modélisation de l’utilisateur et de...
TRANSCRIPT
Modélisation de l’utilisateur et de l’apprenant
Mention Informatique
Spécialité ANDROIDE
Jean-Marc LABAT
La modélisation de l'utilisateur
• Introduction
Les problématiques
Les 2 catégories d'approches
Définition
• Les architectures cognitives
ACT, SOAR
Exemples : SETHI, SIMPLUS
• Les modèles symboliques statiques
Définition
Exemples
• Les modèles numériques
Définition
Exemples
Bilan
• Conclusion
Introduction
• Problématique très importante de l'IA
sur un plan fondamental
– travail théorique
– travail pluridisciplinaire : neuro-sciences, psychologie cognitive, linguistique
sur un plan appliqué
– pour personnaliser l'enseignement
– pour fournir une aide appropriée à l'utilisation de logiciels
– pour connaître les besoins des internautes
Participation de l'IA au projet de compréhension globale de la cognition humaine
Participation de l'IA à l'amélioration de l'Interaction Homme-Machine
Introduction
• Pourquoi modéliser l’humain ?
Adapter le comportement des systèmes à leurs utilisateurs
» Adapter le parcours dans un hypermédia
» Sélectionner le contenu dans un environnement d’apprentissage
Aider l’humain
» À prendre des décisions grâce au partage d'expériences entre personnes qui partagent les mêmes goûts ou les mêmes affinités
– Notion de décision collaborative
» À utiliser un logiciel
» À connaître le comportement d’autres humains
– des apprenants
– des clients
Faire jouer à l’ordinateur le rôle d’un humain
» Modéliser un enseignant
» Modéliser un joueur
» Modéliser un participant
Améliorer
l’interaction H-M
Se substituer au moins
en partie à un humain
Faciliter l’activité
d’un humain
Introduction
• NE PAS MODELISER PLUS QUE NECESSAIRE
X
X X
X X X
X
X X
Réactions possibles du système États de la modélisation de l’humain
La précision de la modélisation de l’humain est inutile si
plusieurs états conduisent toujours à la même situation
• L'approche symbolique
• L'approche numérique
Modèles dynamiques
» objectif : simuler ou rejouer le comportement de l'humain
» utilisation des systèmes à base de connaissances
Modèles statiques (avec mise à jour)
» objectif : stocker de l'information pour prendre des décisions
» utilisation d'attributs-valeurs
Modèles basés sur des calculs et des méthodes d'apprentissage
Ce sont des modèles statiques avec mise à jour
» objectif : avoir un modèle complet qui ne répond jamais de manière aberrante
» utilisation
–des réseaux neuronaux
–des réseaux bayésiens
–du filtrage collaboratif
2 catégories d'approches
Les architectures cognitives
Proposition complète sur la structure de la cognition humaine
l'objectif est d'obtenir un comportement "intelligent", c'est-à-dire flexible
Propriétés d'une architecture cognitive
Fortes et nombreuses !
Hypothèse fondamentale :
Les capacités cognitives humaines conscientes sont bien représentées, sur le plan psychologique,
par le formalisme des règles de production
Ce sont des modèles symboliques exécutables dont le but est d’expliquer par
la simulation le comportement humain
Propriétés • Avoir un comportement rationnel, orienté par les buts et adapté à
l'environnement
• Agir en temps réel dans un environnement complexe
• Utiliser différents niveaux d'abstraction de type symbolique
• Apprendre à partir de l'environnement et de l'expérience
• Faire preuve de conscience de soi (de réflexivité)
• 2 exemples emblématiques
• ACT* (R= rational) http://act-r.psy.cmu.edu/ • Une mémoire déclarative : Les "chunks" ( "cognitive unit" dans ACT*)
• Une mémoire procédurale : les règles de production
•Activer les règles de production a un certain coût en temps calculé par le système
• SOAR version 9.5.0 http://sitemaker.umich.edu/soar/home
• Combiner connaissances et recherche flexible grâce aux notions
d'espace-problème et de règles de productions
Propriétés que doit posséder une architecture cognitive
Exemple d’utilisation
• SETHI : Simulateur d’Environnement Tactique Hétérogène Interactif
système temps-réel de simulation de Forces
a pour fonction d'animer le champ de bataille dans lequel sont immergés des agents virtuels et des avatars de simulateurs physiques.
conçu pour l’entraînement technique et tactique de personnels de différents échelons grâce à la mise en réseau de simulateurs participant à un exercice commun
• SETHI est constitué de quatre composants principaux :
Les fonctionnalités qui permettent à l'utilisateur de définir les scénarios de simulation et de contrôler leur déroulement en temps-réel ;
les bases de données contenant toutes les informations de terrains, d’armes, de véhicules, de réactions comportementales, …
le noyau de calcul qui maintient les données cohérentes en temps réel
une couche réseau permettant le partage d’objets et de messages en temps réel entre applications s’exécutant sur des machines distantes
Exemple d’utilisation
• MEbS (Modèle de sélection d’action Emotionnelle basé sur SOAR) est
composé de 2 sous-systèmes :
Système d’évaluation des émotions
» alimenté par les informations sur l’état de l’environnement et de l’agent
issues de SETHI.
» chaque agent évalue la situation par rapport à un ensemble de critères
qui lui sont propres.
Système de prise de décision
» alimenté par les informations sur les possibilités d’actions issues de
SETHI et les informations sur l’état émotionnel de l’agent issues du
système d’évaluation des émotions
» fournit à SETHI les actions à exécuter par l’agent.
le comportement de l’agent émerge d’une suite de plusieurs cycles de
décision
» Un cycle de décision de MEbS inclut l’évaluation des émotions suivi de
plusieurs cycles de décision de Soar
Exemple d’utilisation
• Modèle de sélection d’action Emotionnelle basé sur SOAR (MEbS)
Olga Kozlova, stage chez Thales 2005-2006
MEbS a pour but de fournir à SETHI un
système comportemental alternatif qui
permet à certains types d’agents
virtuels qui ne suivent pas la doctrine
militaire typique (civils, terroristes,
milices) d’exhiber un comportement
réaliste et de prendre en compte des
événements particuliers.
Evaluation des
Emotions
Choix des
actions
Détections issues
de l'Environnement
(tirs, ennemis, etc.)
Ressources de
l'Agent (armes,
santé, mobilité,
cibles détectés)
Choix de la
Strategie
Peur
Colère
Joie
Agression
Fuite
Abandon
Exploration
Cycle de decision pour chaque agent
Cycle de décision de l'agent
Exemple 2 : Jeux d'entreprises sur le Web
• Exemple de Jeu en ligne: Simulgest
Chaque groupe de joueurs pilote une entreprise
10 périodes, chacune représentant une année
Un ensemble de décisions (une vingtaine) à prendre chaque année :
» production,
» commerciales,
» financières
Des paramètres fixés par le tuteur (ou l’arbitre) :
» évolution du marché
• Besoins
» au moins 6 joueurs pour rendre les jeux intéressants
» fournir des commentaires, des explications aux joueurs
– Pour diminuer le travail du tuteur
Architecture du jeu en ligne
Site de jeu Site du tuteur
Moteur de simulation
Aide aux équipes
Navigation et
simulation
Envoi
des
décisions
Echange
de données
Réception
des
résultats
Base de données
Équipes
Tuteur/arbitre
Objectif : Élaborer une méthode s’appuyant sur une rétro-conception
Propriété remarquable : l’expertise du domaine est embarquée dans le
simulateur
Extraire ces connaissances et les exprimer de manière déclarative pour
concevoir des joueurs virtuels
• Etape 1: Analyser et modéliser la prise de décision
– Quelles sont les différentes étapes ?
– Quelles sont les variables utilisées dans la prise de décision ?
– Quelles sont les variables calculées par des fonctions (algorithmiques)
• Etape 2: Sélectionner dans la BD les tables et les attributs
utilisés par le moteur de simulation
– Chaque table nécessaire devient un template CLIPS
– Chaque attribut devient un slot dans le template correspondant
Méthodologie générale de conception d'un joueur virtuel
Processus de développement
• Etape 3 : Analyser les fonctions utilisées par le moteur de
simulation
– Fonctions traduisant des connaissances algorithmiques
– Ces fonctions sont dupliquéées telles quelles dans le SE
– Fonctions traduisant l’expertise
– Les paramètres intervenant sont identifiés
– Les seuils sont déterminés par une analyse fine du moteur de
simulation
• Etape 4: Concevoir et réaliser les joueurs virtuels
• Chaque type de joueur est représenté par une BC
• L’expertise est basée sur les seuils déterminés à l’étape précédente
• 3 types : ambitieux, neutre, timoré
Modèle de l’utilisateur : modèles statiques
• Définition
Un modèle utilisateur est une représentation explicite des caractéristiques des utilisateurs interagissant avec un système
Pas une modélisation générale
» Mais une modélisation adaptée au contexte et aux objectifs visés par l’introduction d’un modèle utilisateur
• Qui est modélisé
» l’utilisateur et les autres, y compris les agents artificiels
• Quelle structure le modèle contient-il ?
Y a-t-il un modèle
» par utilisateur
» par groupe d’utilisateurs
Dimensions d’un modèle utilisateur : QUOI ?
• Que modélise-t-on ?
La connaissance
le niveau d’expertise
Le background
les croyances
les objectifs
les plans
les intentions
les intérêts
les préférences
les émotions
la motivation
l’historique des interactions
» Par session
» Sur un ensemble de sessions
Domaine cognitif
But de l’utilisateur
Domaine affectif
L’historique
Dimensions d’un modèle utilisateur : QUOI ?
• Connaissances
L’une des caractéristiques la plus utilisée, pratiquement tous y font référence.
Nécessite de reconnaître les modifications de celles-ci et de mettre à jour le modèle utilisateur.
En général fondé sur un «overlay model» :
» Fondé sur une représentation conceptuelle des concepts du
domaine
» Issu des systèmes tuteur intelligents et des modélisations
d’étudiants.
Dimensions d’un modèle utilisateur : QUOI ?
• Connaissances
« Overlay model » :
» Représente la connaissance d’un utilisateur sur un sujet
donné, comme un «recouvrement» du domaine.
» Pour chaque concept du domaine, un tel modèle mémorise
une valeur qui est une estimation de la connaissance de
l’individu sur ce concept : binaire, qualitative, une mesure
quantitative (par ex une probabilité)
» Difficile d’initialiser le modèle, même par un interview de
l’étudiant.
Dimensions d’un modèle utilisateur : QUOI ?
• Connaissances
Modèle fondé sur un stéréotype :
» Le système distingue plusieurs modèles typiques ou stéréotypes d’utilisateurs
» Chaque utilisateur est rattaché à un stéréotype
–Un modèle de stéréotype = une paire (Stéréotype, valeur) ou la valeur peut être booléenne (appartient ou non au stéréotype) ou probabiliste.
Combinaison des deux modèles :
» Le modèle de stéréotype est utilisé au départ pour classer un utilisateur et pour fixer des valeurs initiales au modèle «Overlay model »
» ensuite un modèle d’« overlay » classique est utilisé
Dimensions d’un modèle utilisateur : QUOI ?
• Background
Sert à initialiser le modèle de l’apprenant
» Grâce à l’utilisation d’heuristiques basées sur l’expérience des concepteurs du système
Dans les hypermédia
» Initialise les informations liées par exemple aux expériences précédentes de l’utilisateur non liées à l’hypermédia, mais pertinentes pour celui-ci
Dimensions d’un modèle utilisateur : Propriétés
• Caractéristiques
Statique ou dynamique ?
Court terme ou long terme ?
Modèle pour une ou plusieurs applications ?
Stabilité dans le temps des caractéristiques du modèle ?
• Quelle est la nature des informations ?
De nature qualitative et/ou quantitative ? certaine ?
le modèle est-il consistant ou les inconsistances sont-elles autorisées ?
Dimensions d’un modèle utilisateur : COMMENT ?
• Acquisition du modèle utilisateur
Acquisition a priori par le concepteur, par défaut
» Observation directe
– la plus précise, mais la plus coûteuse
–Permet d’identifier les classes d’utilisateurs, leurs tâches, les facteurs critiques, comme la pression sociale,
» Interviews
–Plus court et moins coûteux que la méthode précédente
–Permet d’obtenir l’expérience, les opinions, les motivations comportementales, les avis sur les outils existants
Dimensions d’un modèle utilisateur : COMMENT ?
• Acquisition du modèle utilisateur
Acquisition a priori par le concepteur
» Questionnaires
–Obtention à moindre coût d’un maximum de données
–Permet des études statistiques et des généralisations plus fortes que les interviews
» Par observation du comportement en cours d’utilisation
–Du même utilisateur ou des utilisateurs précédents
Acquisition en temps réel
» Inférences sur les interactions
» Mémorisation des interactions
» Sélection de stéréotype(s)
» Reconnaissance de plans ou de tâches
Exemple : Les hypermédia adaptatifs
• Définition [Brusilovsky ]:
– By adaptive hypermedia systems we mean all hypertext and
hypermedia systems which reflect some features of the user in the user
model and apply this model to adapt various visible aspects of the
system to the user.
– Un système hypermédia adaptatif
• possède des règles d’adaptation
• possède un modèle utilisateur
• adapte l’hypermédia à partir de ce modèle et de ces règles
Exemple : Les hypermédia adaptatifs
• Objectifs
– Permettre l’accès à l’information pertinente
– Résoudre les problèmes de navigation
– Améliorer la compréhension d’un document complexe
• Moyens
– Le système a un Modèle des Buts, Préférences et Connaissances
de l’utilisateur et l’utilise dans l’interaction pour s’adapter aux
besoins de ceux-ci.
– A partir de ce ou de ces modèles, le système va adapter
l’information, les liens ou la présentation de l’hypermédia.
Les hypermédia adaptatifs
Modèle utilisateur Contenu
Information
Règles d’adaptation
Technique d’adaptation
Méthodes pour
Hypermédias
Adaptatifs
Présentation
Adaptative
Navigation
Adaptative
Présentation
multimédia
adaptative
Présentation
adaptative de
texte
Adaptation de
modalité
Guidage Direct
Tri des liens
Masquage des
liens
Annotation de
liens
Adaptation de
carte
Masquage
Désactivation
Suppression
Fragments
conditionnels
Pages et fragments
variants
Strechtext
Tri de fragments
Techniques à base
de frames
• Introduction
Différents types de modélisations numériques de l'humain
Tendances
• Réseaux Bayésiens
Définition
Inférence
Apprentissage
Études de cas
» Hydrive
• Systèmes de decision collaborative
• Conclusion
Les approches numériques
Pourquoi des modèles numériques ?
• Tenir compte de l'incertain
en général, ni les buts, ni les connaissances, ni l'état affectif de
l'utilisateur ne sont parfaitement connus
pour les buts, on peut espérer une réponse par questionnement direct
» Encore faut-il savoir quelle question poser, et donc faire des inférences
sur l'activité de l'utilisateur
– ex: MS Office Agent: « Voulez-vous ... ? »
• Faire de l'apprentissage machine
extraire des connaissances à partir des données
Utiliser des techniques d'apprentissage
» numérique (datamining)
» symbolique (PLI)
Un exemple : Connaissances de Unix
DIFFICULTY OF "MORE"
SIMPLE
MUNDANE
COMPLEX
ESOTERIC
DIFFICULTY OF "FG“ (foreground-
tâche au premier plan)
SIMPLE
MUNDANE
COMPLEX
ESOTERIC
KNOWLEDGE BY U OF "MORE"
NOT KNOWN
KNOWN
KNOWLEDGE BY U OF "RWHO"
NOT KNOWN
KNOWN
KNOWLEDGE BY U OF "FG"
NOT KNOWN
KNOWN
UNIX EXPERTISE OF U
EXPERT
INTERMEDIATE
BEGINNER
NOVICE
DIFFICULTY OF "RWHO“ (qui
est connecté à distance ? )
SIMPLE
MUNDANE
COMPLEX
ESOTERIC
Réseaux Bayésiens
• Pourquoi utiliser des RB en modélisation de l'utilisateur ?
● Utilisés en IA pour prendre en compte l'incertain.
● Possibilité d'apprentissage machine
● Intégration de données et de savoir expert
● Sémantique (relativement) claire
• Difficultés
● Comment les construire ?
» Pb du recueil d'expertise ou des données
● Comment (bien) s'en servir ?
● Validation ?
Rappels: Probabilité conditionnelle
Réseaux Bayésiens - Définition
• Réseau bayésien
● Graphe dont les noeuds sont des variables aléatoires
● La topologie du graphe traduit les dépendances entre les v.a.
• Formellement :
● G=(V,A) un graphe acyclique orienté et X1,...,X
n n v.a. telles qu'il existe
une bijection entre l'ensemble des Xi et V, et
● Donc il faut déterminer :
» Les arcs et leurs orientations
–arc de A vers B: A est une cause de B
» Les tables de probabilités conditionnelles
• Utilisation des propriétés du graphe (d-séparation) pour obtenir des informations de dépendances entre les v.a., puis calculer leurs lois.
P X1, ,X
ni 1
n
P Xi Pa Xi
(
RB modélisant les connaissances de Unix
Connaissances de Unix
• Au départ, rien n’est su sur l’utilisateur (partie gauche des v.a.)
• Quand on apprend que l’utilisateur connait la commande « MORE »
mise à jour des probabilités des v.a. (partie droite)
Inférence
prédictive Inférence
diagnostique
Evolution du RB avec les informations successives sur les connaissances de l’utilisateur
Blanc : Initial
Gris : More est réussi
Vert : RWHO est réussi
Noir : FG est raté
Observables
1
2
3
Comment lire l'indépendance conditionnelle sur le graphe
X et Y sont conditionnellement indépendantes sachant Z (i.e l'information ne circule
pas de X à Y (et de Y à X) sachant Z) ssi P(X,Y|Z)=P(X|Z).P(Y|Z)
Z
X
Y
Nœud grisé :
information
Exemple : 1) X = cambriolage Y = Tremblement de terre Z = alarme
2) X = pelouse humide Y = pelouse voisin humide Z = il a plu
3) X = ensoleillement Y = prix du blé Z = récolte abondante
1 2 3
X X
Z Z
Y Y
X est connu
Z est connu
Un exemple: Hydrive
Loi jointe dans Hydrive
Mise à jour des probabilités dans Hydrive
Les calculs exacts deviennent vite très complexes
Construction du réseau
• Un RB est spécifié par
La structure du graphe
» Existence et orientation des arcs
Les tables de probabilités conditionnelles
» Pour chaque noeud X il faut connaitre P(X|parents(X))
• Deux types d'approches
Recueil d'expertise
Apprentissage automatique (machine learning)
Mélange des deux
• Un des intérêts des RB
Possibilité de combiner le savoir expert avec l'apprentissage automatique
Recueil d'expertise
• Acquisition de connaissances auprès d'experts
Dans les systèmes experts traditionnels on modélise le
raisonnement de l'expert, par exemple la démarche d'un médecin
pour établir un diagnostic
Dans les RB on aura plutôt tendance à modéliser le phénomène
physique sous-jacent, par exemple les connaissances (bio) que
l'on a sur une maladie
Recueil d'expertise
• Structure
Noeud: répertorier les évènements possibles
» Distinguer les variables observables de celles qui ne le sont pas
– Variables informationnelles
– Variables hypothétiques
Arcs
» Existence : est-ce que A à une influence sur B ?
» Orientation : est-ce que A est une cause de B ?
– Insuffisant de se demander si une information sur A modifie B, car
la réponse est oui dans les deux sens !
– «Pierre est fort en math parce qu'il a résolu tel exercice difficile»
ou bien «Pierre à résolu un exercice difficile parce qu'il est fort en
math» ?
Réseaux Bayésiens : Bilan
• Avantages:
– Sémantique
– Théoriquement bien fondés
– Multiplicité des usages
– Possibilité d'apprentissage machine
• Inconvénients:
– Construction
• Probabilités a priori
• Structure
– Prise en compte de différentes structures
Exemple : Gestion de la relation client ref : GRC R. Lefébure, G. Venturi, Eyrolles
• Objectifs
Analyse client
» Acquérir, équiper, satisfaire, fidéliser
Analyse produit
» Identifier les attentes, positionner, améliorer le produit
• Connaissances du client
Segmentation comportementale
Techniques de scoring
Outils de data mining
Valeur client
» Expression numérique du rapport qualité/prix du client
– Ce qu’il a rapporté – ce qu’il a coûté sur une période
Gestion de la relation client
• Définition de la segmentation comportementale
Division des clients en groupe homogènes en regard des critères
• Critères de segmentation
Le CA
la récence, la fréquence, le montant total des achats
» Appelée RFM
Le cycle de vie du client (son âge !),
le comportement
» Utilisation de techniques statistiques multivariées (analyse factorielle)
• Construction
A partir d’un échantillon représentatif
» Chaque segment terminal doit comporter au moins 300 clients
Gestion de la relation client
• Les modèles prédictifs (ou scoring)
Construction d’une fonction qui « probabilise » la réponse du client ou
du prospect
Divise la population par rapport à un comportement particulier
Le résultat s’exprime sous forme d’un score pour chaque individu
• Construction
Identifier une population soumise à un même événement
Identifier la variable à expliquer
Utilisation de techniques de régression
» Régression linéaire
» Régression logistique : utilisable avec des données qualitatives
Systèmes de decision collaborative
• Problèmes de décision ou de recherche « universels »
– le problème doit être partagé par de multiples utilisateurs
– les utilisateurs s’intéressent à des objets de même type (films, CD, textes)
– les utilisateurs doivent être capables de donner des exemples de ce qu’ils aiment et/ou de ce qu’ils n’aiment pas
• Problèmes de décision ou de recherche répétitifs
– historique du passé + retour sur expérience
• Moyens techniques
– réseau accessible par tous les utilisateurs (et BD partagée)
• Exemples d’applications
– Systèmes de conseil de CD, video, Hi-Fi,
– Systèmes de conseil en TV, cinema, théatre, opéra
– Sélection de contenus pour la e-formation
– Choix de lieu de vacances
– Filtrage automatique de la littérature sur le Web
Le filtrage collaboratif
• Idée
– Modéliser la notion de partage d'expériences entre personnes qui
partagent les mêmes goûts ou les mêmes affinités
• Méthode
– Utiliser Internet pour mettre en commun les jugements portés sur
des produits
• Objectif
– Proposer des "produits" en adéquation avec le profil d'une personne
• en se basant sur ses propres opinions précédentes
– pas de modélisation a priori de la personne
• sur les opinions d'un groupe de personnes
– concernant les mêmes types de produit
=> Système d'aide à la décision collaborative
(Collaborative Decision Support)
Le filtrage collaboratif
• Différentes approches de filtrage
– Techniques "cognitives"
• Filtrage basé sur le contenu
• Calcul d'un profil des "produits" par une méthode de vecteurs
pondérés par l'importance des critères
• Calcul de la similitude entre produits à partir des vecteurs
– Techniques "sociales"
• Filtrage basé sur la proximité des personnes par rapport aux avis
qu'elles portent sur les produits concernés
– Techniques hybrides
• Filtrage basé à la fois sur la proximité entre les produits et entre les
personnes
Filtrage orienté "contenu"
Alternatives
a
b
c
Individus
1
2
4 e
d 3
g = f (b, s) s
b
Filtrage orienté "individu"
Alternatives
a
b
c
Individus
1
2
4 e
d 3 b
g = f (a, b) a
Techniques hybrides
Alternatives
a
b
c
Individus
1
2
4 e
d 3
Calcul de similarités
entre individus
Évaluation multicritère
de l'indifférence entre
objets
Avantages des systèmes de décision collaboratif
• Caractéristiques
– Les décideurs n'ont pas à expliquer leurs décisions
– l'approche est applicable même si les décideurs utilisent différents critères pour
évaluer les alternatives
– l'approche permet un apprentissage progressif des préférences de l'utilisateur
– il est possible de prendre en compte l'évolution des préférences au cours du temps
BILAN
• La modélisation de l’utilisateur est un sujet incontournable
Pour l’amélioration de l’Interaction Homme-Machine
» Presque toutes les applications sont concernées
– Dans le cadre de la navigation sur le web
– Pour l’aider à accomplir une tâche
– Pour l’aider à choisir
Pour l’amélioration de la communication Homme-Homme
» pour la gestion de la relation
» Pour le tuteur humain
• Modéliser l’humain est une activité très difficile
Modèles le plus souvent statiques
Nécessité des techniques d’IA pour la mise à jour
» Apprentissage symbolique et/ou numérique
Complémentarité entre l'IA
"sciences des conditions générales et effectives de l'intelligence" et
"sciences des artefacts interactifs"
Des pointeurs
• A. Becker, P. Naïm. Les réseaux bayesiens, modèles graphiques de
connaissances, Eyrolles, 2001
• A. Jameson. Numerical uncertainty management in user and student
modeling: an overview of systems and issues, in User- Adapted Interaction,
volume 5 (3-4), n°5, pages193-251, 1996
• R. Myslevy, D. Gitomer. The role of probability-based inference in an
intelligent tutoring system, in User-Modeling and User- Adapted Interaction,
n°5, pages 253-282, 1996
• C. Conati, A. Gertner, K. Vanlehn. Using Bayesian networks to manage uncertainty in student modeling, in Journal of User Modeling and User-Adapted Interaction, volume 12 (4), pages371-417, 2002
• A. Bunt, C. Conati. Probabilistic student modelling to improve exploratory behaviour, in Journal of User Modeling and User-Adapted Interaction, volume 13 (3), pp 269-309, 2003
Bibliographie
• Architectures cognitives
A. Newell, P. S. Rosenbloom et J.E. Laird : "Symbolic Architectures for cognition" dans
Foundations of Cognitive Science, MIT Press, pp 93-131, 1989
H. A. Simon : "Invariants of Human Behavior", Annu. Rev Psycho.,41, pp 1-19,90
H. A. Simon : "Artificial intelligence: an empirical science", AI 77, pp 95-127, 95
ACT-R : J. R. Anderson : Rules of the Mind, Lawrence Erlbaum Ass. Publ.
SOAR : "A preliminary analysis of the Soar architecture as a basis for general intelligence", P.S. Rosenbloom, J. E. Laird, A. Newell, R. McCarl, AI 47, pp 289-325, 91
Y. Anzaï and H. A. Simon : "The theory of Learning by Doing", Psychological review, vol 86, n°2, pp 124-140, 1979
[Vanlehn, 91] K. Vanlehn : "Rule Acquisition events in the Discovery of Problem-Solving Strategies", Cognitive Science vol 15, pp 1-47, 1991
• Communauté internationale User modeling (UM)
http://um.org/