Raisonnement à partir de cas dynamique multi-agents - Application à un système de tuteur intelligent

Abstract

Nos travaux de thèse se situent dans le domaine des Systèmes d'Aide à la Décision (SAD) pour les situations dynamiques fondées sur les expériences passées. Plusieurs approches telles que les Réseaux de Neurones, Réseau de Petri et les Modèles de Markov Cachés ont été utilisées dans ce contexte mais elles souffrent de limites dans la gestion automatique et en temps réel des paramètres dynamiques (le concepteur doit définir au préalable les différentes situations possibles). Nous proposons une architecture multi-agents multicouche fondée sur le raisonnement à partir de cas dynamique et incrémentale (RàPCDI) capable d’étudier les situations dynamiques (reconnaissance, prédiction, et apprentissage de situations). Nous proposons une approche générique qui acquiert elle-même les connaissances du système dynamique étudié. En outre, les systèmes de RàPC statiques souffrent de limites dans la gestion des paramètres dynamiques et ils sont incapables de détecter automatiquement l’évolution de ses paramètres ainsi que de s’adapter aux changements de la situation en cours d’évolution. En se basant sur le raisonnement à partir de cas et sur le paradigme multi-agents, nous proposons une modification du cycle statique de RàPC dans le but d’introduire un processus dynamique de raisonnement à partir de cas fondé sur une mesure de similarité dynamique, capable d'évaluer en temps réel la similarité entre une situation dynamique en cours de progression (cas cible) et des expériences passées stockées dans la mémoire du système (des cas sources) afin de prédire la suite de la situation cible (coté comportemental). Nous validons l’approche proposée par la mise en oeuvre d'un prototype de Tuteur Intelligent, capable d’initier et de gérer un apprentissage et d’assurer un suivi individualisé de l’apprenant. Les Systèmes Tutoriels Intelligents actuels possèdent deux limitations importantes : (1) la difficulté d’acquisition des connaissances du domaine, (2) ils sont liées aux domaines d'apprentissage (manque de généricité). Or, ces deux facteurs ont un rôle très important à jouer dans le processus permettant aux systèmes de formation et plus particulièrement aux systèmes tutoriels intelligents de mieux s’adapter aux apprenants. L'approche Incremental Dynamic Case Based Reasoning-Multi-Agent System (IDCBR-MAS) que nous proposons permet d'apporter des éléments de réponses aux difficultés liées au développement et aux limites des systèmes tutoriels intelligents. En effet, notre approche, nécessite moins de connaissances du domaine ce qui constitue un atout pour sa mise en pratique. Et en plus, nous proposons une approche générique indépendante de tout domaine d'apprentissage. Dans notre approche IDCBR-MAS, les expériences passées sont modélisées sous la forme des traces. Elles comprennent les productions et les actions résultantes de l’interaction de l'apprenant avec la plateforme d'apprentissage. IDCBR-MAS a été analysé, conçu et modélisé suivant la méthodologie de développement de système multi-agents AUML. Ses agents ont été développés en se basant sur JAVA et la plateforme SMA/JADE.