peut s’appliquer soit aux contenus soit ` a la navigation suivant plu-

sieurs m´ ethodes et techniques que nous illustrons dans la figure A.1.

Nous commenc ¸ons par d´ ecrire les diff´ erentes m´ ethodes d’adaptation des conte-

nus :

– L’ajout d’explications : consiste ` a fournir des explications suppl´ ementaires ` a

certaines cat´ egories d’utilisateurs.

– Les explications pr´ e-requises consistent ` a ajouter des explications introductives

au d´ ebut de chaque contenu pr´ esentant un sujet donn´ e. Ces explications sont

relatives aux pr´ e-requis n´ ecessaires pour aborder le sujet en question.

– Les variantes d’explications : consistent ` a proposer plusieurs variantes des ex-

plications sur un mˆ eme sujet.

– Les explications comparatives : consistent ` a mettre en place des liens entre des

concepts similaires. Si un concept similaire ` a celui d´ ej` a connu par l’utilisateur

est pr´ esent´ e, ce dernier aura alors une explication comparative.

– Le tri de fragments : consiste ` a trier les fragments composant un contenu selon

leur pertinence par rapport au profil de l’utilisateur.

181


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

Pour chacune de ces m´ ethodes d’adaptation du contenu, il existe des techniques

pour les impl´ ementer :

– Le texte conditionnel : est une technique qui permet de proposer des infor-

mations suppl´ ementaires. Ceci peut ˆ etre r´ ealis´ e par l’association de conditions

aux informations suppl´ ementaires. Ces conditions expriment g´ en´ eralement des

crit` eres requis pour y acc´ eder. Par comparaison avec les valeurs affect´ ees ` a

l’utilisateur pour ces crit` eres, le syst` eme d´ ecide de montrer ou non l’information

suppl´ ementaire.

– Le texte allong´ e : est une technique bas´ ee sur un principe d’expansion ou de

r´ eduction d’un texte dans un document hyperm´ edia. Une partie du texte est

associ´ ee ` a une information additionnelle, qu’il est possible de faire apparaˆ ıtre.

Le syst` eme choisit ensuite de d´ evoiler ou non l’information additionnelle en

fonction des sp´ ecifications donn´ ees par l’utilisateur.

– La technique de fragments : est bas´ ee sur le choix de contenus alternatifs.

Ceci est r´ ealisable de deux fac ¸ons diff´ erentes : La premi` ere consiste ` a cr´ eer

plusieurs versions d’un contenu. Au moment de l’affichage d’un contenu, le

syst` eme s´ electionne la version qui correspond le mieux ` a l’utilisateur; La se-

conde technique adopte un principe similaire mais ` a un niveau de granularit´ e

plus fin, en cr´ eant diff´ erentes versions de fragments du contenu. Une s´ election

de la version ad´ equate est op´ er´ ee pour construire une page ` a pr´ esenter ` a l’uti-

lisateur.

De mˆ eme, la navigation peut ˆ etre adapt´ ee suivant plusieurs techniques :

– Le guidage direct : est la technique la plus utilis´ ee car simple ` a mettre en

œuvre. Elle est bas´ ee sur l’ajout d’un lien hypertexte, nomm´ e suivant, qui per-

met d’acc´ eder ` a la page en ad´ equation avec les objectifs de l’utilisateur. Pour

ˆ etre r´ eellement efficace, cette technique est utilis´ ee avec au moins une des

techniques d´ ecrites dans ce qui suit.

– L’ordonnancement des liens : consiste ` a afficher les liens hypertextes suivant

un ordre, d´ efinissant l’int´ erˆ et ou l’importance des contenus cibles. Les liens

les plus ad´ equats sont dispos´ es de mani` ere ` a r´ eduire le nombre d’actions ` a

effectuer pour atteindre l’information souhait´ ee.

– Le masquage des liens : consiste ` a limiter les possibilit´ es de navigation en

supprimant des liens hypertextes qui sont en inad´ equation avec les objectifs

de l’utilisateur.

– L’annotation des liens : part du principe que l’utilisateur doit savoir o` u il va avant

d’activer un lien. Il faut donc joindre ` a chaque lien des explications, textuelles

ou graphiques, en fonction du profil de l’utilisateur.

– Les cartes adaptatives : permettent de pr´ esenter ` a l’utilisateur, l’organisation de

l’hyperespace, ` a l’aide de liens, soit sous forme textuelle (une repr´ esentation

182


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

hi´ erarchique de l’hyperespace), soit sous forme graphique. D` es lors, il est pos-

sible de pr´ esenter ` a l’utilisateur une organisation plus ou moins simplifi´ ee, en

fonction de son profil.

FIGURE A.1 – M´ ethodes et technologies des hyperm´ edia adaptatifs

ARCHITECTURE DES HYPERM´ EDIA ADAPTATIFS

A.2.2/

Plusieurs architectures ont ´ et´ e propos´ ees depuis l’av` enement du domaine des

syst` emes hyperm´ edia adaptatifs. Dans cette section nous pr´ esentons d’abord,

les architectures et les mod` eles les plus connus et influents du domaine, puis,

nous comparons et d´ eduisons les points communs de ces architectures. Les ar-

chitectures que nous pr´ esentons, ont ´ et´ e essentiellement appliqu´ ees au domaine

du e-learning, d’o` u l’appellation d’hyperm´ edia adaptatifs ´ educatifs.

Mod` ele Dexter :

Le mod` ele Dexter (Halasz and Schwartz, 1994) est consid´ er´ e comme un mod` ele

de r´ ef´ erence, et le premier essai pour unifier et clarifier les technologies de l’hy-

perm´ edia.

La principale caract´ eristique de ce mod` ele, est la division de l’application hy-

perm´ edia en trois couches, qui sont : la couche contenu de composants (wi-

thin component layer), la couche stockage (storage layer) et la couche ex´ ecution

(runtime layer). Ces couches sont interconnect´ ees entre elles ` a l’aide de deux

interfaces : sp´ ecification de pr´ esentation (presentation specifications) et ancrage

(anchoring). L’architecture du mod` ele Dexter est pr´ esent´ ee dans la figure A.2.

183


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

FIGURE A.2 – Mod` ele Dexter (Halasz and Schwartz, 1994)

La couche contenu de composants repr´ esente le contenu comme un ensemble

d’´ el´ ements ind´ ependants. La couche de stockage repr´ esente les liaisons hyper-

textes entre les ´ el´ ements de l’application. La couche ex´ ecution repr´ esente le fonc-

tionnement de l’application.

Cette proposition ne comporte pas de mod` ele utilisateur et elle ne permet

pas d’adaptation, par cons´ equent elle ne r´ epond donc pas aux contraintes des

syst` emes hyperm´ edia adaptatifs. Les mod` eles apparus quelques ann´ ees plus

tard r´ epondent ` a cette limitation et sont une am´ elioration du mod` ele Dexter.

Mod` ele AHAM :

AHAM (Adaptive Hypermedia Application Model) (Bra et al., 1999) est un mod` ele

de r´ ef´ erence pour les hyperm´ edia adaptatifs, bas´ e sur le mod` ele Dexter, et ap-

pliqu´ e au domaine du e-learning. Ce mod` ele diff` ere du mod` ele Dexter par la

couche stockage. Cette couche est organis´ ee en trois composants qui sont le

mod` ele de domaine (domain model), le mod` ele de utilisateur (user model) et

le mod` ele d’adaptation (teaching model). L’architecture du mod` ele AHAM est

pr´ esent´ ee dans la figure A.3.

Le mod` ele de domaine repr´ esente le domaine d’application de l’hyperm´ edia.

Le mod` ele utilisateur contient des informations pertinentes sur l’utilisateur et

utiles pour l’adaptation. Le mod` ele d’adaptation contient les r` egles utilis´ ees pour

l’adaptation de l’hyperm´ edia. L’adaptation se fait en combinant les informations

pr´ esentes dans le mod` ele de domaine et le mod` ele utilisateur.

Le mod` ele AHAM permet l’adaptation de contenus (adaptation de pr´ esentation)

et de liens (adaptation de navigation) et de mettre ` a jour le mod` ele de l’utilisa-

teur en fonction du comportement de ce dernier dans le syst` eme. L’adaptation

de l’hyperm´ edia est r´ ealis´ ee par un moteur d’adaptation form´ e d’un s´ electeur

184


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

de pages (choisit les fragments ` a pr´ esenter ` a l’utilisateur) et un constructeur de

pages (d´ etermine la pr´ esentation ` a appliquer ` a ces fragments).

FIGURE A.3 – Mod` ele AHAM (Bra et al., 1999)

Le mod` ele AHAM est aujourd’hui une architecture de r´ ef´ erence pour la cr´ eation

d’hyperm´ edia adaptatifs.

Mod` ele Munich :

Les deux premiers mod` eles Dexter AHAM ont permis de fixer l’architecture

g´ en´ erale d’un syst` eme hyperm´ edia adaptatif. Le mod` ele Munich (Koch and Wir-

sing, 2002) est bas´ e sur le mod` ele Dexter et partiellement sur le mod` ele AHAM. Il

a aussi ´ et´ e appliqu´ e au domaine du e-learning. Le principal apport de ce mod` ele

est qu’il utilise un langage graphique pour d´ ecrire les diff´ erents composants d’un

syst` eme hyperm´ edia adaptatif. L’architecture en couches est remplac´ ee par un

diagramme de package UML. De mˆ eme, la description des mod` eles de domaine

et d’utilisateur est r´ ealis´ ee par des diagrammes de classes UML. L’architecture

du mod` ele Munich est pr´ esent´ ee par la figure A.4.

Le mod` ele utilise aussi le formalisme OCL (Object Constraint Language) pour

d´ efinir formellement les contraintes pos´ ees sur les diff´ erents ´ el´ ements du mod` ele.

L’apport du mod` ele Munich par rapport au mod` ele AHAM consiste ` a pouvoir relier

les composants du mod` ele de domaine par des liens tel que, ”part de”, ”pr´ e-requis

de”, etc. et non plus seulement par des liens de navigation. Le mod` ele utilisateur

(user meta-model) inclut un gestionnaire d’utilisateur, et un mod` ele pour chaque

185


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

utilisateur du syst` eme, compos´ e d’attributs (exemple, connaissances de l’utilisa-

teur, ses pr´ ef´ erences, son parcours professionnel, etc.) et de valeurs. Le mod` ele

d’adaptation (adaptation meta-model) est bas´ e sur un ensemble de r` egles : des

r` egles de construction d’un contenu, des r` egles d’adaptation ` a l’utilisateur et des

r` egles de mise ` a jour du profil utilisateur.

FIGURE A.4 – Mod` ele Munich (Koch and Wirsing, 2002)

Le mod` ele Munich pr´ esente l’avantage d’ˆ etre formalis´ e de mani` ere plus stan-

dard et plus pr´ ecise. Le mod` ele Munich n’est pas utilis´ e seulement pour les hy-

perm´ edia ´ educatifs, mais aussi dans d’autre domaines.

Mod` ele LAOS :

Le mod` ele LAOS (Cristea and Andmethods, 2003), est un mod` ele pour la cr´ eation

de syst` emes hyperm´ edia adaptatifs dans le domaine du e-learning. Il est bas´ e sur

le mod` ele AHAM. Il d´ ecompose les syst` emes hyperm´ edia adaptatifs en un plus

grand nombre de couches (figure A.5) : un mod` ele de domaine (DM), un mod` ele

de buts et contraintes (GM), un mod` ele utilisateur (UM), un mod` ele d’adaptation

(AM) et un mod` ele de pr´ esentation (PM).

Le mod` ele de domaine est compos´ e de sch´ emas conceptuels compos´ es de

concepts, relations et attributs attach´ es aux concepts. Ce mod` ele repr´ esente les

ressources pour l’apprentissage et leurs caract´ eristiques. Le mod` ele de buts et

186


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

des contraintes filtre, regroupe et restructure le mod` ele de domaine en fonction

des objectifs d’instruction. L’interpr´ etation r´ eelle de cette structure est assur´ ee

par le mod` ele d’adaptation. Le mod` ele utilisateur repr´ esente l’utilisateur sous la

forme d’un sch´ ema. Le mod` ele d’adaptation est d´ ecoup´ e en trois niveaux : un

niveau dit, bas niveau, permettant d’agir directement sur les ´ el´ ements ` a adapter

par les techniques courantes d’adaptation; un niveau interm´ ediaire permettant de

grouper les ´ el´ ements du niveau pr´ ec´ edent pour cr´ eer des m´ ecanismes d’adapta-

tion et de construction, il en r´ esulte un langage de programmation; un niveau dit,

haut niveau, permettant l’utilisation de fonctions. Enfin, le mod` ele de pr´ esentation

prend en compte les propri´ et´ es physiques et l’environnement de pr´ esentation

pour la g´ en´ eration r´ eelle de code sur diff´ erentes plateformes. Dans sa construc-

tion, le mod` ele de pr´ esentation est similaire au mod` ele utilisateur. Il combine une

sur-couche sur le mod` ele de domaine, le mod` ele de buts et des contraintes, avec

des variables ind´ ependantes et leurs valeurs respectives. Cette structure permet

d’attacher ` a chaque concept un certain type de repr´ esentation ` a l’´ ecran, tout en

conservant en mˆ eme temps des types de repr´ esentation ind´ ependants associ´ es

aux valeurs courantes du mod` ele de l’utilisateur.

FIGURE A.5 – Mod` ele LAOS (Cristea and Andmethods, 2003)

187


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

Mod` ele ALEM :

Le mod` ele ALEM (Adaptive Learning Environment Model) (Tadlaoui et al., 2010)

est une extension du mod` ele de r´ ef´ erence Munich. Le mod` ele Munich, est qualifi´ e

comme mod` ele de base ` a cause de son approche de mod´ elisation. Quoique

l’architecture du mod` ele ALEM contient les mˆ emes trois couches existantes dans

le mod` ele Munich, elle ´ etend leurs fonctionnalit´ es pour une meilleure mod´ elisation

des syst` emes e-learning.

FIGURE A.6 – Mod` ele ALEM (Tadlaoui et al., 2010)

Le mod` ele int` egre une couche suppl´ ementaire qui est la couche p´ edagogique

(educational layer). Les diff´ erentes couches du mod` ele ALEM, repr´ esent´ ees dans

la figure A.6, sont les suivantes : La couche contenu de composant (within com-

ponent layer) contient le contenu et la structure des nœuds de l’hyperm´ edia.

La couche de stockage (storage layer) stocke les informations sur la structure

de l’hyperm´ edia. Cette couche est compos´ ee de trois m´ eta-mod` eles : le m´ eta-

mod` ele du domaine (domain meta-model) d´ ecrivant le domaine d’application

de l’hyperm´ edia, le m´ eta-mod` ele de l’apprenant (learner meta-model) d´ ecrivant

les caract´ eristiques de l’apprenant utiles pour la personnalisation de l’hyper-

espace, et finalement le m´ eta-mod` ele de l’adaptation (adaptation meta-model)

d´ ecrivant les strat´ egies et les r` egles d’adaptation. La couche p´ edagogique est

une repr´ esentation abstraite du cours. Cette couche contient le mod` ele de struc-

turation des cours. La derni` ere couche est la couche d’ex´ ecution (runtime layer)

d´ ecrit la mani` ere de pr´ esenter les nœuds. Cette couche est aussi responsable

188


Mlearning

A.2. LES HYPERM´EDIA ADAPTATIFS

de l’interaction avec l’apprenant, l’acquisition des donn´ ees de l’apprenant et la

gestion des cours.

L’apport essentiel de ce mod` ele est la mod´ elisation du cours et du processus

p´ edagogique, afin de proposer des cours personnalis´ es ` a l’apprenant.

Synth` ese des architectures hyperm´ edia adaptatifs :

D’apr` es la description de ces diff´ erents mod` eles de r´ ef´ erence, nous remar-

quons qu’on ne peut toujours pas d´ efinir un mod` ele g´ en´ erique des syst` emes

hyperm´ edia adaptatifs, car il n’y a pas encore unanimit´ e quant ` a l’architecture

id´ eale de ces syst` emes. Mais nous pouvons ` a partir de ces diff´ erents mod` eles

extraire une architecture minimale. Cette architecture minimale se compose es-

sentiellement de trois parties :

– Le mod` ele de domaine : Ce mod` ele permet de mettre ` a la disposition d’un

utilisateur particulier des donn´ ees adapt´ es ` a ses besoins. Ces donn´ ees aux-

quelles l’utilisateur peut acc´ eder sont souvent h´ et´ erog` enes (page Web enti` ere,

fragments de page Web, un paragraphe, une image, etc.).

– Le mod` ele utilisateur : Comme expliqu´ e pr´ ec´ edemment, l’approche dans les

hyperm´ edia adaptatifs est ax´ ee principalement sur l’utilisateur. C’est le mod` ele

utilisateur qui va aider ` a mettre en place la dynamique du syst` eme. Il faut donc

que le syst` eme puisse conserver une certaine connaissance sur l’utilisateur ` a

des fins d’adaptation.

– Le mod` ele d’adaptation : Afin de fournir aux utilisateurs des informations dyna-

miques et adapt´ ees ` a leur profil, il faut mettre en place des m´ ecanismes d’adap-

tation permettant de lui pr´ esenter les informations stock´ ees dans le mod` ele

de domaine. Ces m´ ecanismes d’adaptation d´ ecrivent comment le syst` eme hy-

perm´ edia adaptatif va se comporter par rapport un profil utilisateur. Le mod` ele

d’adaptation peut ˆ etre d´ efini comme un ensemble de r` egles d’adaptation ou

comme un ensemble d’algorithmes, d´ eterminant le comportement du syst` eme

vis-` a-vis d’un profil utilisateur.

La sp´ ecification de la pr´ esentation est g´ en´ er´ ee ` a partir du mod` ele d’adaptation

et plus particuli` erement des informations s´ electionn´ ees du mod` ele de domaine.

Elle permet de d´ efinir, ` a partir de la couche de sauvegarde, comment organiser

et pr´ esenter les informations.

Enfin, la couche ex´ ecutive est sp´ ecifique ` a une application. Elle est responsable

des m´ ecanismes d’interactions avec l’utilisateur.

Cette division en couches et en mod` eles fournit une s´ eparation claire des parties

majeures des syst` emes hyperm´ edia adaptatifs. Cette architecture minimale est

n´ ecessaire et suffisante pour la cr´ eation d’un syst` eme hyperm´ edia adaptatif. Ce-

189


Mlearning

A.3. AVANTAGES ET INCONV´ENIENTS

pendant, selon le niveau d’adaptation, de flexibilit´ e et de portabilit´ e d´ esir´ ee, il est

possible d’ajouter des composantes suppl´ ementaires ` a cette architecture.

AVANTAGES ET INCONV´ ENIENTS

A.3/

Les hyperm´ edia adaptatifs ont ´ et´ e appliqu´ es ` a de nombreux domaines, mais

principalement au domaine ´ educatif. Il est clair que les hyperm´ edia adaptatifs

repr´ esentent un avantage non n´ egligeable par rapport aux hyperm´ edias clas-

siques. Comme l’explique (Delestre et al., 1998) : Tout d’abord, les diff´ erentes

techniques utilis´ ees permettent ` a l’apprenant d’ˆ etre guid´ e dans son apprentis-

sage. Ainsi sans toutefois annihiler la libert´ e de navigation intrins` eque aux hy-

perm´ edias, l’apprenant est constamment guid´ e dans son cheminement. Ensuite,

l’utilisation d’un syst` eme interactif multim´ edia peut am´ eliorer l’aspect visuel et lu-

dique, et par cons´ equent renforcer l’int´ erˆ et de l’apprenant.

Cependant, quelques probl` emes des hyperm´ edias persistent : Tout d’abord, l’ac-

cent a surtout ´ et´ e mis sur l’adaptation des liens, afin de guider l’apprenant dans sa

navigation. Or la deuxi` eme composante de l’adaptation, ` a savoir l’adaptation du

contenu, a souvent ´ et´ e mise de cˆ ot´ e. De plus, dans un syst` eme d’apprentissage

` a distance, il faut que le syst` eme puisse utiliser imm´ ediatement toute nouvelle

information rajout´ ee par les apprenants ou les formateurs, pour pr´ esenter une

nouvelle connaissance. Or, dans un volume de donn´ ees en constante ´ evolution,

on remarque que le probl` eme de surcharge cognitive persiste toujours.

Un domaine d’application des hyperm´ edia adaptatifs, permettant de r´ esoudre ces

probl` emes, est le domaine des syst` emes de recommandation.

190


Mlearning

B

LA LOGIQUE DE DESCRIPTION

La logique descriptive est une famille de formalismes utilis´ es pour repr´ esenter

une base de connaissances d’un domaine d’application d’une fac ¸on structur´ ee

et formelle (Baader et al., 2003). Les logiques de description ont deux objectifs :

Tout d’abord repr´ esenter les connaissances d’un domaine, c’est donc la partie

description; et ensuite raisonner ` a partir de ces connaissances, c’est la partie

logique.

Dans cette annexe nous traitons la logique descriptive ainsi que les aspects de

raisonnement logique. Leur utilisation conjointe permet la d´ efinition de bases de

connaissances, puis ` a partir de ces connaissances la d´ eduction de nouveaux

faits.

LES LANGAGES FORMELS ET LE WEB S´ EMANTIQUE

B.1/

Les logiques de descriptions sont utilis´ ees pour de nombreuses applications,

parmi elles on cite les domaines suivants : traitement automatique des langues,

l’ing´ enierie logicielle (repr´ esentation de la s´ emantique des diagrammes de classe

UML) et le Web s´ emantique pour la repr´ esentation d’ontologies. Le courant des

recherches, qui s’est nourri d’´ etudes effectu´ ees sur la logique des pr´ edicats

et les r´ eseaux s´ emantiques a donn´ e naissance ` a une famille de langages de

repr´ esentation appel´ es logiques de descriptions LD. Ces langages ont ´ et´ e in-

troduits dans les ann´ ees 80 dans le but de rendre la repr´ esentation de connais-

sances plus naturelle qu’en logique du premier ordre.

Une caract´ eristique fondamentale des logiques de description est qu’elles ont

une s´ emantique descriptive formelle conforme au cadre des logiques de (Tarski,

1941). Les connaissances d’un domaine y sont repr´ esent´ ees par des entit´ es

qui correspondent ` a une description syntaxique ` a laquelle est associ´ ee une

s´ emantique :

(1) Les ´ el´ ements du monde r´ eel y sont repr´ esent´ es ` a l’aide de concepts, rˆ oles et

191


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

individus. Les concepts ainsi que les rˆ oles sont organis´ es de fac ¸on hi´ erarchique

` a l’aide de relations de subsomption. L’utilisation de ce type de logique permet la

r´ ealisation de taches de raisonnement.

(2) La s´ emantique des logiques de description est clairement d´ efinie et associ´ ee

` a la description des concepts ainsi que des rˆ oles. Cette s´ emantique affecte la

fac ¸on de manipuler ces ´ el´ ements. Cette s´ emantique est d´ efinie comme suit :

Soit CON = {C1,C2,...} un ensemble fini de concepts atomiques, ROL =

{R1,R2,...} un ensemble fini de rˆ oles atomiques et IND = {a1,a2,...} un en-

semble fini d’individus. Si CON, ROL, IND sont disjoints deux ` a deux, S =

hCON,ROL,INDi est une signature. Une fois qu’une signature S est fix´ ee, une

interpr´ etation I pour S est d´ efini comme un couple I = h∆I,·Ii, o` u :

– ∆Iest un ensemble non vide, le domaine de l’interpr´ etation.

– ·Iest une fonction affectant :

– un ´ el´ ement aI

– un sous-ensemble CI

relation RI

i∈ ∆I` a chaque individu ai∈ IND,

i⊆ ∆I` a chaque concept atomique Ci ∈ CON, et une

i⊆ ∆I× ∆I` a chaque rˆ ole atomique Ri∈ ROL.

B.1.1/

LES BASES DE CONNAISSANCES

Une base de connaissances est compos´ ee d’une partie terminologique, qualifi´ e

de TBox (Terminology Box), et d’une partie assertionnelle, qualifi´ e de ABox (As-

sertions Box). La ABox d´ ecrit les individus et leurs relations (quel individu ap-

partient ` a quel concept nomm´ e, quel individu est li´ e ` a quel autre ` a travers quel

rˆ ole). Typiquement, la base de connaissances standard utilis´ ee par les logiques

de description est d´ efinie de la mani` ere suivante :

´Etant donn´ e un langage de description L et une signature S, une base de

connaissances Σ dans L est une paire Σ = hT,Ai telle que :

– T la TBox, est un ensemble fini, qui peut ˆ etre vide, d’expressions appel´ ees GCI

(General Concept Inclusion) de la forme C v D o` u C et D sont des concepts

sans restriction1. C˙ =D est une notation pour C v D et D v C.

Une interpr´ etation I d’une TBox satisfait C v D si CI⊆ DIet elle satisfait C ≡ D

si CI≡ DI.

– A la ABox, un ensemble fini, qui peut ˆ etre vide, d’expressions de la forme C(a)

ou R(a,b), o` u C est un concept sans restriction, R est un rˆ ole qui n’est pas

n´ ecessairement atomique, et a,b appartiennent ` a IND. Les formules de A sont

appel´ ees des assertions.

Une interpr´ etation I d’une ABox associe ` a chaque constante a un ´ el´ ement aI

1. http ://fr.wikipedia.org/wiki/Logique de description

192


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

de ∆I. I est un mod` ele de la ABox si pour toute assertion C(a) ⇒ aI∈ CIet

R(a,b) ⇒ (aI,bI) ∈ RI

Un mod` ele d’une base de connaissance est une interpr´ etation qui est ` a la fois

un mod` ele de la TBox et de la ABox. Exemple, si T = {C v D,C ≡ ∃R.E} et A =

{C(a),R(a,b),R(b,c),E(b),E(c)} on peut avoir le mod` ele I suivant : CI= {a,b},DI=

{a,b},EI= {b,c},RI= {(a,b),(b,c)} (pour simplifier on d´ efinit aI= a,bI= b,...).

B.1.2/

LES FAMILLES DE LOGIQUES DE DESCRIPTION

Les LD forment une famille de langages de repr´ esentation de connaissances.

Ces LD sont utilis´ es pour repr´ esenter les connaissances d’un domaine d’ap-

plication d’une fac ¸on structur´ ee et formelle. Ces LD sont caract´ eris´ es par un

ensemble de symboles et par des r` egles de construction qui permettent d’ob-

tenir des formules ` a partir de ces symboles et moyennant des constructeurs

sp´ ecifiques au langage. Une LD poss` ede une signature, qui est bas´ ee sur les

types : concepts, rˆ oles et individus.

Dans le formalisme des LD, un concept repr´ esente un ensemble d’individus et

un rˆ ole repr´ esente une relation binaire entre individus. Un concept correspond ` a

une entit´ e g´ en´ erique d’un domaine d’application et un individu ` a une entit´ e parti-

culi` ere, instance d’un concept.

Concepts, rˆ oles et individus ob´ eissent aux principes suivants :

– Un concept et un rˆ ole poss` edent une description structur´ ee, ´ elabor´ ee ` a partir

d’un certain nombre de constructeurs. Une s´ emantique est associ´ ee ` a chaque

description de concept et de rˆ ole par l’interm´ ediaire d’une interpr´ etation.

– Les connaissances sont prises en compte selon plusieurs niveaux : la

repr´ esentation et la manipulation des concepts et des rˆ oles rel` event du niveau

terminologique TBox alors que la description et la manipulation des individus

rel` event du niveau factuel ou niveau des assertions ABox.

– La relation de subsomption permet d’organiser concepts et rˆ oles par niveau de

g´ en´ eralit´ e : intuitivement, un concept C subsume un concept D si C est plus

g´ en´ eral que D au sens o` u l’ensemble d’individus repr´ esent´ e par C contient l’en-

semble d’individus repr´ esent´ e par D. Une base de connaissances se compose

alors d’une hi´ erarchie de concepts et d’une (´ eventuelle) hi´ erarchie de rˆ oles.

Exemple : Cet exemple d´ ecrit les relations entre membres d’une famille :

– Concepts : Femme, Homme, etc.

– Rˆ oles : epousDe, pereDe, etc.

– Individus : marie, pierre, jean, etc.

193


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

Un concept et un rˆ ole poss` edent une description structur´ ee d´ efinie ` a partir d’un

certain ensemble de constructeurs. Concepts, rˆ oles et individus de l’exemple

pr´ ec´ edent sont d´ ecrits comme suit au niveau de la TBOx et de la ABox :

– TBox, d´ ecrit les concepts :

Femelle v > u ¬ Male

Male v > u ¬ Femelle

Animal ≡ Male t Femelle

Humain v Animal

Femme ≡ Humain u Femelle

Homme ≡ Humain u¬ Femelle

– ABox, fournit des instances des concepts et des rˆ oles :

marie : Femme

pierre : Homme

jean : Homme

epouseDe(pierre, marie)

pereDe(jean, pierre)

Il existe plusieurs familles de langages de description des concepts, des rˆ oles et

des individus. La logique de description AL (Attribute Language) est la logique

minimale, dite aussi logique attributive, et elle a ´ et´ e d´ efinie par (Schmidt-Schaub

and Smolka, 1991). Elle est dite minimale car une logique d’expressivit´ e inf´ erieure

n’aurait pas d’int´ erˆ et pratique (Baader et al., 2003).

Les descriptions possibles dans le langage AL sont pr´ esent´ ees par le tableau

A.1 (on suppose que A est un concept atomique et C et D sont des concepts

atomiques ou complexes) :

D´ efinition

Concept atomique

Le concept universel Top

Le concept vide Bottom

N´ egation compl` ete

Conjonction de concepts

Quantificateur universel

Quantificateur existentiel non typ´ e

Syntaxe

A

>

¬A

C u D

∀R.C

∃R.>

TABLE B.1 – La grammaire du langage de description de concepts selon AL

Le langage de base AL est d´ efini ` a partir des ´ el´ ements syntaxiques suivants :

– Le concept Top (>) d´ enote le concept le plus g´ en´ eral et le concept Bottom (⊥)

194


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

le concept le plus sp´ ecifique. Intuitivement, l’extension de Top inclut tous les

individus possibles tandis que celle de Bottom est vide.

– Le constructeur not (¬) correspond ` a la n´ egation et ne porte que sur les

concepts primitifs (atomiques). Le constructeur and (u) permet de d´ efinir une

conjonction d’expressions conceptuelles.

– La quantification universelle all (∀R.C) pr´ ecise le co-domaine du rˆ ole R et la

quantification existentielle non typ´ ee some (∃R) introduit le rˆ ole R et affirme

l’existence d’(au moins) un couple d’individus en relation par l’interm´ ediaire de

R.

On obtient alors le langage AL = {>,⊥,A,¬A,C u D,∀r.C,∃r} qui peut ˆ etre par la

suite enrichi par plusieurs autres constructeurs.

La s´ emantique du langage AL fait appel ` a la th´ eorie des ensembles. Essentiel-

lement, ` a chaque concept est associ´ e un ensemble d’individus d´ enot´ es par ce

concept. Une interpr´ etation suppose donc l’existence d’un ensemble non vide ∆

qui repr´ esente des entit´ es du monde d´ ecrit. Une fonction d’interpr´ etation (d´ ecrite

pr´ ec´ edemment) associe ` a une concept C un sous-ensemble CIde ∆Iet ` a un rˆ ole

R un sous-ensemble RIde ∆I× ∆I(Gagnon, 2009).

La s´ emantique de AL est d´ efinit alors comme suit :

S´ emantique

AI

∆I

∆ICI

CI∩ DI

{x ∈ ∆I|∀y ∈ ∆I,(x,y) ∈ RI⇒ y ∈ CI}

{x ∈ ∆I|∃y ∈ ∆I,(x,y) ∈ RI}

Syntaxe

A

>

¬A

C u D

∀R.C

∃R.>

TABLE B.2 – La s´ emantique du langage de description de concepts selon AL

La logique AL n’est g´ en´ eralement pas suffisamment expressive pour repr´ esenter

certaines connaissances. Il existe alors plusieurs autres constructeurs que l’on

peut ajouter ` a ce langage pour le rendre plus expressif. Notamment, la logique

ALC qui est l’extension de la logique AL par la n´ egation compl` ete C (n´ egation

de concepts non primitifs, d´ efinis). ALC constitue la logique descriptive de base :

ALC = ALC ∪ {¬C}.

Les diff´ erentes logiques de description qui existent aujourd’hui sont des com-

binaisons des diff´ erents constructeurs du tableau A.3 avec la logique de base

ALC :

195


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

D´ efinition

Rˆ oles fonctionnels

Quantification existentielles typ´ e

Disjonction de rˆ oles

N´ egation compl` ete

Transitivit´ e de rˆ oles

Abr´ eviation de la logique ALC avec la transitivit´ e des rˆ oles R+

Hi´ erarchie de rˆ oles

Classes nominales ou ´ enum´ eration par individus

Rˆ oles inverses

Restrictions de cardinalit´ e sur les rˆ oles

Restrictions de quantifieur de cardinalit´ e sur les rˆ oles

Conjonction de rˆ oles

Lettre

F

E

U

C

R+

S

H

O

I

N

Q

R

TABLE B.3 – Constructeurs des logiques de description

Le tableau A.4 d´ ecrit la syntaxe et la s´ emantique des diff´ erents constructeurs des

logiques de description :

S´ emantique

{x ∈ ∆I|y,(x,y) ∈ RI| ≤ 1}

{x ∈ ∆I|∃y ∈ ∆I,(x,y) ∈ RI⇒ y ∈ CI}

CI

2

∆I\ ∩CI

Plus petite relation transitive contenant RI

RI

2

{x ∈ ∆I|x = aipour un ai}

{(x,y) ∈ RI|(y, x) ∈ RI}

{x ∈ ∆I|y,(x,y) ∈ RI| ≥ n}

{x ∈ ∆I|y,(x,y) ∈ RI| ≤ n}

{x ∈ ∆I|y,(x,y) ∈ RI| = n}

{x ∈ ∆I|y ∈ CI,(x,y) ∈ RI| ≥ n}

{x ∈ ∆I|y ∈ CI,(x,y) ∈ RI| ≤ n}

{x ∈ ∆I|y ∈ CI,(x,y) ∈ RI| = n}

RI

2

Constructeurs

F

E

U

C

R+

H

O

I

N

N

N

Q

Q

Q

R

Syntaxe

≤ 1R

∃R.C

C1tC2

¬C

R+

R1v R2

{a1,...,an}

R−1

≥ nR

≤ nR

= nR

≥ nR.C

≤ nR.C

= nR.C

R1u R2

1∪CI

1⊆ RI

1∩ RI

TABLE B.4 – Constructeurs : syntaxe et s´ emantique

Nous pouvons ainsi obtenir d’autres langages plus expressifs, tels qu’avec l’utili-

sation des constructeurs suivants :

196


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

– Le constructeur U permet de d´ efinir la disjonction (and) de concepts, not´ ee

C ∪ D. L’extension correspondante d’ALC est ALCU = ALC ∪ {C ∪ D}.

– Le constructeur R permet de d´ efinir la conjonction (or) de rˆ oles, not´ ee R1∩ R2,

les rˆ oles R1et R2´ etant primitifs. L’extension correspondante d’ALC est ALCR =

ALC ∪ {R1∩ R2}.

– La quantification existentielle typ´ ee E, not´ ee ∃R.C (la quantification ∃R.C intro-

duit un rˆ ole R de co-domaine C et impose l’existence d’(au moins) un couple

d’individus (x,y) en relation par l’interm´ ediaire de R, o` u C est le type de y).

L’extension correspondante d’ALC est ALCE = ALC ∪ {∃r.C}.

– Le constructeur N, not´ ee ≥ nR (atleast nR) et ≤ nR (atmost nR), fixent la cardi-

nalit´ e minimale et maximale du rˆ ole auquel ils sont associ´ es. L’extension cor-

respondante d’ALC est ALCN = ALC ∪ {≥ nR,≤ nR}.

Certaines logiques sont ´ equivalentes, notamment ALC et ALUE. Ces deux

derni` eres logiques augment´ ees par R+sont not´ ees S.

Toutes les logiques de description qui existent sont des combinaisons des

diff´ erents constructeurs du tableau A.4. On obtient essentiellement les familles

suivantes :

Composition

AL

ALC

ALC + N

ALC + Q

ALC + F

ALC + R+

S + H

SH + I + F

SH + I + Q

SH + O + I + N

SH + O + I + Q

TABLE B.5 – Familles de logique de description

Famille

Logique de base

Logique minimale

Logique ALCN

Logique ALCQ

Logique ALCF

Logique S

Logique SH

Logique SHIF

Logique SHIQ

Logique SHOIN

Logique SHOIQ

B.1.3/

LE LANGAGE ONTOLOGIQUE OWL

Le langage OWL, propos´ e par le consortium W3C, est le langage de

repr´ esentation des connaissances permettant la d´ efinition d’ontologies. Il est

bas´ e sur les travaux ayant eu lieux dans le domaine de la logique de descrip-

tion pr´ ec´ edemment introduite. Cela permet la mise en place de processus de

197


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

v´ erification de coh´ erence ainsi que de d´ eduction de connaissances ` a partir des

connaissances existantes.

Le langage OWL est compos´ e de trois sous-langages : OWL-Lite, OWL-DL

et OWL-Full. OWL-Lite correspond essentiellement ` a la famille SHIF alors

que OWL-DL correspond essentiellement ` a la famille SHOIN. En fait, plus

pr´ ecis´ ement, il s’agit des familles SHIF(D) et SHOIN(D), parce qu’on y dis-

tingue deux types distincts de rˆ oles : les rˆ oles qui lient deux individus, tel que

vu tout au long du pr´ esent rapport, et les rˆ oles qui associent un individu avec un

type primitif (entier, chaine de caract` ere, etc.), d’o` u le D, pour Data Property. Les

sous-langages OWL-Lite et OWL-DL ne sont pas des extensions de RDF, dans

le sens qu’un triplet RDF n’est pas n´ ecessairement valide dans ces deux sous-

langages. C’est pour cette raison que le sous-langage OWL-Full a ´ et´ e ajout´ e, qui

comprend tout OWL-DL, avec en plus tout RDF.

En 2009, le consortium W3C a officiellement lanc´ e OWL 2, qui se distingue de

la premi` ere version par un pouvoir expressif augment´ e et une ´ elimination de la

d´ ecomposition en trois sous-langages. Ainsi OWL-Full n’existe plus, alors que

OWL-Lite et OWL-DL sont consid´ er´ es comme des profils de OWL 2 (on parle de

profil lorsqu’on ´ elimine de OWL 2 certains constructeurs limitant sont pouvoir ex-

pressif). Depuis 2012, OWL 2 est recommand´ e par W3C et permet l’expressivit´ e

de la logique SROIQ(D) (Gagnon, 2009).

L’´ evolution de l’expressivit´ e depuis les logiques descriptives les moins expres-

sives jusqu’aux logiques les plus complexes utilis´ ees dans le domaine du Web

s´ emantique est pr´ esent´ ee dans la figure ci-dessous.

FIGURE B.1 –´Evolution des logiques de description

198


Mlearning

B.1. LES LANGAGES FORMELS ET LE WEB S´EMANTIQUE

Les langages OWL-DL et OWL-Lite se basent respectivement sur les logique

SHOIN et SHIF qui sont une augmentation de l’expressivit´ e de la logique SH,

elle-mˆ eme bas´ ee sur la logique S ` a laquelle la gestion des hi´ erarchies de rˆ oles a

´ et´ e ajout´ ee. Tandis que le langage OWL 2 a l’expressivit´ e de la logique SROIQ

qui est une augmentation de l’expressivit´ e de la logique SR bas´ e sur la logique S

` a laquelle contrairement la logique SH les inclusion de rˆ oles R ont ´ et´ e ajout´ es en

plus des hi´ erarchies de rˆ oles.

Constructeurs

intersectionOf

unionOf

complementOf

oneOf

allValueFrom

someValueFromFrom

hasValue

minCardinality

maxCardinality

inverseOf

Syntaxe

C1uC2

C1tC2

¬C

{a1...a2}

∀R.C

∃R.C

∃R.{a}

(≥ nR)

(≤ nR)

R−

Exemple

Humain u Homme

Docteur t Avocat

¬Homme

{marie, pierre, jean}

∀possedeEnfant.Docteur

∃possedeEnfant.Avocat

∃citoyenDe.{France}

(≥ 2 possedeEnfant)

(≤ 1 possedeEnfant)

possedeEnfant−

TABLE B.6 – Constructeurs OWL

Axiome

subClassOf

equivalentClass

subPropertyOf

equivalentProperty

disjointWith

sameAs

differentFrom

transitiveProperty

functionalProperty

inverseFunctionalProperty

symmetricProperty

Syntaxe

C1v C2

C1≡ C2

R1v R2

R1≡ R2

C1v ¬C2

{a1} ≡ {a2}

{a1} v ¬{a2}

R rˆ ole transitif

> v (≤ 1R)

> v (≤ 1R−)

R ≡ R−

TABLE B.7 – Axiomes OWL 2

Exemple

Humain v Animal u Bipede

Homme ≡ Humain u Male

possedeFille v possedeEnfant

Cout ≡ Prix

Male v ¬Femelle

{president hollande} ≡ {franc ¸ois hollande}

{marie} v ¬{jean}

estAncetreDe rˆ ole transitif

> v (≤ 1 estMereDe)

> v (≤ 1 aPourMere−)

estMarieAvec ≡ estMarieAvec−

Les deux tableaux Ci-dessus pr´ esentent les constructeurs du langage OWL et

les axiomes du langage OWL 2 ainsi que leur correspondance en logique de des-

cription.

199


Mlearning

B.2. LES RAISONNEURS

Diff´ erentes syntaxes peuvent ˆ etre utilis´ ees afin de s´ erialiser une ontologie OWL,

par exemple en Turtle ou en XML.

L’exemple 1 d´ ecrit la syntaxe XML pour la d´ efinition d’une classe ´ etant l’intersec-

tion des classes Homme et Humain (Humain u Homme) :

<owl:Class>

<owl:intersectionOf rdf:parserType="Collection">

<owl:Class rdf:about="#Humain"/>

<owl:Class rdf:about="#Homme"/>

</owl:intersectionOf>

</owl:Class>

L’exemple 2 d´ ecrit la syntaxe XML pour la d´ efinition d’une restriction sur la cardi-

nalit´ e minimum d’un rˆ ole (≥ possede-enfant.Thing) :

<owl:Restriction>

<owl:OnProperty rdf:Ressource="#possede-enfant"/>

<owl:minCardinality rdf:datatype="&xsd;NonNegativeInterger"> 2

<owl:minCardinality>

</owl:Restriction>

B.2/

LES RAISONNEURS

La construction et l’impl´ ementation d’une ontologie peut amener ` a la d´ etection de

contradiction dans le mod` ele sous-jacent. Une des tˆ aches d’un raisonneur est de

v´ erifier qu’il n’y a pas de contradiction et que le mod` ele associ´ e ` a l’ontologie est

bien coh´ erent. Un raisonneur peut invalider de diff´ erente mani` ere une ontologie :

– Une ontologie peut ˆ etre d´ etect´ ee comme inconsistante ou incoh´ erence : c’est-

` a-dire qu’il n’existe aucune interpr´ etation possible de l’ontologie qui soit un

mod` ele pour cette ontologie.

– Une ontologie peut ˆ etre d´ etect´ ee comme insatisfiable : c’est-` a-dire qu’il existe

une interpr´ etation possible de cette ontologie qui soit un mod` ele, mais que ce

mod` ele sous-jacent associe ` a certaines concepts un ensemble d’individus qui

sera toujours vide. C’est-` a-dire qu’aucun individu ne pourra jamais ˆ etre une

instance de ces concepts.

Les tˆ aches de raisonnement peuvent ˆ etre exprim´ ees en termes de v´ erifications

de consistance et de satisfiabilit´ e.

200


Mlearning

B.2. LES RAISONNEURS

Les raisonneurs offrent ´ egalement des services d’inf´ erence dont la charge prin-

cipale du raisonnement dans une logique de description est de d´ ecouvrir des

connaissances implicites ` a partir des connaissances explicites par l’inf´ erence en

plus de la v´ erification de la consistance et de satisfiabilit´ e.

INF´ ERENCE

B.2.1/

L’inf´ erence s’effectue dans les logiques descriptives au niveau terminologique,

c’est ` a dire au niveau de la TBox, ou bien au niveau assertionnel en prenant en

compte les individus de la base de connaissances au niveau de la ABox.

Inf´ erence au niveau de la TBox :

D’apr` es (Baader et al., 2003) quatre cas d’inf´ erence au niveau terminologique

peuvent ˆ etre distingu´ es :

– Statisfiabilit´ e : Un concept C d’une terminologie TBox T est satisfiable si et

seulement si il existe un mod` ele (une interpr´ etation) I de T tel que CI, ∅.

Ce qui signifie qu’il existe une ABox non vide pour le domaine d’interpr´ etation

δItel que le concept C d’une terminologie T poss` ede au moins un individus

pour le mod` ele d’interpr´ etation I. Par exemple, le concept Homme u ¬Homme

est insatisfaisable, puisque l’intersection d’un ensemble avec son compl´ ement

est toujours l’ensemble vide. Il est donc impossible qu’une entit´ e du monde

appartienne ` a ce concept.

– Subsomption : Un concept C est subsum´ e par un concept D pour une termino-

logie T si et seulement si CI⊆ DIpour tout mod` ele I de T. Par exemple, si une

terminologie T contient l’axiome Mere ≡ Femme u ∃possedeEnfant.Personne, il

est relativement facile de d´ emontrer la subsomption suivante : Mere v Femme.

Autrement dit, si un individu appartient ` a l’ensemble des m` eres, alors il appar-

tient aussi ` a l’ensemble des femmes.

– ´Equivalence : Un concept C est ´ equivalent ` a un concept D pour une termino-

logie T si et seulement si CI= DIpour tout mod` ele I de T. Dans ce cas, on

´ ecrira T |= C ≡ D.

– Disjonction : Les concepts C et D sont disjoint par rapport ` a la terminologie T

si et seulement si CI∩ DI= ∅ pour tout mod` ele I de T. Dans ce cas, on ´ ecrira

T |= C u D v⊥. Par exemple, on peut d´ emontrer que les concepts Pere et

Mere sont disjoints. En effet, selon la d´ efinition du concept Homme, un homme

fait partie du compl´ ement de l’ensemble des femmes. Ainsi, une entit´ e ne peut

ˆ etre ` a la fois un homme et une femme, ce qui implique qu’il ne peut pas ˆ etre ` a

la fois un p` ere et une m` ere, puisque par d´ efinition un p` ere est aussi un homme,

et une m` ere est aussi une femme.

201


Mlearning

B.2. LES RAISONNEURS

En fait, la v´ erification de la satisfaisabilit´ e de concept est une inf´ erence principale.

Dans (Baader et al., 2003) les autres inf´ erences pour les concepts peuvent ˆ etre

r´ eduites ` a la satisfaisabilit´ e et inversement.

Inf´ erence au niveau de la ABox :

D’apr` es (Baader et al., 2003) quatre cas d’inf´ erence au niveau assertionel

peuvent ˆ etre distingu´ es :

– Coh´ erence : Une Abox A est coh´ erente par rapport ` a une Tbox T si et seule-

ment si, il existe un mod` ele I de A et T.

– V´ erification d’instance : Elle consiste ` a v´ erifier si un individu a d’une ABox A

est une instance d’une description de concept donn´ ee C (a ∈ CI). L’insertion

est v´ erifi´ ee si elle est vraie pour tout mod` ele I de la Abox A et de la Tbox T.

B.2.2/

APPROCHES DE RAISONNEMENT

A partir de la technique employ´ ee dans le d´ eveloppement des algorithmes de

d´ ecision pour le probl` eme d’inf´ erence, nous pouvons les cat´ egoriser en deux

groupes :

Le premier groupe contient des algorithmes appel´ es algorithmes structurels. Ces

algorithmes comparent la structure syntaxique des concepts, pour r´ esoudre le

probl` eme de subsomption de concept dans quelques logiques de description pri-

mitives. Ces algorithmes, toutefois, ne sont pas applicables pour les logiques de

description plus complexes avec la n´ egation, la disjonction, etc. Pour de tels lan-

gages d’autres types d’algorithmes ont ´ et´ e cr´ e´ es, que nous nous cat´ egorisons

dans le deuxi` eme groupe.

Le deuxi` eme groupe contient des algorithmes appel´ es algorithmes de tableaux.

Les algorithmes de tableaux ont ´ et´ e donn´ es la premi` ere fois par (Schmidt-Schaub

and Smolka, 1991) et sont aujourd’hui l’outil principal pour la r´ esolution des

probl` emes de satisfaisabilit´ e et de subsomption de concept dans les logiques

de description.

Dans ce qui suit nous d´ ecrivons bri` evement ces deux cat´ egories d’algorithmes.

Raisonnement bas´ e sur la comparaison structurelle :

Les algorithmes de raisonnement bas´ e sur la comparaison structurelle ne sont

applicables que sur des logiques primitives de type FL−(´ equivalent ` a ALC sans

la n´ egation des concepts atomiques). Les algorithmes du calcul de subsomption

sont bas´ es sur la comparaison structurelle entre les expressions de concepts.

L’id´ ee de cette approche est que si deux expressions de concept sont faites de

202


Mlearning

B.2. LES RAISONNEURS

sous-expressions, alors elles peuvent ˆ etre compar´ ees s´ epar´ ement en comparant

une sous-expression d’un concept avec toutes celles de l’autre.

Afin de v´ erifier la subsomption dans la logique FL−l’algorithme s’ex´ ecute en

deux phases : Premi` erement, les concepts sont r´ e´ ecrits dans une forme normale

(d´ eplier les concepts et factoriser les rˆ oles), et ensuite leurs structures sont com-

par´ ees :

– Toutes les conjonctions emboˆ ıt´ ees sont ´ egalis´ ees : A u (B uC) ⇔ A u B uC.

Toutes les conjonctions de quantifications universelles sont factoris´ ees : ∀R.Cu

∀R.D ⇔ ∀(C u D).

Les concepts r´ e´ ecrits sont logiquement ´ equivalents avec les pr´ ec´ edents, donc

la subsomption est pr´ eserv´ ee par cette transformation.

– Soient C = C1uC2u ... uCmet D = D1u D2u ... u Dn, alors D subsume C si et

seulement si pour chaque Di, il existe un Cjavec :

(1) Si Diest un concept atomique, ou est bien de la forme ∃R, alors Di= Cj.

(2) Si Diest un concept de forme ∀R.D0,Cj= ∀R.C0(le mˆ eme rˆ ole atomique R),

alors C0v D0.

Raisonnement bas´ e sur l’algorithme de tableaux :

Cette technique de raisonnement est bas´ ee sur les calculs de tableaux pour la

logique des pr´ edicats du premier-ordre. Les structures de tableaux obtenues en

raisonnant avec un langage donn´ e de la logique de description sont soigneuse-

ment analys´ ees, et les v´ erifications redondantes dans les tableaux sont ´ elimin´ ees

afin de donner une limite sup´ erieure stricte sur la complexit´ e de la m´ ethode.

L’id´ ee principale du calcul de tableau est de v´ erifier si une formule donn´ ee F est

une cons´ equence logique d’une th´ eorie donn´ ee T. On essaye de construire, en

utilisant des r` egles de propagation, le mod` ele le plus g´ en´ erique de T o` u F est

faux. Si le mod` ele est construit avec succ` es, alors la r´ eponse est NON (parce

que F n’est pas une cons´ equence logique de T); si le mod` ele construit n’est pas

un succ` es, alors la r´ eponse est OUI (parce qu’il n’existe pas un mod` ele de T

avec F faux, donc F est r´ eellement une cons´ equence logique de T). Les r` egles

de propagation viennent directement de la s´ emantique de constructeurs.

D’une mani` ere g´ en´ erale, l’algorithme de tableaux appliqu´ e dans une logique de

description essaye de prouver la satisfaisabilit´ e d’une expression de concept D

en d´ emontrant l’existence d’une interpr´ etation I dans laquelle DI, ∅.

Cette technique de raisonnement permet aujourd’hui de proposer des algo-

rithmes de d´ ecision de satisfaisabilit´ e et de subsomption qui sont corrects et

complets pour les langages tr` es expressifs de la logique de descriptions.

203


Mlearning

B.2. LES RAISONNEURS

B.2.3/

LES RAISONNEURS POUR OWL

Actuellement, il existe plusieurs moteurs d’inf´ erence, la plupart conc ¸us pour rai-

sonner sur les logiques de description, mais qui acceptent en entr´ ee des fichiers

OWL/RDF(S). Parmi ceux-ci, on peut citer Fact++2, HermiT3, RacerPro4et Pel-

let5, etc.

FaCT++

SROIQ(D)

-

HermiT

SROIQ(D)

+

(SWRL)

JAVA

hypertableau

+

+

RacerPro

SHIQ

+

SWRL

JAVA

tableau

+

+

Pellet

SROIQ(D)

+

(SWRL)

JAVA

tableau

+

+

Expressivit´ e

Regles

Language

Methode

Raisonnement sur la ABox

OWL API

C++

tableau

+

+

TABLE B.8 – Moteurs d’inf´ erence

Certains moteurs d’inf´ erence ne peuvent raisonner qu’au niveau terminologique,

alors que des moteurs comme Pellet et RacerPro permettent de raisonner aussi

sur les instances deconcepts. Nous les pr´ esentons ci-dessous :

– FaCT++ (Fast Clssification of Terminologies) : est un raisonneur OWL

DL(SHOIN(D)) supportant un sous ensemble de OWL 2 (SHOINQ(D)). Il

a ´ et´ e impl´ ement´ e en C++ et utilise un algorithme de tableaux optimis´ e pour de

meilleures performances.

– HermiT : est un raisonneur cod´ e en JAVA, utilisant les hypertableaux. Il a une

expressivit´ e allant jusqu’` a (SHOINQ(D)).

– RacerPro (Renamed Abox and Concept Expression Reasoner) : est un raison-

neur utilisant les hypertableaux calculus optimis´ e pour la logique de description

SHOIQ. Il peut traiter des ontologies OWL-Lite et DL, mais ignore les types

d´ efinis par l’utilisateur et les concepts ´ enum´ er´ ees.

– Pellet : est le premier raisonneur ` a supporter enti` erement OWL-DL. La nouvelle

version, Pellet 2.0 est compatible avec le langage OWL 2 et int` egre diverses

techniques d’optimisation, y compris pour les nominaux, les requˆ etes conjonc-

tives, etc. Pellet est cod´ e en JAVA et fonctionne sur la base de tableaux.

Le tableau A.8 r´ esume les propri´ et´ es de ces raisonneurs.

2. http ://owl.man.ac.uk/factplusplus/

3. http ://hermit-reasoner.com/

4. http ://franz.com/agraph/racer/

5. http ://clarkparsia.com/pellet/

204


Mlearning

B.3. CONCLUSION

B.3/

CONCLUSION

Dans cette annexe nous avons trait´ e en premier temps des diff´ erents langages de

la logique de description, puis nous avons examin´ e les points les plus importants

concernant les probl` emes de raisonnement dans la construction des syst` emes

de repr´ esentation de connaissances bas´ es sur la logique de description. Le rai-

sonnement se concentre sur g´ en´ eralement sur la TBox avec des algorithmes de

tableaux.

205


Mlearning

C

´ETUDE COMPARATIVE DES

TRIPLESTORES

Un syst` eme d’information peut ˆ etre perc ¸u selon trois axes : les donn´ ees, les trai-

tements et les communications. Depuis une cinquantaine d’ann´ ees, l’ensemble

de ces axes fait l’objet de recherches intensives pour am´ eliorer les temps de

traitements, la gestion de l’espace physique, la recherche et la transmission

d’informations. Depuis ces 20 derni` eres ann´ ees, certains identifient un 4 ` eme

axe de repr´ esentation du syst` eme d’information qui est l’axe s´ emantique. Cet

axe, ind´ ependant des contraintes physiques de gestion de l’information tente de

r´ esoudre les probl` emes d’h´ et´ erog´ en´ eit´ e s´ emantique On parle alors de graphe

s´ emantique, d’ontologie et de triplestore.

Le mod` ele relationnel des bases de donn´ ees s’est rapidement impos´ e et occupe

une position dominante depuis 40 ans. Seulement, l’apparition du Web a montr´ e

limites de ce mod` ele. D` es le d´ ebut, Tim Berners-Lee a mis en avant une vision du

Web comme une base de donn´ ees g´ eante, et l’inad´ equation du mod` ele relation-

nel pour g´ erer ces donn´ ees. Il a tr` es tˆ ot propos´ e un nouveau mod` ele, le mod` ele

s´ emantique, bas´ e sur un format qui allait rapidement devenir le RDF.

Un triplestore est une base de donn´ ees sp´ ecialement conc ¸ue pour le stockage et

la r´ ecup´ eration de donn´ ees RDF. Tout comme une base de donn´ ees relationnelle,

un triple store stocke des donn´ ees et il les r´ ecup` ere via un langage de requˆ ete.

Mais contrairement ` a une base de donn´ ees relationnelle, un triplestore ne stocke

qu’un seul type de donn´ ees, le triple, sous forme de (sujet, pr´ edicat, objet). Un

triplestore n’a donc pas besoin de phase d’initialisation pour enregistrer de nou-

velles donn´ ees, c’est-` a-dire il n’a pas besoin de cr´ eer des tables comme dans

une base de donn´ ees relationnelle. De plus, un triple store est optimis´ e pour le

stockage d’un grand nombre de triplets et pour la r´ ecup´ eration de ces triplets ` a

l’aide du langage de requˆ ete SPARQL1.

L’objectif de cette annexe est, dans la premi` ere partie, de positionner la notion de

1. http ://dbpedia.org/page/Triplestore

207


Mlearning

C.1. ´EVOLUTION DES MOD`ELES DE DONN´EES

triplestore par rapport ` a une logique de stockage des donn´ ees du syst` eme d’in-

formation. Puis, dans la seconde partie, nous pr´ esenterons l’ensemble des outils

relatifs au stockage de donn´ ees s´ emantiques de type RDF. Dans la troisi` eme par-

tie, nous proposerons une classification multicrit` ere de ces outils. Des tableaux de

synth` ese permettront de mettre en ´ evidence les tendances principales, les points

communs ou les originalit´ es de ces outils. Cette ´ etude nous permet de justifier

l’utilisation du triplestore Stardog pour la r´ ealisation de notre syst` eme.

´EVOLUTION DES MOD` ELES DE DONN´ EES

C.1/

Dans cette section, nous pr´ esenterons un aperc ¸u des diff´ erentes ´ evolutions des

mod` eles de donn´ ees. Les concepts abord´ es dans cette section sont n´ ecessaires

` a la compr´ ehension de ceux d´ ecrivant les triplestores. Cette section pr´ esente

quatre mod` eles qui ont pr´ ec´ ed´ e le mod` ele s´ emantique : le mod` ele hi´ erarchique,

le mod` ele r´ eseau, le mod` ele relationnel et le mod` ele objet. Chaque mod` ele est

d´ ecrit bri` evement, et ses avantages ainsi que ses limites sont mis en ´ evidence. A

la fin de cette section nous d´ ecrivons le mod` ele s´ emantique.

LE MOD` ELE HI´ ERARCHIQUE

C.1.1/

Le mod` ele hi´ erarchique voit le jour au milieu des ann´ ees 60, en mˆ eme temps

que le concept de base de donn´ ees. Dans ce mod` ele, l’information est organis´ ee

de mani` ere arborescente et accessible uniquement ` a partir de la racine de cette

arborescence. Les diff´ erents enregistrements sont reli´ es par des pointeurs.

Ce mod` ele pr´ esente des avantages : Sa structure arborescente est adapt´ ee ` a

un grand nombre d’organisations ´ economiques et sociales, il est simple et son

impl´ ementation est facile. Par contre ce mod` ele pr´ esente quelques d´ efauts : L’im-

possibilit´ e de mod´ eliser des liens multiples fait que le chemin d’acc` es ` a une in-

formation est unique et oblige ` a cr´ eer de la redondance. Cette redondance rend

complexe les op´ erations ´ el´ ementaires. Par exemples, l’insertion d’une informa-

tion impose la cr´ eation d’un segment parent, la mise ` a jour d’une information doit

s’effectuer sur toutes ses occurrences, et la suppression d’un nœud entraˆ ıne la

disparition des descendants.

LE MOD` ELE R´ ESEAU

C.1.2/

Le mod` ele r´ eseau est en mesure de lever de nombreuses difficult´ es du mod` ele

hi´ erarchique. Dans ce mod` ele, comme dans le mod` ele hi´ erarchique, les diff´ erents

208


Mlearning

C.1. ´EVOLUTION DES MOD`ELES DE DONN´EES

enregistrements sont reli´ es par des pointeurs. Mais la structure arborescente des-

cendante est remplac´ ee par des liens maill´ es. Les liens maill´ es permettent de

mod´ eliser les liens multiples, de type n-m, entre les donn´ ees. On ´ elimine ainsi les

redondances et la complexit´ e qu’elles induisent. On multiplie par la mˆ eme occa-

sion les chemins d’acc` es ` a une mˆ eme information.

En revanche, ce mod` ele n’apporte pas d’am´ elioration du point de vue des

strat´ egies d’acc` es.

LE MOD` ELE RELATIONNEL

C.1.3/

D` es le milieu des ann´ ees 70, des travaux de recherche en math´ ematique vont

permettre la conception d’un nouveau mod` ele afin rem´ edier aux d´ efauts des deux

pr´ ec´ edents mod` eles, concernant les strat´ egies d’acc` es. Il s’agit du mod` ele rela-

tionnel. Le mod` ele relationnel, comme son nom l’indique, est bas´ e sur la notion

de relations. Ces relations correspondent ` a des entit´ es du monde r´ eel. Elles sont

tr` es simplement li´ ees entre elles par un syst` eme de cl´ e primaire et cl´ e ´ etrang` ere.

Une cl´ e primaire permet d’identifier une ligne, et les autres lignes vont utiliser

cette cl´ e primaire, sous forme de cl´ e ´ etrang` ere, pour faire r´ ef´ erence ` a cette ligne.

La cr´ eation de nombreux standards va lib´ erer les entreprises de la d´ ependance

` a un syst` eme particulier de base de donn´ ees. De nombreuses techniques de

conception vont am´ eliorer la mise en œuvre de ce mod` ele. Il s’est r´ ev´ el´ e ˆ etre

un excellent outil pour g´ erer des donn´ ees structur´ ees. Ce mod` ele s’est impos´ e

comme le mod` ele principal depuis 40 ans. De nombreux syst` emes de gestion de

base de donn´ ees relationnelle sont aujourd’hui matures.

LE MOD` ELE OBJET

C.1.4/

Les progr` es de la recherche sur le premier axe du syst` eme d’information, les

donn´ ees, ont abouti ` a la g´ en´ eralisation du mod` ele relationnel. Parall` element, les

recherches sur le deuxi` eme axe, les traitements, aboutissaient dans les ann´ ees

90 ` a la programmation objet, suivi par l’apparition de syst` emes de gestion de

base de donn´ ees objet (SGBDO).

Dans le mod` ele objet les informations sont regroup´ ees sous forme d’objets. Un

objet repr´ esente une entit´ e du monde r´ eel. Il contient un conteneur logique qui

englobe des informations sur l’entit´ e ainsi que les traitements qui lui sont propres.

Les objets sont cr´ e´ es dynamiquement lors de l’ex´ ecution d’un programme ´ ecrit

en langage de programmation orient´ e objet. Chaque objet est cr´ e´ e ` a partir d’une

classe. Une classe peut ˆ etre d´ eriv´ ee d’une autre classe, dans ce cas elle h´ eritera

des caract´ eristiques de la classe source. Chaque classe contient des attributs

209


Mlearning

C.1. ´EVOLUTION DES MOD`ELES DE DONN´EES

qui correspondent aux informations sur l’objet. Les classes comportent aussi des

m´ ethodes, des traitements propres ` a cet objet, qui manipulent les valeurs des

attributs.

Les techniques de conception des syst` emes d’information d´ evelopp´ ees pour le

mod` ele relationnel ont ´ et´ e adapt´ ees pour ˆ etre compatibles avec la programmation

objet. La persistance dans la programmation objet est le plus souvent r´ ealis´ ee par

un mapping objet-relationnel vers une base de donn´ ees relationnelle.

Le mod` ele objet a eu un impact faible sur le monde de la persistance des donn´ ees

et n’a pas remis en cause la dominance du mod` ele relationnel.

LE MOD` ELE S´ EMANTIQUE

C.1.5/

Nous avons vu que le mod` ele relationnel s’´ etait rapidement impos´ e, et ce pour

longtemps. Son succ` es tient ` a sa parfaite capacit´ e ` a g´ erer des donn´ ees de

mani` ere structur´ ee, et ` a l’existence de nombreux standards et techniques de

conception. Seulement le d´ eveloppement du Web a entrain´ e l’explosion du vo-

lume des donn´ ees accessibles. Le Web peut ˆ etre vu comme une gigantesque

source de donn´ ees non structur´ ees. Le mod` ele relationnel s’av` ere inadapt´ e pour

la gestion de ces donn´ ees.

L’exploitation des ressources sur le Web passe par la conception de nouvelles

technologies. L’objectif de ces technologies est de rendre l’information contenue

dans les documents du Web utilisable par des programmes et agents logiciels,

grˆ ace ` a un syst` eme de m´ etadonn´ ees formelles. L’ensemble de ces technologies

et les donn´ ees qu’elles structurent s’appelle le Web s´ emantique.

Les cr´ eateurs du Web ont anticip´ e d` es le d´ ebut la n´ ecessit´ e de concevoir un nou-

veau mod` ele pour g´ erer les informations non structur´ ees du Web. Ils ont (1) cr´ e´ e

un nouveau mod` ele, le mod` ele s´ emantique (1) l’ont bas´ e sur un langage, RDF

(2) l’ont dot´ e d’un langage d’interrogation, le SPARQL et (3) l’ont ´ equip´ e d’une

fonctionnalit´ e originale, l’inf´ erence.

(1) RDF est un mod` ele de graphe destin´ e ` a d´ ecrire de fac ¸on formelle les donn´ ees

non structur´ ees du Web. Un document respectant la structure RDF se compose

d’un ensemble de d´ eclarations sous forme de triplets : (Sujet, pr´ edicat, Objet)

(figure B.1).

FIGURE C.1 – Triplet RDF

210


Mlearning

C.1. ´EVOLUTION DES MOD`ELES DE DONN´EES

Le sujet repr´ esente la ressource; Le pr´ edicat repr´ esente une propri´ et´ e applicable

` a cette ressource; L’objet repr´ esente une donn´ ee ou une autre ressource. Sujets,

pr´ edicats et objets sont souvent des URI, mais l’objet peut aussi ˆ etre un litt´ eral.

L’exemple de la figure ci-dessous illustre la page Web du W3C sur la syntaxe

RDF2, en utilisant les triplets :

FIGURE C.2 – Exemple de graphe RDF

La principale syntaxe de RDF est le RDF/XML. D’autres s´ erialisations de RDF

sont apparues ensuite, cherchant ` a rendre la lecture plus compr´ ehensible. Voil` a

la repr´ esentation du graphe pr´ ec´ edent en RDF/XML :

<?xml version="1.0"?>

<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"

xmlns:dc="http://purl.org/dc/elements/1.1/"

xmlns:ex="http://example.org/stuff/1.0/">

<rdf:Description rdf:about="http://www.w3.org/TR/rdf-syntax-grammar"

dc:title="RDF/XML\ Syntax Specification (Revised)">

<ex:editor>

<rdf:Description ex:fullName="Dave Beckett">

<ex:homePage rdf:resource=

"http://purl.org/net/dajobe/" />

</rdf:Description>

</ex:editor>

</rdf:Description>

</rdf:RDF>

(2) Pareil qu’un mod` ele relationnel, le mod` ele s´ emantique a aussi son langage

d’interrogation : le SPARQL. Le langage d’interrogation SPARQL pour RDF est

conc ¸u pour satisfaire aux cas d’utilisation et aux exigences d´ ecrites par le groupe

2. http ://www.w3.org/TR/2004/REC-rdf-syntax-grammar-20040210/

211


Mlearning

C.1. ´EVOLUTION DES MOD`ELES DE DONN´EES

de travail RDF Data Access3. Ci-dessous un des exemples de la page du W3C

d´ edi´ ee au SPARQL :

Donn´ ees (en syntaxe Turtle) :

@prefix foaf: <http://xmlns.com/foaf/0.1/> .

_:a foaf:name "Johnny Lee Outlaw" .

_:a foaf:mbox <mailto:[email protected]> .

_:b foaf:name "Peter Goodguy" .

_:b foaf:mbox <mailto:[email protected]> .

_:c foaf:mbox <mailto:[email protected]> .

Requˆ ete SPARQL :

PREFIX foaf: <http://xmlns.com/foaf/0.1/>

SELECT ?name ?mbox

WHERE

{ ?x foaf:name ?name .

?x foaf:mbox ?mbox }

R´ esultat :

name

”Johnny Lee Outlaw”

”Peter Goodguy”

mbox

<mailto :[email protected]>

<mailto :[email protected]>

On retrouve la structure des d´ eclarations sous forme de triplets dans la clause

WHERE. Dans cette requˆ ete, on recherche le nom et l’adresse mail de tous les

sujets ayant un nom et une adresse mail. Le W3C a publi´ e une recommanda-

tion qui propose un standard de protocole d’acc` es SPARQL. Tous les triplestores

´ etudi´ es dans la suite de cette annexe proposent un acc` es SPARQL conforme ` a

ce protocole.

(3) Nous avons vu que le mod` ele s´ emantique est bas´ e sur le langage RDF et

qu’il poss` ede un langage d’interrogation, le SPARQL. Ce mod` ele a aussi ´ et´ e

dot´ e d’une fonctionnalit´ e originale, l’inf´ erence. Les moteurs d’inf´ erence, ou en-

core raisonneurs (voir annexe A) sont ici utilis´ es comme processus de d´ eduction

de nouveaux triplets.`A partir de d´ eclarations existantes et de r` egles, un moteur

d’inf´ erence va g´ en´ erer de nouveaux triplets. L’inf´ erence n’est pas une fonctionna-

lit´ e obligatoire des triplestores. Seule la moiti´ e des triplestores ´ etudi´ es dans cette

annexe poss` edent un moteur d’inf´ erence.

3. http ://www.w3.org/TR/rdf-dawg-uc/

212


Mlearning

C.2. LES SOLUTIONS TRIPLESTORES

C.2/

LES SOLUTIONS TRIPLESTORES

Un triplestore peut ˆ etre consid´ er´ e comme une base de donn´ ees conc ¸ue pour le

stockage et la r´ ecup´ eration de triplets. La notion de triplestore peut ˆ etre ´ etendue

plus g´ en´ eralement ` a tout outil qui permet de stocker et de r´ ecup´ erer des triplets

RDF. Les diff´ erents outils triplestore pr´ esent´ es dans cette section ont tous la ca-

pacit´ e de manipuler et stocker des graphes RDF. Dans cette section nous al-

lons ´ etudier les triplestores les plus connus selon les syntaxes RDF support´ ees,

les langages d’interrogation support´ es, l’inf´ erence, les langages support´ es pour

l’´ ecriture de clients, les langages des sources et les licences.

SYNTAXES RDF SUPPORT´ ES

C.2.1/

Nous avons vu dans la premi` ere partie que le mod` ele s´ emantique est bas´ e sur

RDF. Les syntaxes utilis´ ees pour ´ ecrire les d´ eclarations RDF sont nombreuses.

Chaque triplestore en supporte un certain nombre. Les diff´ erentes syntaxes

support´ ees par les triplestores retenus sont : RDF/XML, RDF/XML-ABBREV,

RDFa, RDF/JSON, N3, N3-PP, N3-Triple, N-Triple, N-Quads, Turtle, TriX, TriG,

et GRDDL.

Apr` es une br` eve description de ces syntaxes, nous pr´ esenterons, dans cette sec-

tion, un tableau qui permet d’identifier les syntaxes support´ ees par chaque triples-

tore.

– RDF/XML est la syntaxe de r´ ef´ erence du W3C pour le RDF.

– RDF/XML-Abbrev est propos´ e par la librairie Jena : parmi les multiples fac ¸ons

d’exprimer en RDF/XML un mˆ eme ensemble de d´ eclarations RDF, ce format

est le plus compact et le plus l´ eger en octets.

– RDFa permet d’int´ egrer dans une page Web des donn´ ees structur´ ees. Il n’est

pas interpr´ et´ e par les navigateurs.

– RDF/JSON permet de s´ erialiser les triplets sous la syntaxe JSON.

– N3 (ou Notation-3) a ´ et´ e conc ¸u pour ˆ etre plus accessible ` a un humain.

– Les syntaxes N3-XX, N-Triple et Turtle sont des sous-ensembles de N3.

– N-Quads est une extension de N-Triple qui lie un contexte ` a chaque d´ eclaration.

– TriX et TriG sont des extensions de Turtle.

– GRDDL n’est pas exactement une syntaxe, c’est un m´ ecanisme qui permet

d’extraire la partie RDF d’un document XML et de l’exporter dans une syntaxe

particuli` ere.

4. http ://www.4store.org/

5. http ://4store.org/trac/wiki/5store

6. http ://www.franz.com/agraph/allegrograph/

213


Mlearning

C.2. LES SOLUTIONS TRIPLESTORES

RDF/XML-ABBREV

RDF/JSON

RDF/XML

N3-Triple

N-Quads

N3-Plain

N-Triple

GRDDL

N3-PP

Turtle

RDFa

TriG

TriX

N3

Triplestore

4store4

5store5

AllegroGraph6

ARC27

Bigdata8

Jena9

Mulgara10

OpenAnzo11

OntoBroker12

Oracle Semantic13

OWLIM14

Parliament15

RDF : :Trine16

Redland17

Semantics Platform18

SemWeb-DotNet19

Sesame20

Soprano21

Virtuoso22

Stardog23

TABLE C.1 – Formats RDF support´ es par chaque les triplestores

7. https ://github.com/semsol/arc2/wiki

8. http ://www.systap.com/bigdata.htm

9. http ://jena.sourceforge.net/index.html

10. http ://www.mulgara.org/

11. http ://www.openanzo.org/

12. http ://www.ontoprise.de/en/products/ontobroker/

13. http ://www.oracle.com/technetwork/database/options/semantic-tech/index.html

14. http ://www.ontotext.com/owlim

15. http ://parliament.semwebcentral.org/

16. http ://search.cpan.org/dist/RDF-Trine/

17. http ://librdf.org/

18. http ://www.intellidimension.com/

19. http ://razor.occams.info/code/semweb/

20. http ://www.openrdf.org/

21. http ://soprano.sourceforge.net/

22. http ://virtuoso.openlinksw.com/

214


Mlearning

C.2. LES SOLUTIONS TRIPLESTORES

Tous les triplestores supportent le format de r´ ef´ erence RDF/XML, et le format

Turtle. La plupart supportent aussi le format N-Triples.

C.2.2/

LANGAGES D’INTERROGATION

Nous avons vu dans la premi` ere partie que le mod` ele s´ emantique est dot´ e d’un

langage d’interrogation : le SPARQL. Certains triplestores utilisent d’autres lan-

gages d’interrogation. Ces langages sont : SeRQL, RDQL, iTQL et Prolog. Nous

pr´ esentons dans cette section un tableau qui nous permet d’identifier les lan-

gages support´ es par les diff´ erents triplestores.

Triplestore

4store

5store

AllegroGraph

ARC2

Bigdata

Jena

Mulgara

OpenAnzo

OntoBroker

Oracle Semantic

OWLIM

Parliament

RDF : :Trine

Redland

Semantics Platform

SemWeb-DotNet

Sesame

Soprano

Virtuoso

Stardog

SPARQL

SeRQL

RDQL

iTQL

Prolog

TABLE C.2 – Langages de requˆ etes support´ es

On voit que tous les triplestores supportent le langage SPARQL, recommand´ e

par le W3C, et qui s’est impos´ e comme le langage d’interrogation de r´ ef´ erence

des triplestores.

23. http ://stardog.com/

215


Mlearning

C.2. LES SOLUTIONS TRIPLESTORES

INF´ ERENCE

C.2.3/

Un triplestore permet d’utiliser des moteurs d’inf´ erences ind´ ependants. Les en-

sembles de r´ ef´ erences sont RDFS, OWL Lite, OWL DL, EL, QL, RL, SL, SKOS,

DAML, NRL. Il permet aussi d’utiliser des moteurs d’inf´ erences externes qui sont

Pellet et TrOWL. Nous pr´ esentons dans cette section un tableau qui nous per-

mettra d’identifier les triplestores dont le moteur d’inf´ erence supporte les r` egles

de type SWRL.

Moteurs internes

externes

R` egles

utilisateur

Triplestore

OWL Lite

OWL DL

TrOWL

DAML

SKOS

RDFS

Pellet

NRL

QL

RL

EL

SL

4store

5store

AllegroGraph

ARC2

Bigdata

Jena

Mulgara

OpenAnzo

OntoBroker

Oracle Semantic

OWLIM

Parliament

RDF : :Trine

Redland

Semantics Platform

SemWeb-DotNet

Sesame

Soprano

Virtuoso

Stardog

TABLE C.3 – Moteurs d’inf´ erence

Presque tous les triples stores supportent RDFS. Mais seul Stardog supporte

OWL 2 (EL, QL, RL) et le des r` egles en SWRL (SL).

Dans le cadre de notre travail, Stardog est le plus adapt´ e pour inf´ erer sur notre

ontologie de domaine OWL 2 et nos r` egles m´ etiers.

216


Mlearning

C.2. LES SOLUTIONS TRIPLESTORES

LANGAGES SUPPORT´ ES POUR LES CLIENTS

C.2.4/

Nous pr´ esentons dans cette section un tableau d´ ecrivant pour chaque triplestore

les langages dans lesquels les clients peuvent ˆ etre ´ ecrits.

Common Lisp

Javascript

Sesame

Clojure

Django

Python

C/C++

Scala

Ruby

Jena

Java

PHP

Perl

Tcl

C#

Triplestore

4store

5store

AllegroGraph

ARC2

Bigdata

Jena

Mulgara

OpenAnzo

OntoBroker

Oracle Semantic

OWLIM

Parliament

RDF : :Trine

Redland

Semantics Platform

SemWeb-DotNet

Sesame

Soprano

Virtuoso

Stardog

TABLE C.4 – Langages de requˆ etes support´ es

C.2.5/

LICENCES

Les triplestores sont prot´ eg´ es par diff´ erentes licences, commerciales ou open

source. Nous pr´ esentons dans cette section un tableau permettant d’identifier

les triplestores prot´ eg´ es par une licence et ceux prot´ eg´ es par une licence open

source.

217


Mlearning

C.3. CONCLUSION

Commerciale

Open-source

Triplestore

4store

5store

AllegroGraph

ARC2

Bigdata

Jena

Mulgara

OpenAnzo

OntoBroker

Oracle Semantic

OWLIM

Parliament

RDF : :Trine

Redland

Semantics Platform

SemWeb-DotNet

Sesame

Soprano

Virtuoso

Stardog

Description

GNU General Public License

GNU General Public License, W3C Software License

GNU General Public License, ´ evaluation/research license

http ://jena.sourceforge.net/license.html

Open Software v3.0, Apache 2.0

Eclipse Public License 1.0.

GNU Lesser General Public License

Berkeley Sofware Distribution

Mozilla Public License, GNU General Public License

GNU Lesser General Public License GPL Apache

Berkeley Sofware Distribution

GNU General Public Licence

Clark & Parsia LLC

TABLE C.5 – Licence des triplestore

C.3/

CONCLUSION

Le Web constitue une gigantesque base de donn´ ees non structur´ ee. Le mod` ele

relationnel s’est impos´ e depuis une quarantaine d’ann´ ees pour sa parfaite capa-

cit´ e ` a g´ erer des donn´ ees structur´ ees, mais il s’av` ere inadapt´ e ` a la gestion de

cette source de donn´ ees non structur´ ees. Un nouveau mod` ele a ´ et´ e conc ¸u pour

g´ erer ces nouvelles ressources. Il se base sur le langage RDF, le langage d’inter-

rogation SPARQL et la fonctionnalit´ e d’inf´ erence. Les triplestores sont des outils

permettant de stocker et de r´ ecup´ erer des donn´ ees RDF. A travers les diff´ erents

tableaux d’analyse des triplestores les plus connus, nous avons identifi´ e Stardog

comme ´ etant le triplestore le plus adapt´ e ` a notre projet.

218


Mlearning

RAPPORTS TECHNIQUES

?M-learning 3.0?, Fayrouz Soualah Alila, novembre 2011.

?La recommandation en apprentissage mobile?, Fayrouz Soualah Alila,

d´ ecembre 2011.

?La contextualisation pour l’apprentissage mobile?, Fayrouz Soualah Alila, jan-

vier 2012.

?´Etat de l’art de l’apprentissage mobile?, Fayrouz Soualah Alila, f´ evrier 2012.

?IADIS Mobile Learning 2012?, Fayrouz Soualah Alila, mars 2012.

?Projet MEMORAe?, Fayrouz Soualah Alila, mars 2012.

?Langages ontologiques et normes e-learning?, Fayrouz Soualah Alila, mars

2012.

?Une nouvelle approche d’application des technologies du Web s´ emantique

pour un apprentissage centr´ e sur l’´ etudiant?, Fayrouz Soualah Alila, avril 2012.

?SCORM 2004?, Fayrouz Soualah Alila, mai 2012.

?Aperc ¸u sur le catalogue CrossKnowledge?, Fayrouz Soualah Alila, mai 2012.

?Rapport de recherche ANR, num 1?, Fayrouz Soualah Alila, juin 2013.

?R´ esum´ e 1 ` ere ann´ ee de th` ese?, Fayrouz Soualah Alila, septembre 2012.

?Formalisation en logique de description?, Fayrouz Soualah Alila, d´ ecembre

2012.

?Une ontologie de domaine du m-learning?, Fayrouz Soualah Alila, janvier

2013.

?Sesame, Triple Store et r` egles?, Fayrouz Soualah Alila, juin 2013.

?Rapport de recherche ANR, num 2?, Fayrouz Soualah Alila, juin 2013.

?R´ esum´ e 2 ` eme ann´ ee de th` ese?, Fayrouz Soualah Alila, septembre 2013.

?Mod´ elisation math´ ematiques du probl` eme d’optimisation combinatoire en m-

learning?, Fayrouz Soualah Alila, janvier 2014.

?Algorithmes pour la r´ esolution du probl` eme d’optimisation combinatoire en m-

learning, version 1?, Fayrouz Soualah Alila, f´ evrier 2014.

219


Mlearning

C.3. CONCLUSION

?Algorithmes pour la r´ esolution du probl` eme d’optimisation combinatoire en m-

learning, version 2?, Fayrouz Soualah Alila, f´ evrier 2014.

?R` egles m´ etier pour le m-learning?, Fayrouz Soualah Alila, f´ evrier 2014.

220


Mlearning

PUBLICATIONS

Revues

?Semantic and Contextual Approach for the Recommendation of Learning Mo-

dules in Mobility?, Fayrouz Soualah Alila, Christophe Nicolle, Florence Mendes,

IEEE Learning Technology Newsletter, vol.4, issue.2, pp.33-35, 2012.

?A Context-Based Adaptation in Mobile Learning?, Fayrouz Soualah Alila,

Christophe Nicolle, Florence Mendes, IEEE Computer Society Technical Com-

mittee on Learning Technology (TCLT), vol.15, issue4, pp.14-18, 2013.

Chapitre de livre

?Towards a Methodology for Semantic and Context-Aware Mobile Learning?,

Fayrouz Soualah Alila, Christophe Nicolle, Florence Mendes, The Encyclopedia

of Information Science and Technology (IS&T2013), third edition, 2013.

Conf´ erences internationales

?Recommender System for Combination of Learning Elements in Mobile

Environment?, Fayrouz Soualah Alila, Christophe Nicolle, Florence Mendes, IA-

DIS International Conference on Mobile Learning (IADIS 2012), pp.291-295, Ber-

lin, Germany, 2012.

?Context Aware Adaptive System for M-Learning Personalization?, Fayrouz

Soualah Alila, Christophe Nicolle, Florence Mendes, 13th International Confe-

rence on Informatics in Economy Education (IE2014), Bucharest, Romania, 2014.

Conf´ erences nationales

?Recommandation de Parcours de Formation dans un Contexte Mobile?, Fay-

rouz Soualah Alila, Florence Mendes, Christophe Nicolle, 14 ` eme Conf´ erence

ROADEF de la Soci´ et´ e Franc ¸aise de Recherche Op´ erationnelle et Aide ` a la

D´ ecision, Troyes, France, 2013.

?Une Approche Web S´ emantique et Combinatoire pour un Syst` eme de Recom-

mandation Sensible au Contexte Appliqu´ e ` a l’Apprentissage Mobile?, Fayrouz

Soualah Alila, Florence Mendes, Christophe Nicolle, 14 ` emes Journ´ ees Franco-

phones Extraction et Gestion des Connaissances, Rennes, France, 2014.

221


Mlearning

BIBLIOGRAPHIE

Aarts, E. and Korst, J. (1989). Simulated Annealing and Boltzmann Machines :

A Stochastic Approach to Combinatorial Optimization and Neural Computing.

John Wiley & Sons, New York, NY, USA.

Abowd, G., A.K., Brown, P., Davies, N., Smith, M., and Steggles, P. (1999). To-

wards a better understanding of context and context-awareness. In Gellersen,

H.-W., editor, Handheld and Ubiquitous Computing, volume 1707, pages 304–

307. Springer Berlin Heidelberg.

Achiri, S. (2012).

syst` emes d’information ubiquitaires. Technical report.

Une architecture agents pour l’adaptation au contexte des

Adomavicius, G., Sankaranarayanan, R., S. Sen, S., and Tuzhilin, A. (2005). In-

corporating contextual information in recommender systems using a multidi-

mensional approach. ACM Trans. Inf. Syst., 23(1) :103–145.

Ahn, J., Brusilovsky, P., Grady, J., He, D., and Syn, S. (2007). Open user profiles

for adaptive news systems : Help or harm? In Proceedings of the 16th Inter-

national Conference on World Wide Web, WWW ’07, pages 11–20, New York,

NY, USA. ACM.

Allen, J. F. and Ferguson, G. (1994). Actions and events in interval temporal logic.

Journal of Logic and Computation, 4 :531–579.

Amalric, P. (2007). Aperc ¸u rapide de scorm 1.2 pour les d´ eveloppeurs de conte-

nus, livre blanc. Technical report.

Andronico, A., Carbonaro, A., Casadei, G., Colazzo, L., Molinari, A., and Ron-

chetti, M. (2003). Integrating a multi-agent recommendation system into a mo-

bile learning management system.

Autin, B. (2006). Les m´ etaheuristiques en optimisation combinatoire. Technical

report, Conservatoire National des Arts et M´ etiers Paris.

Azouaou, F. and Desmoulins, C. (2006). Using and modeling context with onto-

logy in e-learning : the case of teacher’s personal annotation. In International

Workshop on Applications of Semantic Web Technologies for E-Learning, Du-

blin, Irlande.

223


Mlearning

BIBLIOGRAPHIE

Baader, F., Calvanese, D., McGuinness, D., Nardi, D., and Patel-Schneider, P.,

editors (2003). The Description Logic Handbook : Theory, Implementation, and

Applications. Cambridge University Press.

Bader, R., Neufeld, E., Woerndl, W., and Prinz, V. (2011). Context-aware poi re-

commendations in an automotive scenario using multi-criteria decision making

methods. In Proceedings of the 2011 Workshop on Context-awareness in Re-

trieval and Recommendation, CaRR ’11, pages 23–30, New York, NY, USA.

ACM.

Baeza-Yates, R. and Ribeiro-Neto, B. (1999).

Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA.

Modern Information Retrieval.

Balabanovic, M. and Shoham, Y. (1997). Fab : Content-based, collaborative re-

commendation. Commun. ACM, 40(3) :66–72.

Balasubramanian, V. (1994). State of the art review on hypermedia issues and

applications.

Baltrunas, L., Ludwig, B., Peer, S., and Ricci, F. (2012). Context relevance assess-

ment and exploitation in mobile recommender systems. Personal Ubiquitous

Computing, 16(5) :507–526.

Baluja, S. (1994). Population-based incremental learning : A method for inte-

grating genetic search based function optimization and competitive learning.

Technical report.

Basile, P., Degemmis, M., Gentile, A., Iaquinta, L., and Lops, P. (2007). The jump

project : Domain ontologies and linguistic knowledge @ work. In SWAP, volume

314. CEUR-WS.org.

Beale, R. and Lonsdale, P. (2004). Mobile context aware systems : The intelli-

gence to support tasks and effectively utilise resources. volume 3160.

Behlouli, N. B. (2006). Ajout de M´ ecanismes de R´ eactivit´ e au Contexte dans

les Intergiciels pour Composants dans le Cadre d’Utilisateurs Nomades. PhD

thesis, Universit´ e d’´Evry Val d’Essonne.

Berners-Lee, T. (1998). Semantic web road map.

Berners-Lee, T. (2000). Semantic web - xml2000.

Berners-Lee, T., Hendler, J., and Lassila, O. (2001). The semantic web. Scientific

American, 284(5) :34–43.

224


Mlearning

BIBLIOGRAPHIE

Berti-Equille, L. (2002). Annotation et recommandation collaboratives de docu-

ments selon leur qualit´ e. Ing´ enierie des Syst` emes d’Information, 7(1-2) :125–

155.

Blanchard, E. (2007).

cult´ e des Arts et des Sciences, D´ epartement d’Informatique et de Recherche

Op´ erationnelle.

Motivation et culture en e-Learning.

PhD thesis, Fa-

Bomsdorf, B. (2005).

learning in higher distance education.

mann, H., editors, Mobile Computing and Ambient Intelligence : The Chal-

lenge of Multimedia, number 05181 in Dagstuhl Seminar Proceedings, Dag-

stuhl, Germany. Internationales Begegnungs- und Forschungszentrum f¨ ur In-

formatik (IBFI), Schloss Dagstuhl, Germany.

Adaptation of learning spaces : Supporting ubiquitous

In Davies, N., Kirste, T., and Schu-

Bonabeau, E., Dorigo, M., and Theraulaz, G. (1999). Swarm Intelligence : From

Natural to Artificial Systems. Oxford University Press.

Bourda, Y. (2002). Des objets p´ edagogiques aux dossiers p´ edagogiques (via

l’indexation). In Document num´ erique, pages 115–128.

Bra, P. D., Houben, G., and Wu, H. (1999). Aham : A dexter-based reference

model for adaptive hypermedia. In Proceedings of the Tenth ACM Conference

on Hypertext and Hypermedia : Returning to Our Diverse Roots : Returning to

Our Diverse Roots, pages 147–156, New York, NY, USA. ACM.

Brown, P. (1996). The stick-e document : a framework for creating context-aware

applications. pages 182–196.

Brown, P., Bovey, J., and Chen, X. (1997). Context-aware applications : from the

laboratory to the marketplace. IEEE Personal Communications, 4(5) :182–196.

Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User

Modeling and User Adapted Interaction, 6(2-3) :87–129.

Brusilovsky, P., Kobsa, A., and Nejdl, W., editors (2007). The Adaptive Web :

Methods and Strategies of Web Personalization. Springer-Verlag, Berlin, Hei-

delberg.

Br´ ezillon, P. (2002). Expliciter le contexte dans les objets communicants. In

G´ erard, P., Kintzig, C., Privat, G., and Favennec, P., editors, Les Objets Com-

municants, pages 295–303. Herm` es.

Burke, R. (2002). Hybrid recommender systems : Survey and experiments. User

Modeling and User-Adapted Interaction, 12(4) :331–370.

225


Mlearning

BIBLIOGRAPHIE

Bush, V. (1945). As we may think. Atlantic Monthly, 176 :101–108.

Camara, F., Demumieux, R., Calvary, G., and Mandran, N. (2010).

un syst` eme de recommandation sensible au contexte : Analyse de la valeur

par une etude qualitative. In Calvary, G. and Wolff, M., editors, Actes de la

conf´ erence Ergo ’IA 2010, pages 211–218, Biarritz, France. ACM.

Cocoon,

M´ ethode g´ en´ erale pour la r´ esolution des syst` emes

Compte Rendu des S´ eances de L’Acad´ emie des

Cauchy, A.-L. (1847).

d’´ equations simultan´ ees.

Sciences XXV, S´ erie A :536–538.

Chaari, T. (2007). Adaptation d’applications pervasives dans des environnements

multi-contextes. PhD thesis, INSA de Lyon.

Chaari, T., Laforest, F., and Flory, A. (2005).

contexte en utilisant les services web : Le projet secas.

Journ´ ees Francophones Mobilit´ e et Ubiquit, pages 111–118, Grenoble, France.

Adaptation des applications au

In La Deuxi` eme

Chen, G. and Kotz, D. (2000). A survey of context-aware mobile computing re-

search. Technical report, Hanover, NH, USA.

Chen, H., Finin, T., and Joshi, A. (2004a). Semantic web in the context bro-

ker architecture. In the Second IEEE International Conference on Pervasive

Computing and Communications PerCom’04, pages 277–286. IEEE Computer

Society.

Chen, H., Perich, F., Finin, T., and Joshi, A. (2004b). Soupa : Standard ontology

for ubiquitous and pervasive applications. In Mobile and Ubiquitous Systems :

Networking and Services.

Chen, L., Khan, S., Li, K., and Manning, E. (1999). Building an adaptive multime-

dia system using the utility model. In IPPS/SPDP Workshops, volume 1586 of

Lecture Notes in Computer Science, pages 289–298. Springer.

Chomienne, E., Badaoui, M., Gonzalves, N., Zene, Y., and Gentil, C. (2008).

Pr´ esentation des freins et des facteurs de changement pour l’e-learning ` a

l’heure de l’universit´ e 2.0, prospective des tendances et des evolutions des

m´ ethodes d’apprentissage.

Chu, W. and Park, S. (2009). Personalized recommendation on dynamic content

using predictive bilinear models. In Proceedings of the 18th International Confe-

rence on World Wide Web, WWW ’09, pages 691–700, New York, NY, USA.

ACM.

226


Mlearning

BIBLIOGRAPHIE

Colorni, A., Dorigo, M., and Maniezzo, V. (1992). An investigation of some proper-

ties of an ant algorithm. In Parallel Problem Solving from Nature Conference,

pages 509–520.

Cristea, A. and Andmethods, H. (2003). Laos : Layered www ahs authoring model

and their corresponding algebraic operators. In WWW 2003 Conference. ACM.

Daruwala, Y. (2008). A Constructive Memory Architecture for Context Awareness.

University of Sydney. Faculty of Architecture, Design and Planning.

de Groot, B. and van Welie, M. (2002). Leveraging the context of use in mobile

service design. In Mobile HCI, volume 2411, pages 334–338.

Degemmis, M., Lops, P., and Semeraro, G. (2007). A content-collaborative recom-

mender that exploits wordnet-based user profiles for neighborhood formation.

User Modeling and User-Adapted Interaction, 17(3) :217–255.

Delestre, N., Pecuchet, J., and Barry-Greboval, C. (1998). L’architecture d’un

hyperm´ edia adaptatif dynamique pour l’enseignement. In Nouvelles technolo-

gies de l’information et de la communication dans les formations d’ing´ enieurs

et dans l’industrie (NTICF), Rouen, France.

Derntl, M. and Hummel, K. (2005). Modeling context-aware e-learning scenarios.

In The 3rd Int’l Conf. on Pervasive Computing and Communications Workshops

(PerCom 2005 Workshops), pages 337–342. IEEE.

Dey, A. (2000). Providing Architectural Support for Building Context-aware Appli-

cations. PhD thesis, Atlanta, GA, USA.

Dey, A., Abowd, G., and Salber, D. (2001). A conceptual framework and a tool-

kit for supporting the rapid prototyping of context-aware applications. Human-

Computer Interaction, 16(2) :97–166.

Dijkstra, E. W. (1971). A short introduction to the art of programming. International

Review of Research in Open and Distance Learning.

Djallel, B. (2014). Recommandation mobile, sensible au contexte de contenus

evolutifs : Contextuel-e-greedy. CoRR.

Dobson, S. (2005).

Conference on Smart Objects and Ambient Intelligence : Innovative Context-

aware Services : Usages and Technologies, pages 189–193, New York, NY,

USA. ACM.

Leveraging the subtleties of location.

In The 2005 Joint

Dogbe-Semanou, D., Durand, A., Leproust, M., and Vanderstichel, H. (2008).

Etude comparative de plates-formes de formation ` a distance.

227


Mlearning

BIBLIOGRAPHIE

Dorigo, M. and Gambardella, L. (1997). Ant colony system : A cooperative lear-

ning approach to the traveling salesman problem. Trans. Evol. Comp, 1(1) :53–

66.

Dr´ eo, J. and Siarry, P. (2004). Continuous interacting ant colony algorithm based

on dense heterarchy. Future Generation Computer Systems, 20(5) :841–856.

Droui, M., Hajjami, A. E., and Ahaji, K. (2014).

learning : opportunit´ es et d´ efis.

Apprentissage mobile ou m-

Endrizzi, L. (2011). Les apprentissages nomades en europe : ´ el´ ements pour une

cartographie de la recherche.

Engelbart, D. (1984). Authorship provisions in augment. In COMPCON, pages

465–472. IEEE Computer Society.

F. Glover, F. (1986). Future paths for integer programming and links to artificial

intelligence. Computers and Operations Research, 13(5) :533–549.

Fahy, P. and Clarke, S. (2004). Cass – a middleware for mobile context-aware

applications. In Workshop on Context Awareness, MobiSys, pages 304–308,

Boston, Massachusetts, USA.

Felder, R. and Carolina, N. (1988). Learning and teaching styles in engineering

education. Engineering Education.

Fiehl, S., Diaz, M., and Solom, A. (2010). 1er barom` etre du e-learning en europe.

Technical report.

Fleming, N. and C.Mills (1992). Not another inventory, rather a catalyst for reflec-

tion. To Improve the Academy, 11 :137–155.

Fogel, L. (1999). Intelligence Through Simulated Evolution : Forty Years of Evo-

lutionary Programming. John Wiley & Sons, New York, NY, USA.

Fournier-Viger, P. (2005). Un mod` ele de repr´ esentation des connaissances ` a trois

niveaux de s´ emantique pour les syst` emes tutoriels intelligents. PhD thesis,

Facult´ e des Sciences, Universit´ e de Sherbrooke, Qu´ ebec, Canada.

Gagnon, M. (2009). Logique descriptive et owl. Technical report, Ecole Polytech-

nique de Montr´ eal.

Garey, M. and Johnson, D. (1990). Computers and Intractability; A Guide to the

Theory of NP-Completeness. W. H. Freeman & Co., New York, NY, USA.

Gauch, S., Chaffee, J., and Pretschner, A. (2002). Ontology-based user profiles

for search and browsing.

228


Mlearning

BIBLIOGRAPHIE

Georgiev, T., Georgieva, E., and Smrikarov, A. (2004). M-learning, a new stage of

e-learning. International Conference on Computer Systems and Technologies,

CompSysTech, pages 28–5.

Ghayam, Y. E. (2011). La Sensibilit´ e au Contexte dans un Environnement Mo-

bile. PhD thesis, Universit´ e Mohammed V Souissi-RABAT, ´Ecole Nationale

Sup´ erieure d’Informatique et d’Analyse des Syst` emes.

Ghebghoub, O., Abel, M., and Moulin, C. (2009). Lomonto : Une ontologie pour

l’indexation d’objets p´ edagogiques. In AFIA platform workshop : Constructions

d’ontologies : Vers un guide de bonnes pratiques, Hammamet, Tunisia.

Goldberg, D., Nichols, D., Oki, B., and Terry, D. (1992). Using collaborative filtering

to weave an information tapestry. Commun. ACM, 35(12) :61–70.

Goldberg, K., Roeder, T., Gupta, D., and Perkins, C. (2001).

constant time collaborative filtering algorithm. Inf. Retr., 4(2) :133–151.

Eigentaste : A

Grasha, A. and Riechmann, S. (1975). The grasha-riechmann student learning

style scales. Handbook for Faculty Development.

Gr¨ abener, T., Berro, A., and Duthen, Y. (2010). Time dependent multiobjective

best path for multimodal urban routing. Electronic Notes in Discrete Mathema-

tics, 36 :487–494.

Gruber, T. (1993). Toward principles for the design of ontologies used for know-

ledge sharing. In Formal Ontology in Conceptual Analysis and Knowledge Re-

presentation, Kluwer Academic Publishers, in press. Substantial revision of pa-

per presented at the International Workshop on Formal Ontology. Kluwer Aca-

demic Publishers.

Gu, T., Pung, H., and Zhang, D. (2004). A middleware for building context-aware

mobile services. In IEEE Vehicular Technology Conference (VTC).

Halasz, F. and Schwartz, M. (1994). The dexter hypertext reference model. Com-

mun ACM, 37(2) :30–39.

Hansen, P., Mladenovic, N., and Moreno-P´ erez, J. (2010). Variable neighbou-

rhood search : methods and applications. Annals of Operational Research,

pages 367–407.

Harries, K. and Smith, P. (1998). Code growth, explicitly defined introns and alter-

native selection schemes. Evolutionary Computation, 6 :339–360.

Haupt, R. and Haupt, S. (2004). Practical Genetic Algorithms. John Wiley & Sons,

New York, NY, USA.

229


Mlearning

BIBLIOGRAPHIE

Heckmann, D., Schwarzkopf, E., Mori, J., Dengler, D., and Kr¨ oner, A. (2007). The

user model and context ontology gumo revisited for future web 2.0 extensions.

Henricksen, K. and Indulska, J. (2004). Modelling and using imperfect context

information. In The Second IEEE Annual Conference on Pervasive Computing

and Communications Workshops, pages 33–27, Washington, DC, USA. IEEE

Computer Society.

Herlocker, J., Konstan, J., and Riedl, J. (2000). Explaining collaborative filtering

recommendations. In Proceedings of the 2000 ACM Conference on Computer

Supported Cooperative Work, pages 241–250, New York, NY, USA. ACM.

Hofer, T., Schwinger, W., Pichler, M., Leonhartsberger, G., Altmann, J., and Ret-

schitzegger, W. (2003). Context-awareness on mobile devices - the hydrogen

approach.

In The 36th Annual Hawaii International Conference on System

Sciences (HICSS’03), volume 9, pages 292–302, Washington, DC, USA. IEEE

Computer Society.

Holland, J. (1975). Adaptation in Natural and Artificial Systems. University of

Michigan Press.

Hoogeveen, M. (1995). Towards a new multimedia paradigm : is multimedia as-

sisted instruction really effective? In ED-MEDIA 95, World Conference on Edu-

cational Multimedia and Hypermedia, pages 348–353, Graz, Austria.

IEEE-LTSC (2002). 1484.12.1-2002 ieee standard for learning object metadata.

Technical report.

Jovanovic, J., Gasevic, D., Knight, C., and Richards, G. (2007). Ontologies for ef-

fective use of context in e-learning settings. Educational Technology & Society,

10(3) :47–59.

Klyne, G., Reynolds, F., Woodrow, C., Ohto, H., Hjelm, J., Butler, M., and Tran, L.

(2005). Composite capability/preference profiles (cc/pp) : Structure and voca-

bularies. Technical report.

Koch, N. and Wirsing, M. (2002). The munich reference model for adaptive hyper-

media applications. In 2nd International Conference on Adaptive Hypermedia

and Adaptive Web-Based Systems, pages 213–222.

Kolb, D. (1984). Experiential Learning : Experience as the Source of Learning

and Development. Prentis-Hall, New Jersey.

Korpipaa, P., Mantyjarvi, J., Kela, J., Keranen, H., and Malm, E. (2003). Managing

context information in mobile devices. IEEE Pervasive Computing, 2(3) :42–51.

230


Mlearning

BIBLIOGRAPHIE

Kouninef, B., Djelti, M., and Rerbal, S. (2007). Conception et r´ ealisation d’une

plateforme e-learning avec migration au m-learning.

Lain´ e-Cruzel, S. (1999). Profildoc : Filtrer une information exploitable. Bulletin

des Biblioth` eques de France, (5) :60–65.

Leclercq, D. (1998). Pour une p´ edagogie universitaire de qualit´ e. Mardaga.

Li, L., Chu, W., Langford, J., and Schapire, R. (2010). A contextual-bandit ap-

proach to personalized news article recommendation. In Proceedings of the

19th International Conference on World Wide Web, pages 661–670.

Lieberman, H. (1995). Letizia : An agent that assists web browsing. In The 14th

International Joint Conference on Artificial Intelligence, volume 1, pages 924–

929, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.

Li´ enard, F. (2010). Du e-learning au m-learning : quel(s) int´ erˆ et(s) pour les ap-

prentissages?

Liu, C. (2011). Providing recommendations for mobile learning : Opportunities

and challenges from context.

Livingstone, D. (2001). Adults’ informal learning : Definitions, finds, gaps, and

future research : New approaches for lifelong learning (nall). Centre for the

Study of Education and Work, OISE/UT.

Magnini, B. and Strapparava, C. (2000). Experiments in word domain disambi-

guation for parallel texts. In Proceedings of the ACL-2000 Workshop on Word

Senses and Multi-linguality, volume 8, pages 27–33, Stroudsburg, PA, USA.

Association for Computational Linguistics.

Makssoud, K. A. (2008). Syst` eme d’Acc` es Personnalis´ e ` a l’Information : Applica-

tion au Domaine M´ edical. PhD thesis, Institut National des Sciences Appliqu´ ees

de Lyon.

McCarthy, J. and Buvac, S. (1994). Formalizing context (expanded notes). Tech-

nical report, Stanford, CA, USA.

McSherry, F. and Mironov, I. (2009). Differentially private recommender systems :

Building privacy into the net. In Proceedings of the 15th ACM SIGKDD Interna-

tional Conference on Knowledge Discovery and Data Mining, pages 627–636,

New York, NY, USA. ACM.

Mercier, F., David, B., Chalon, R., and Berthet, J. (2004). Amphith´ eˆ atres inter-

actifs dans l’enseignement sup´ erieur. In Technologies de l’Information et de

la Connaissance dans l’Enseignement Sup´ erieur et de l’Industrie, pages 400–

406, Compi` egne, France. Universit´ e de Technologie de Compi` egne.

231


Mlearning

BIBLIOGRAPHIE

Metropolis, N., Rosenbluth, A., Rosenbluth, M., Teller, A., and Teller, E. (1953).

Equation of State Calculations by Fast Computing Machines. The Journal of

Chemical Physics, 21(6) :1087–1092.

M¨ uhlenbein, H. and Paass, G. (1996). From recombination of genes to the es-

timation of distributions i. binary parameters. In PPSN 1996, pages 178–187.

Springer-Verlag.

Mladenovic, N. and Hansen, P. (1997). Variable neighborhood search. Computers

and Operations Research, 24(11) :1097–1100.

Moran, T. and Dourish, P. (2001). Introduction to this special issue on context-

aware computing. Human-Computer Interaction, 16(2) :87–95.

Most´ efaoui, G., Pasquier-Rocha, J., and Br´ ezillon, P. (2004). Context-aware com-

puting : A guide for the pervasive computing community. In ICPS, pages 39–48.

IEEE Computer Society.

Murray, T. (1999). Authoring intelligent tutoring systems : An analysis of the state

of the art. International Journal of Artificial Intelligence in Education (IJAIED),

10(1) :98–129.

Naismith, L., Lonsdale, P., Vavoula, G., and Sharples, M. (2005). Literature review

in mobile technologies and learning. Technical report, A Report for NESTA

Futurelab.

Nelson, T. (1965). Complex information processing : A file structure for the com-

plex, the changing and the indeterminate. In Proceedings of the 1965 20th

National Conference, pages 84–100, New York, NY, USA. ACM.

Nicholson, T. (1971). Optimization In Industry : Industrial Applications.

NISO (2004). Understanding metadata. Technical report, NISO Press.

O.Catteau (2008). Le cycle de vie de l’objet p´ edagogique et de ses m´ etadonn´ ees.

O’Malley, C., Vavoula, G., Glew, J., Taylor, J., and Sharples, M. (2005). Guidelines

for learning/teaching/tutoring in a mobile environment.

Pan, F. (2007). Representing complex temporal phenomena for the semantic web

and natural language. PhD thesis, University of Southern California.

Pascoe, J. (1998). Adding generic contextual capabilities to wearable computers.

In ISWC, pages 92–99.

232


Mlearning

BIBLIOGRAPHIE

Pazzani, M. and Billsus, D. (2007). Content-based recommendation systems.

In The Adaptive Web : Lecture Notes in Computer Science, chapitre Content-

Based Recommendation Systems, volume 4321, pages 325–341. Springer-

Verlag.

Petrelli, D., Not, E., Strapparava, C., Stock, O., and Zancanaro, M. (2000). Mo-

deling context is like taking pictures. In Conference on Human Factors in Com-

puters, Workshop ”The What, Who, Where, When, Why and How of Context-

Awareness”.

Pham, C. (2010). Conception d’un syst` eme d’apprentissage et de travail pervasif

et adaptatif fond´ e sur un mod` ele de sc´ enario. PhD thesis, INFO - D´ ept. Infor-

matique (Institut Mines-T´ el´ ecom-T´ el´ ecom Bretagne-UEB), UBS - Universit´ e de

Bretagne Sud, UEB - Universit´ e Europ´ eenne de Bretagne.

Picot-Cl´ emente, R. (2011). Une Architecture G´ en´ erique de Syst` emes de Recom-

mandation de combinaison d’items. Application au Domaine du Tourisme. PhD

thesis, Universit´ e de Bourgogne.

Pinkwart, N., Hoppe, H., Milrad, M., and Perez, J. (2003). Educational scenarios

for cooperative use of personal digital assistants. Journal of Computer Assisted

Learning, 19(3) :383–391.

Platteaux, H. (2002). Apprentissage et navigation dans les multim´ edias educatif.

Technical report.

Quillian, R. (1968).

pages 216–270. MIT Press.

Semantic memory.

In Semantic Information Processing,

Quinn, C. (2000). mlearning : Mobile, wireless, in-your-pocket learning. LiNE

Zine. Fall.

Mod` ele Utilisateur et Mod´ elisation Utilisateur dans les

Razmerita, L. (2003).

syst` emes de Gestion des connaissances : une approche fond´ ee sur les on-

tologies. PhD thesis, Universit´ e Paul Sabatier, Toulouse, France.

Rechenberg, T. (1965). Cybernetic solution path of an experimental problem.

Technical report, Royal Air Force Establishment.

Resnick, P. and H.R.Varian (1997). Recommender systems. Commun. ACM,

40(3) :56–58.

Rheaume, J. (1993). Les hypertextes et les hyperm´ edias. Revue EducaTechno-

logie, 1(2).

233


Mlearning

BIBLIOGRAPHIE

Ricardo, A. B.-Y. and Ribeiro-Neto, B. (1999).

Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA.

Modern Information Retrieval.

Ryan, N. (1999). Contextml : Exchanging contextual information between a mo-

bile client and the fieldnote server.

Salton, G. (1989). Automatic Text Processing : The Transformation, Analysis, and

Retrieval of Information by Computer. Addison-Wesley Longman Publishing

Co., Inc., Boston, MA, USA.

Salton, G. and McGill, M. (1983). Introduction to modern information retrieval.

McGraw-Hill, New York.

Schafer, J., Frankowski, D., Herlocker, J., and Sen, S. (2007).

web. chapter Collaborative Filtering Recommender Systems, pages 291–324.

Springer-Verlag, Berlin, Heidelberg.

The adaptive

Schilit, B., Adams, N., and Want, R. (1994). Context-aware computing applica-

tions. In The 1994 First Workshop on Mobile Computing Systems and Applica-

tions, pages 85–90, Washington, DC, USA. IEEE Computer Society.

Schilit, B., Hilbert, D., and Trevor, J. (2002). Context-aware communication. IEEE

Wireless Commun, 9(5) :46–54.

Schilit, B. and Theimer, M. (1994). Disseminating active map information to mobile

hosts. IEEE Network : The Magazine of Global Information Exchange, 8(5) :22–

32.

Schilit, B., Theimer, M., and Welch, B. (1993). Customizing mobile applications.

In The USENIX Symposium on Mobile and Location-Independent Computing,

pages 129–138.

Schmidt-Schaub, M. and Smolka, G. (1991). Attributive concept descriptions with

complements. Artificial Intelligence, 48(1) :1–26.

Shahabi, C., Kashani, F., Yi-Shin, C., and McLeod, D. (2001). Yoda : An accurate

and scalable web-based recommendation system. In Proceedings of the 9th

International Conference on Cooperative Information Systems, pages 418–432,

London, UK, UK. Springer-Verlag.

Sharples, M. (2006). How can we address the conflicts between personal in-

formal learning and traditional classroom education? In Big Issues in Mobile

Learning, Report of a Workshop by the Kaleidoscope Network of Excellence.

Mobile Learning Initiative, pages 21–24, University of Nottingham.

234


Mlearning

BIBLIOGRAPHIE

Sharples, M., S´ anchez, I. A., Milrad, M., and Vavoula, G. (2009). Mobile learning :

Small devices, big issues. In Balacheff, N., Ludvigsen, S., de Jong, T., Lazon-

der, A., Barnes, S., and L.Montandon, editors, Technology-Enhanced Learning :

Principles and Products, pages 233–249. Springer Netherlands.

Sheng, Q. and Benatallah, B. (2005). Contextuml : a uml-based modeling lan-

guage for model-driven development of context-aware web services. In The 4th

International Conference on Mobile Business, pages 206–212.

Sheth, B. and Maes, P. (1993). Evolving agents for personalized information fil-

tering. In Proceedings of the 9th IEEE Conference on Artificial Intelligence for

Applications.

Siadaty, M., Torniai, C., Gasevic, D., Jovanovic, J., Eap, T., and Hatala, M. (2008).

m-loco : An ontology-based framework for context-aware mobile learning. In

International Workshop on Ontologies and Semantic Web for Intelligent Educa-

tional Systems collocated with the 9th International Conference on Intelligent

Tutoring Systems.

Soylu, A., Causmaecker, P. D., and Desmet, P. (2009). Context and adaptivity in

context-aware pervasive computing environments. Ubiquitous, Autonomic and

Trusted Computing, 2009, UIC-ATC 09, Symposia and Workshops on, pages

94–101.

Stefani, A. and Strappavara, C. (1998). Personalizing Access to Web Sites : The

SiteIF Project. Proceedings of the 2nd Workshop on Adaptive Hypertext and

Hypermedia HYPERTEXT’98.

Strang, T. and Linnhoff-Popien, C. (2004). A context modeling survey. In Work-

shop on Advanced Context Modelling, Reasoning and Management, UbiComp

2004 - The Sixth International Conference on Ubiquitous Computing, Nottin-

gham, England.

Syvanen, A., Beale, R., Sharples, M., Ahonen, M., and Lonsdale, P. (2005). Sup-

porting pervasive learning environments : Adaptability and context awareness

in mobile learning. In The IEEE International Workshop on Wireless and Mo-

bile Technologies in Education, pages 251–253, Washington, DC, USA. IEEE

Computer Society.

Tadlaoui, M., Chikh, A., and Bouamrane, K. (2010). Un mod` ele de r´ ef´ erence pour

les applications web adaptatif´Educatif. In LEAFA 2010 : The First International

Conference on e-Learning For All, Hammamet, Tunisia.

Tarski, A. (1941).

6(3) :73–89.

On the calculus of relations.

Journal of Symbolic Logic,

235


Mlearning

BIBLIOGRAPHIE

Traxler, J. (2005). Mobile learning : It’s here, but what is it? In Kukulska-Hulme,

A. and Traxler, J., editors, A Handbook for Educators and Trainers. London,

Routledge.

Traxler, J. (2007). Defining, discussing, and evaluating mobile learning : The mo-

ving finger writes and having writ.... International Review of Research in Open

and Distance Learning, 8(2).

Vozalis, E. and Margaritis, K. (2003). Analysis of recommender systems’ algo-

rithms. In The 6th Hellenic European Conference on Computer Mathematics &

its Applications (HERCMA), Athens, Greece.

Wang, X., Zhang, D., Gu, T., and Pung, H. (2004). Ontology based context mo-

deling and reasoning using owl. In The Second IEEE Annual Conference on

Pervasive Computing and Communications Workshops, Washington, DC, USA.

IEEE Computer Society.

Weiser, M. (1991). The computer for the 21st century. Scientific American Special

Issue on Communications, Computers, and Networks.

Les m´ etaheuristiques : des outils performants pour les

Widmer, M. (2001).

probl` emes industriels. In 3` eme Conf´ erence Francophone de MOd´ elisation et

SIMulation : Conception, Analyse et Gestion des Syst` emes Industriels, MO-

SIM’01.

Wiley, D., Recker, M., and Gibbons, A. (2000). The reusability paradox.

Winograd, T. (2001). Architectures for context. In Human-Computer Interaction,

pages 402–419.

Yin, C. (2010). SAMCCO : un Syst` eme d’Apprentissage Mobile Contextuel et

Collaboratif dans des Situations Professionnelles. PhD thesis, Ecole Centrale

de Lyon.

236


Mlearning

LISTE DES ABR´ EVIATIONS

CAMLearn : Context-Aware Mobile Learning

ABox : Assertions Box

ACO : Ant Colony Optimization

AEP : Association of Educational Publishers

AFNOR : Association franc ¸aise de normalisation

AHAM : Adaptive Hypermedia Application Model

AL : Attribute Language

ALEM : Adaptive Learning Environment Model

AMULETS : Advanced Mobile and Ubiquitous Learning Environments for Tea-

chers and Students

API : Application Program Interface

BOS : Bag-Of-Synsets

CASS : Context-Awareness Sub-Structure

CC : Creative Commons

CC/PP : Composite Capabilities/Preferences Profiles

CEdMA : Computer Education Managers Association

Checksem : Semantic Intelligence Research

CMF : Context Management Framework

CML : Context Modeling Language

CMS : Course Management System

CoBrA : Context Broker Architecture

ConteXtML : Contexte Markup Language

DGT : Grand Dictionnaire Technologique

DRIM-AP : Dispositifs Radios Interactifs Multiples et Amphis Participatifs

DTD : Document Type De?nition

EAO : Enseignement Assist´ e par Ordinateur

EDA : Estimation of Distribution Algorithm

EIAO : Enseignement Intelligent Assist´ e par Ordinateur

FIFO : First In First Out

FIPA : Foundation for Intelligent Physical Agents

GPS : Global Positioning System

IADIS : International Mobile Learning Conference

IAmLearn : International Association for Mobile Learning

237


Mlearning

BIBLIOGRAPHIE

IEEE : Institute of Electrical and Electronics Engineers

IMS-LD : IMS Learning Design

ISO : International Organization for Standardization

ITR : ITerm Recommender

LabSET : Laboratoire de Soutien ` a l’Enseignement T´ el´ eematique

LD : Logique de Description

LE2I : Laboratoire Electronique, Informatique et Image

LMS : Learning Management Systems

LMS : Learning Management System

LO : Learning Object

LOM : Learning Object Metadata

LRMI : Learning Resource Metadata Initiative

LRS : Learning Record Store

LSS : Learning Support System

LTSC : Learning Technology Standards Committee

MARA : Mobile Augmented Reality Applications

MEV : Mod` ele d’Espace Vectoriel

MLE : Managed Learning Environment

MLR : Management Learning Resources

MoULe : Mobile and Ubiquitous Learning

MP3 : Mpeg Audio Layer 3

NLS : oN Line System

OCL : Object Constraint Language

ONON : CONtext ONtology

OWL : Web Ontology Language

PC : Personal Computer

PDA : Personal Digital Assistant

RDF : Resource Description Framework

RDFS : RDF Schema

RDIF : Radio Frequency IDentification

RIF : Rule Interchange Format

RuleML : Rule Markup Language

SCO : Sharable Content Object

SCORM : Sharable Content Object Reference Model

SE : Strat´ egies d’Evolution

SGA : Syst` eme de Gestion de l’Apprentissage

SGBD : Syst` eme de gestion de base de donn´ ees

SGBDO : Syst` emes de Gestion de Base de Donn´ ees Objet

SGML : Standard Generic Markup Language

SGRM : Syst` eme de G´ en´ eration de R` egles M´ etiers

238


Mlearning

BIBLIOGRAPHIE

SOCAM : Service-Oriented Context-Aware Middleware

SPARQL : Protocol and RDF Query Language

SQL : Structured Query Language

STI : Syst` emes Tutoriels Intelligents

SWRL : Semantic Web Rule Language

T2T : Text to Teach

TBox : Terminology Box

TFIDF : Term Frequency-Inverse Document Frequency

TIC : Technologies d’Information et de Communication

UIT : Union Internationale des T´ el´ ecommunications

UML : Unified Modeling Language

URI : Uniform Resource Identifier

UTC : Coordinated Universal Time

VAK : Visuel, Auditif, Kinesth´ esique

VLE : Virtual Learning Environmen

VNS : Variable Neighborhood Search

W3C : World Wide Web Consortium

WWW : World Wide Web

XML : eXtended Markup Language

XML : Extensible Markup Language

XSL : Extensible Stylesheet Language

239


Mlearning

TABLE DES FIGURES

Pourcentage des salari´ es ayant suivi une formation e-learning

1.1

. .

19

´Evolution de l’usage des technologies de t´ el´ ecommunication et

mobiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

20

´Evolution de l’usage des dispositifs mobiles . . . . . . . . . . . . .

1.3

20

1.4

Cartographie du m-learning, version 1 . . . . . . . . . . . . . . . .

21

1.5

Cartographie du m-learning, version 2 . . . . . . . . . . . . . . . .

23

Architecture minimale d’un syst` eme sensible au contexte . . . . .

2.1

44

2.2

Architecture de Context Toolkit . . . . . . . . . . . . . . . . . . . .

46

2.3

Architecture de CMF . . . . . . . . . . . . . . . . . . . . . . . . . .

47

2.4

Architecture de CoBrA . . . . . . . . . . . . . . . . . . . . . . . . .

48

2.5

Architecture de SOCAM . . . . . . . . . . . . . . . . . . . . . . . .

49

2.6

Architecture de CASS . . . . . . . . . . . . . . . . . . . . . . . . .

50

2.7

Architecture en couches (Daruwala, 2008) . . . . . . . . . . . . . .

51

Architecture g´ en´ erale de m-LOCO . . . . . . . . . . . . . . . . . .

2.8

53

Recommandation bas´ ee sur le contenu . . . . . . . . . . . . . . .

3.1

60

3.2

Filtrage collaboratif . . . . . . . . . . . . . . . . . . . . . . . . . . .

65

4.1

Cycle de vie d’un LO . . . . . . . . . . . . . . . . . . . . . . . . . .

81

Carte heuristique des m´ etadonn´ ees de LOM . . . . . . . . . . . .

4.2

86

Architecture de la sp´ ecification IMS-LD

4.3

. . . . . . . . . . . . . . .

88

4.4

Composition du content package . . . . . . . . . . . . . . . . . . .

88

Le mod` ele d’agr´ egation de contenu SCORM

4.5

. . . . . . . . . . . .

90

Le mod` ele de s´ equencement et de navigation SCORM

4.6

. . . . . .

92

Mod` ele des objets p´ edagogiques . . . . . . . . . . . . . . . . . . .

4.7

94

241


Mlearning

TABLE DES FIGURES

Architecture g´ en´ erale du syst` eme m-learning . . . . . . . . . . . . 100

5.1

Architecture du serveur s´ emantique de connaissances . . . . . . . 101

5.2

Architecture en couches des standards du Web s´ emantique . . . . 103

5.3

Aperc ¸u simplifi´ e du mod` ele des LO . . . . . . . . . . . . . . . . . . 110

5.4

Aperc ¸u simplifi´ e des concepts de la dimension spatiale

5.5

. . . . . . 112

Aperc ¸u simplifi´ e des concepts de la dimension temporelle . . . . . 114

5.6

Aperc ¸u simplifi´ e des diff´ erents acteurs du syst` eme . . . . . . . . . 115

5.7

Aperc ¸u simplifi´ e des concepts de la dimension utilisateur

5.8

. . . . . 116

Aperc ¸u simplifi´ e des concepts de la dimension dispositif . . . . . . 118

5.9

5.10 Exemple de contexte . . . . . . . . . . . . . . . . . . . . . . . . . . 120

5.11 Interface de gestion des r` egles . . . . . . . . . . . . . . . . . . . . 123

5.12 Architecture du mod` ele d’adaptation . . . . . . . . . . . . . . . . . 125

Aperc ¸u simplifi´ e du graphe des LO . . . . . . . . . . . . . . . . . . 132

6.1

6.2

Parcours mono-support . . . . . . . . . . . . . . . . . . . . . . . . 133

Mod´ elisation simplifi´ ee multi-support . . . . . . . . . . . . . . . . . 135

6.3

Fonction de coˆ ut d’un probl` eme combinatoire . . . . . . . . . . . . 138

6.4

Principes g´ en´ eraux d’une m´ etaheuristique ` a base de solution unique139

6.5

Principes g´ en´ eraux d’une m´ etaheuristique ` a population de solutions 139

6.6

Tourn´ ee du voyageur de commerce

6.7

. . . . . . . . . . . . . . . . . 140

Exploration de l’espace des solutions par la m´ ethode de recherche

locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

6.8

Variation de l’´ energie par l’algorithme de recuit simul´ e . . . . . . . 144

6.9

6.10 Exploration par une approche ´ evolutive

. . . . . . . . . . . . . . . 148

6.11 Comportement d’une colonie de fourmis . . . . . . . . . . . . . . . 153

6.12 Exploration de l’espace des solutions par une m´ ethode VNS

. . . 161

6.13 Introduction de la perturbation dans la recherche ` a voisinage variable161

A.1 M´ ethodes et technologies des hyperm´ edia adaptatifs . . . . . . . . 183

A.2 Mod` ele Dexter (Halasz and Schwartz, 1994)

. . . . . . . . . . . . 184

A.3 Mod` ele AHAM (Bra et al., 1999)

. . . . . . . . . . . . . . . . . . . 185

242


Mlearning

TABLE DES FIGURES

A.4 Mod` ele Munich (Koch and Wirsing, 2002) . . . . . . . . . . . . . . 186

A.5 Mod` ele LAOS (Cristea and Andmethods, 2003) . . . . . . . . . . . 187

A.6 Mod` ele ALEM (Tadlaoui et al., 2010) . . . . . . . . . . . . . . . . . 188

´Evolution des logiques de description

B.1

. . . . . . . . . . . . . . . . 198

C.1 Triplet RDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210

C.2 Exemple de graphe RDF . . . . . . . . . . . . . . . . . . . . . . . . 211

243


Mlearning

LISTE DES TABLES

1.1

Tableau comparatif de LMS . . . . . . . . . . . . . . . . . . . . . .

16

´Evaluation des approches de mod´ elisation du contexte par rapport

aux crit` eres de (Strang and Linnhoff-Popien, 2004), (Yin, 2010) . .

2.1

43

Exigences pour les syst` emes sensibles au contexte (Daruwala, 2008) 54

2.2

3.1

Forces et faiblesses des approches de recommandation . . . . . .

68

Liste des ´ el´ ements du Dublin Core . . . . . . . . . . . . . . . . . .

4.1

85

5.1

Concepts de la dimension dispositif

. . . . . . . . . . . . . . . . . 119

6.1

Valeurs moyennes de Pert pour les algorithmes G, HC, RS, T et VNS165

Temps moyen d’ex´ ecution pour les algorithmes G, HC, RS, T et VNS166

6.2

B.1 La grammaire du langage de description de concepts selon AL

B.2 La s´ emantique du langage de description de concepts selon AL . 195

B.3 Constructeurs des logiques de description . . . . . . . . . . . . . . 196

. 194

B.4 Constructeurs : syntaxe et s´ emantique . . . . . . . . . . . . . . . . 196

B.5 Familles de logique de description . . . . . . . . . . . . . . . . . . 197

B.6 Constructeurs OWL

. . . . . . . . . . . . . . . . . . . . . . . . . . 199

B.7 Axiomes OWL 2

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

B.8 Moteurs d’inf´ erence . . . . . . . . . . . . . . . . . . . . . . . . . . 204

C.1 Formats RDF support´ es par chaque les triplestores

. . . . . . . . 214

C.2 Langages de requˆ etes support´ es . . . . . . . . . . . . . . . . . . . 215

C.3 Moteurs d’inf´ erence . . . . . . . . . . . . . . . . . . . . . . . . . . 216

C.4 Langages de requˆ etes support´ es . . . . . . . . . . . . . . . . . . . 217

C.5 Licence des triplestore . . . . . . . . . . . . . . . . . . . . . . . . . 218

245


Mlearning

R´ esum´ e :

Au vu de l’´ emergence rapide des nouvelles technologies mobiles et la croissance des

offres et besoins d’une soci´ et´ e en mouvement en formation, les travaux se multiplient pour

identifier de nouvelles plateformes d’apprentissage pertinentes afin d’am´ eliorer et faciliter le

processus d’apprentissage ` a distance. La prochaine ´ etape de l’apprentissage ` a distance est

naturellement le port de l’apprentissage ´ electronique vers les nouveaux syst` emes mobiles.

On parle alors de m-learning (apprentissage mobile). Jusqu’` a pr´ esent l’environnement

d’apprentissage ´ etait soit d´ efini par un cadre p´ edagogique soit impos´ e par le contenu

d’apprentissage. Maintenant, nous cherchons, ` a l’inverse, ` a adapter le cadre p´ edagogique

et le contenu d’apprentissage au contexte de l’apprenant. Nos travaux de recherche portent

sur le d´ eveloppement d’une nouvelle architecture pour le m-learning. Nous proposons une

approche pour un syst` eme m-learning contextuel et adaptatif int´ egrant des strat´ egies de

recommandation de sc´ enarios de formations sans risque de rupture.

M-learning, Contexte, Recommandation, Web s´ emantique, Algorithmes combinatoires.

Mots-cl´ es :

Abstract:

Given the rapid emergence of new mobile technologies and the growth of needs of a moving

society in training, works are increasing to identify new relevant educational platforms to

improve distant learning. The next step in distance learning is porting e-learning to mobile

systems. This is called m-learning. So far, learning environment was either defined by an

educational setting, or imposed by the educational content. In our approach, in m-learning,

we change the paradigm where the system recommends content and adapts learning follow

to learner’s context.

M-learning, Context, Recommendation, Semantic Web, Combinatorial algorithms.

Keywords:


  • Login