L’objectif de cette thèse était d’explorer, selon une approche interdisciplinaire et qualitative les besoins et les intérêts d’apprentissage des personnes aînées francophones de l’Ontario et de déterminer les facteurs qui, selon elles, influencent leur apprentissage. La question principale qui a guidé cette recherche cherchait à savoir ce qu’apporte la perspective des personnes aînées à la connaissance gérontagogique et à la théorie de l’apprentissage en général, compte tenu des connaissances relatives à la cognition et à l’éducation, compte tenu aussi des pratiques en cours. Nous avions posé deux hypothèses à savoir que, d’une part, pour les personnes aînées francophones, l’apprentissage au troisième âge contribue positivement à leur bien-être en société, à leur santé et à leur mieux-être et, d’autre part, pour les personnes aînées francophones la langue est un facteur important les incitant à participer aux activités d’apprentissage dans leur milieu. Pour répondre à l’objectif de notre thèse, nous avions eu recours à la théorisation ancrée qui est une approche permettant de saisir mieux l’articulation entre la théorie et le terrain (Glaser et Strauss, 2010). Cette articulation a été possible grâce à l’analyse des témoignages de groupes de discussions en relation avec le concept de gérontagogie. Les résultats de notre thèse se présentent sous la forme d’une contribution théorique et conceptuelle à la gérontagogie en tant que discipline en émergence. Le témoignage des personnes aînées, jusqu’à présent absent des débats, apporte une contribution importante et un éclairage nouveau en permettant d’établir un pont entre la théorie et l’application des connaissances sur le terrain. Cette étude révèle des résultats et propose une structure de base aux connaissances relatives à la gérontagogie sous l’optique de cinq principales dimensions que sont: la perception de l’apprentissage, les besoins d’apprentissage, les intérêts d’apprentissage, les méthodes d’apprentissage et les barrières et appuis à l’apprentissage au troisième âge. Nous avons atteint certains points de saturation en rapport avec l’apprentissage continu et la santé, ainsi qu’en relation avec l’apprentissage continu et l’importance de la langue française. Cette thèse a mené à des conclusions importantes pour l’avenir d’une science de l’éducation pour les personnes du troisième âge, pour la gérontagogie.

Thèse (M.Sc.)--Université Laval, 2007. / Titre de l'écran-titre (visionné le 5 mai 2008). Bibliogr.

Mémoire (M. Ed.)--Université du Québec à Chicoutimi, 1989. / Document électronique également accessible en format PDF. CaQCU

Thèses (M.A.)--Université de Sherbrooke (Canada), 2001. / Titre de l'écran-titre (visionné le 20 juin 2006). Publié aussi en version papier.

Made available in DSpace on 2014-06-11T19:24:55Z (GMT). No. of bitstreams: 0 Previous issue date: 2011Bitstream added on 2014-06-13T20:13:23Z : No. of bitstreams: 1 xavier_it_me_mar.pdf: 553736 bytes, checksum: dcc22f8c2780eeb1bd0657e3b46a4cc6 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Unidade Ffc / Dans cette recherche on a eu pour but d’analyser les stratégies d’apprentissage dans le support virtuel, viabilisées par le parcours stratégique ; de vérifier le changement de support à partir de la perception des élèves ; et, d’analyser l’importance du médiateur dans le processus d’enseignement/apprentissage de la langue française même dans le support virtuel. Les stratégies d’apprentissage, quand viabilisées par le parcours stratégique, peuvent possibiliter que l’apprenant ait une meilleure perfomance dans son processus d’apprentissage et ait plus de conscience sur les mécanismes qu’il peut utiliser pour apprendre. L’analyse du changement de support met en évidence l’un des changements qui touche l’école : l’insertion de l’internet dans le processus d’apprentissage. Et, analyser l’importance du médiateur dans le support virtuel permet de faire une réfléxion sur le rôle du professeur et l’utilisation de la technologie en classe. De cette façon, on a essayé de répondre à ces questions suivantes : Quelle est l’importance des stratégies d’apprentissage pour le travail avec la compréhension orale ? Quels sont les avantages de l’utilisation de l’internet en classe de FLE (Français Langue Étrangère), qui ne sont pas trouvés, par exemple, dans l’utilisation d’une vidéo ? Quel peut être le rôle de l’internet dans l’enseignement du FLE ? Il y a un lien immédiat entre varier les documents en classe et l’augmentation de la motivation des élèves ? Quels seraient les inconvénients de l’internet dans l’utilisation en classe ? Le médiateur est dispensable dans le support virtuel ? Ainsi, ce travail a eu pour référence théorique la contribution... (Résumé complet accès életronique cidessous) / Nesta pesquisa, pretendeu-se analisar as estratégias de aprendizagem em material didático virtual, viabilizadas pelo percurso estratégico; verificar como ocorre a mudança de suporte a partir da percepção dos alunos; e, analisar a importância do mediador no processo de ensino/aprendizagem da língua francesa mesmo em suporte virtual. As estratégias de aprendizagem, quando viabilizadas pelo percurso estratégico, podem possibilitar que o aprendiz tenha um melhor desempenho em seu processo de aprendizagem e tenha mais consciência de quais mecanismos pode utilizar para aprender. A inserção da internet no processo de aprendizagem da LE traz à tona a discussão que tem atingido as salas de aulas. E, analisar a relevância do mediador no suporte virtual também permite uma reflexão sobre o papel do professor e o uso da tecnologia em sala de aula. Dessa forma, buscou-se responder às perguntas de pesquisa: Qual a importância das estratégias de aprendizagem para o trabalho com a compreensão oral? Quais são as vantagens da utilização da internet em classe de FLE (Francês Língua Estrangeira), que não são encontradas, por exemplo, na utilização de um vídeo? Qual pode ser o papel da internet no ensino do FLE? Há ligação imediata entre variar os documentos em classe e aumento da motivação dos alunos? Quais seriam os inconvenientes da internet na utilização em sala de aula? O mediador é dispensável no suporte virtual? Assim sendo, o presente trabalho teve como referencial teórico a contribuição dos seguintes autores: Paul Cyr (1998) – estratégias de aprendizagem; Crivilim, Polido e Taillefer (2004) – uso de estratégias de aprendizagem por meio da inovação dos enunciados das atividades; Vera Lucia Menezes...

Cette thèse propose de s'intéresser au problème de la prédiction en apprentissage statistique sous contrainte de coût, notamment du coût de l'information utilisée par le système de prédiction. Les approches classiques d'apprentissage statistique utilisent généralement le seul aspect de la performance en prédiction pour évaluer la qualité d'un modèle, ignorant le coût potentiel du modèle, par exemple en quantité de données utilisées en apprentissage (nombre d'exemples, nombre d'étiquette, mémoire) ou en inférence (quantité de features -ou caractéristiques-). Nous proposons plus particulièrement dans ce manuscrit plusieurs approches pour l'inférence sous contrainte de coût en terme de caractéristiques. Nous développons trois modèles qui intègrent pendant l'apprentissage une notion du coût de l'information utilisée pour la prédiction, avec pour objectif de contraindre le coût de la prédiction en inférence. Nous présentons un modèle de sélection de features appliqué au démarrage à froid en recommendation, puis deux méthodes adaptatives d'acquisition de caractéristiques, qui permettent un meilleur compromis coût/prédiction, dans un cadre plus général. Nous utilisons des méthodes d'apprentissage de représentations avec des architectures type réseau de neurones récurrents et des algorithmes par descente de gradient pour l'apprentissage. La dernière partie du manuscrit s'intéresse au coût lié aux étiquettes, usuellement dénommé apprentissage actif dans la littérature. Nous présentons nos travaux pour une approche nouvelle de ce problème en utilisant le méta-apprentissage ainsi qu'une première instanciation basée sur des réseaux récurrents bi-directionnels. / This thesis studies the problem of machine learning under budget constraints, in particular we propose to focus on the cost of the information used by the system to predict accurately. Most methods in machine learning usually defines the quality as the performance (e.g accuracy) on the task at hand, but ignores the cost of the model itself: for instance, the number of examples and/or labels needed during learning, the memory used, or the number of features required to predict at test-time. We propose more specifically in this manuscript several methods for cost-sensitive prediction w.r.t. the quantity of features used. We present three models that learn to predict under such constraint, i.e that learn a strategy to gather only the necessary information in order to predict well but with a small cost. The first model is a static approach applied on cold-start recommendation. We then define two adaptive methods that allow for a better trade-off between cost and accuracy, in a more generic setting. We rely on representation learning techniques, along with recurrent neural networks architecture and gradient descent algorithms for learning. In the last part of the thesis, we propose to study the problem of active-learning, where one aims at constraining the amount of labels used to train a model. We present our work for a novel approach of the problem using meta-learning, with an instantiation using bi-directional recurrent neural networks.

Ces dernières années, les progrès continuels des techniques de criblage et de séquençage à haut débit ont nourri la biologie des systèmes, ouvrant la voie à l’identification de systèmes dynamiques biologiques tels que des réseaux de régulation génique. Cependant, l’insuffisance et la mauvaise qualité des données expérimentales se traduisent trop souvent par des estimations incertaines des paramètres d’intérêt des systèmes étudiés : ces incertitudes peuvent être levées en produisant de nouvelles données dans des conditions expérimentales variées, ce qui implique un coût potentiellement élevé. Dans cette thèse, nous proposons un nouvel algorithme d’apprentissage actif, destiné à recommander de manière séquentielle les expériences les plus utiles à l’identification de systèmes dynamiques biologiques modélisés par des équations différentielles. Le problème est formulé sous la forme d’un jeu à un joueur : le joueur se voit attribuer un budget dédié aux expérimentations, et un coût spécifique est affecté à chaque expérience ; à chaque tour, il est amené à choisir une, voire plusieurs expériences réalisées sur le système étudié dans le but de maximiser la qualité de l’estimation, une fois le budget épuisé. Notre approche, intitulée « ExperimentalDEsign for Network inference » (EDEN), s’appuie sur la classe d’algorithme UCT (Upper Confidence bounds for Trees search) qui allie la souplesse de la recherche arborescente de Monte-Carlo à l’efficacité des algorithmes de bandits multi-bras pour parcourir l’ensemble des séquences d’expériences possibles en privilégiant surtout celles qui sont les plus prometteuses. EDEN présente le grand avantage d’anticiper les expériences suivantes en sélectionnant à chaque tour des expériences sachant qu’elles seront suivies par un certain nombre d’autres expériences. Illustrée sur deux cas d’étude, le réseau de signalisation JAK/STAT et un des réseaux de régulation génique proposé dans la compétition internationale DREAM7, EDEN, entièrement automatique, obtient de très bonnes performances pour un budget limité et un large choix d’expériences (perturbations, mesures). / Continuous progress in screening and high-throughput sequencing techniques in recent years paves the way for the identification of dynamic biological systems such as gene regulatory networks. However, the scarcity of the experimental data often leads to anuncertain estimation of parameters of interest. These uncertainties can be solved by generating new data in different experimental conditions, which induces additional costs. This thesis proposes a general active learning approach to develop tools of sequential experimental design for the identification of dynamical biological systems. The problem is formulated as a one-player game : the player has a budget dedicated for his experiments, each experiment has a different cost ; at every turn, he chooses one or more experiments to be performed on the system with the ultimate aim of maximizing the quality of the estimate, until the available budget is exhausted. The proposed approach called Experimental DEsign for Network inference (EDEN), is based on UCT (Upper Confident bounds for Trees) algorithm which combines Monte-Carlo tree search algorithms with multi-arm bandits to perform an effective exploration of the possible sequences of experiments. A strong point of the approach is anticipation : an experiment is selected at each round, knowing that this round will be followed by a number of other experiments, according to the available budget. This generic approach is rolled out in parameter estimation in nonlinear ordinary differential equations using partial observations. EDEN is applied on two problems : signaling network and gene regulatory network identification. Compared to the competitors, it exhibits very good results on a DREAM7 challenge where a limited budget and a wide range of experiments (perturbations, measurements) are available.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Thèse diffusée initialement dans le cadre d'un projet pilote des Presses de l'Université de Montréal/Centre d'édition numérique UdeM (1997-2008) avec l'autorisation de l'auteur.

Thèse ou mémoire avec insertion d'articles / Le transfert de connaissances a priori est essentiel pour améliorer les performances des modèles modernes d'apprentissage profond et réduire les coûts pour les entraîner. Cet article vise à étudier ce sujet important en établissant des cadres théoriques systématiques pour le transfert de connaissances a priori en apprentissage profond. Premièrement, nous introduisons un cadre théorique unifié reliant les approches conventionnelles d'apprentissage à apprendre et les méthodes modernes de méta-apprentissage indépendant du modèle (MAML). Les méthodes conventionnelles apprennent conjointement des modèles spécifiques à une tâche et des méta-paramètres en utilisant tous les données, tandis que MAML alterne entre les données de méta-train et de méta-validation pour entraîner les modèles et les méta-paramètres. Nous fournissons des bornes de généralisation qui sont dépendantes de l'algorithme d'apprentissage et des données, garantissant l'efficacité des deux approches. De plus, nous analysons l'impact des séparations des données de méta-train et méta-validation sur l'apprentissage alterné et proposons des bornes de généralisation non-trivials pour "l'apprentissage profond avec peu d'exemples", qui sont estimées avec l'incohérence de gradient entre les donnés de méta-train et tous les données. Par la suite, pour l'adaptation de domaine, cette thèse procède à une analyse complète des travaux théoriques antérieurs, visant à aborder certaines limites concernant les approches utilisant l'alignement de la représentation, le changement de distribution cible et le pseudo-étiquetage. Concrètement, nous présentons des analyses rigoureuses basées sur la théorie de l'information mutuelle pour l'adaptation de domaine multi-sources et proposons un algorithme qui effectue un alignement de représentation conjointe avec des pseudo-étiquettes pour atténuer le changement de distribution cible. Cet algorithme peut surpasser celui des travaux précédents dans le scénario non supervisé. Enfin, nous visons à résoudre le dilemme stabilité-plasticité dans le méta-apprentissage continu. Nous sommes les premiers à formuler théoriquement ce problème constitué d'un mélange d'apprentissage statistique et d'apprentissage en ligne dans des environnements statiques ou changeants. La théorie proposée peut identifier les facteurs influençant le compromis apprentissage-oubli à deux niveaux pour l'apprenant d'une tache et le méta-apprenant dans des environnements changeants. Nous proposons en outre un algorithme qui équilibre ce compromis à deux niveaux avec des performances empiriques améliorées. Dans l'ensemble, cette thèse fournit un cadre théorique unifié pour le méta-apprentissage, résout certaines limitations de l'adaptation de domaine et aborde le dilemme stabilité-plasticité dans le méta-apprentissage continu. Ses contributions constituent une amélioration de notre compréhension de ces domaines et proposent de meilleures méthodes de transfert de connaissances dans l'apprentissage profond. / Transferring prior knowledge is crucial in enhancing performance and reducing the training costs of modern deep-learning models. This thesis aims to study this important topic by developing systematic theoretical frameworks for prior knowledge transfer in deep learning. Firstly, we introduce a unified theoretical framework connecting the conventional learning-to-learn approaches and the modern model-agnostic meta-learning (MAML) methods. Conventional methods jointly learn task-specific models and meta-parameters using the entire dataset, while MAML alternates between meta-train and meta-validation sets for training models and meta-parameters. We provide algorithm-dependent and data-dependent generalization bounds, ensuring the effectiveness of both approaches. Furthermore, we analyze the impact of meta-train-validation split on alternate training methods and offer non-vacuous generalization bounds for deep few-shot learning estimated with the gradient-incoherence between the meta-train and the entire dataset. Subsequently, for domain adaptation, the thesis conducts a comprehensive analysis of previous theoretical works, aiming to address several limitations in representation alignment, target shift, and pseudo-labeling. Concretely, we present rigorous analyses based on information-theoretic learning theory for multi-source domain adaptation and propose an algorithm that conducts joint representation alignment with pseudo labels to mitigate target shift. The proposed algorithm outperforms previous works under the unsupervised scenario. Finally, we aim to address the stability-plasticity dilemma in continual meta-learning. We are the first to theoretically formulate this online statistical mixture learning problem in both static and shifting environments. The proposed theory can identify factors influencing the bi-level (task- and meta-level) learning-forgetting trade-off in shifting environments. We further propose an algorithm that balances the bi-level trade-off with enhanced empirical performance. Overall, this thesis provides a unified theoretical framework for meta-learning, addresses several limitations in domain adaptation, and tackles the stability-plasticity dilemma in continual meta-learning. Its contributions constitute improving our understanding of these areas and proposing new enhanced methods of knowledge transfer in deep learning.