Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Mon travail s'inscrit dans une problématique de la formation continue des enseignants du secondaire et revêt un enjeu double: comment engager les enseignants sur la voie de la réflexivité ? Peut-on vraiment former des enseignants sur la base de la réciprocité formative et du compagnonnage ? Interroger les pratiques de formation pour la mise en place d’un nouveau dispositif de professionnalisation des enseignants au Burkina Faso semble nécessaire dans un contexte de mutations plurielles. Les professionnels de l’enseignement secondaire sont confrontés à de multiples questions sur leur public, leur métier, leurs objectifs et leurs missions. Les situations complexes d’exercice du métier exigent des changements dans le processus formatif pour une meilleure appropriation de l’environnement professionnel. Ceci en développant des types de relations mutuelles, en rapport à autrui et aux savoirs enseignants. L'objectif de ma recherche est d’une part de proposer à partir des concepts d’apprentissage coopératif et celui de compagnonnage un dispositif de formation qui favoriserait son accès à un plus grand nombre d’enseignants et d'autre part comment, selon un point de vue sociologique, les enseignants en situation de groupe, construisent une coopération en termes d'attitudes et de savoirs. / Pas de résumé anglais

En référence au champ théorique de la didactique professionnelle et de la clinique de l'activité, cette étude a permis d’analyser l'activité de 3 directeurs d'école débutants lors de réunions d'équipe. L'analyse des entretiens fait apparaître l’influence des interrelations sur l'activité des sujets et leur impact sur l'apprentissage professionnel.

Il y a actuellement des efforts pour faire opérer des robots dans des environnements complexes, non bornés, évoluant en permanence, au milieu ou même en coopération avec des humains. Leurs tâches peuvent être de types variés, hiérarchiques, et peuvent subir des changements radicaux ou même être créées après le déploiement du robot. Ainsi, ces robots doivent être capable d'apprendre en continu de nouvelles compétences, dans un espace non-borné, stochastique et à haute dimensionnalité. Ce type d'environnement ne peut pas être exploré en totalité, le robot va devoir organiser son exploration et décider ce qui est le plus important à apprendre ainsi que la méthode d'apprentissage. Ceci devient encore plus difficile lorsque le robot est face à des tâches à complexités variables, demandant soit une action simple ou une séquence d'actions pour être réalisées. Nous avons développé une infrastructure algorithmique d'apprentissage stratégique intrinsèquement motivé, appelée Socially Guided Intrinsic Motivation for Sequences of Actions through Hierarchical Tasks (SGIM-SAHT), apprenant la relation entre ses actions et leurs conséquences sur l'environnement. Elle organise son apprentissage, en décidant activement sur quelle tâche se concentrer, et quelle stratégie employer entre autonomes et interactives. Afin d'apprendre des tâches hiérarchiques, une architecture algorithmique appelée procédures fut développée pour découvrir et exploiter la hiérarchie des tâches, afin de combiner des compétences en fonction des tâches. L'utilisation de séquences d'actions a permis à cette architecture d'apprentissage d'adapter la complexité de ses actions à celle de la tâche étudiée. / Efforts are made to make robots operate more and more in complex unbounded ever-changing environments, alongside or even in cooperation with humans. Their tasks can be of various kinds, can be hierarchically organized, and can also change dramatically or be created, after the robot deployment. Therefore, those robots must be able to continuously learn new skills, in an unbounded, stochastic and high-dimensional space. Such environment is impossible to be completely explored during the robot's lifetime, therefore it must be able to organize its exploration and decide what is more important to learn and how to learn it, using metrics such as intrinsic motivation guiding it towards the most interesting tasks and strategies. This becomes an even bigger challenge, when the robot is faced with tasks of various complexity, some requiring a simple action to be achieved, other needing a sequence of actions to be performed. We developed a strategic intrinsically motivated learning architecture, called Socially Guided Intrinsic Motivation for Sequences of Actions through Hierarchical Tasks (SGIM-SAHT), able to learn the mapping between its actions and their outcomes on the environment. This architecture, is capable to organize its learning process, by deciding which outcome to focus on, and which strategy to use among autonomous and interactive ones. For learning hierarchical set of tasks, the architecture was provided with a framework, called procedure framework, to discover and exploit the task hierarchy and combine skills together in a task-oriented way. The use of sequences of actions enabled such a learner to adapt the complexity of its actions to that of the task at hand.

Le domaine des neurosciences computationnelles s'intéresse à la modélisation des fonctions cognitives à travers des modèles numériques bio-inspirés. Dans cette thèse, nous nous intéressons en particulier à l'apprentissage dans un contexte multimodal, c'est à dire à la formation de représentations cohérentes à partir de plusieurs modalités sensorielles et/ou motrices. Notre modèle s'inspire du cortex cérébral, lieu supposé de la fusion multimodale dans le cerveau, et le représente à une échelle mésoscopique par des colonnes corticales regroupées en cartes et des projections axoniques entre ces cartes. Pour effectuer nos simulations, nous proposons une bibliothèque simplifiant la construction et l'évaluation de modèles mésoscopiques. Notre modèle d'apprentissage se base sur le modèle BCM (Bienenstock-Cooper-Munro), qui propose un algorithme d'apprentissage non-supervisé local (une unité apprend à partir de ses entrées de manière autonome) et biologiquement plausible. Nous adaptons BCM en introduisant la notion d'apprentissage guidé, un moyen de biaiser la convergence de l'apprentissage BCM en faveur d'un stimulus choisi. Puis, nous mettons ce mécanisme à profit pour effectuer un co-apprentissage entre plusieurs modalités. Grâce au co-apprentissage, les sélectivités développées sur chaque modalité tendent à représenter le même phénomène, perçu à travers différentes modalités, élaborant ainsi une représentation multimodale cohérente dudit phénomène / The field of computational neurosciences is interested in modeling the cognitive functions through biologically-inspired, numerical models. In this thesis, we focus on learning in a multimodal context, ie the combination of several sensitive/motor modalities. Our model draws from the cerebral cortex, supposedly linked to multimodal integration in the brain, and modelize it on a mesoscopic scale with 2d maps of cortical columns and axonic projections between maps. To build our simulations, we propose a library to simplify the construction and evaluation of mesoscopic models. Our learning model is based on the BCM model (Bienenstock-Cooper-Munro), which offers a local, unsupervized, biologically plausible learning algorithm (one unit learns autonomously from its entries). We adapt this algorithm by introducing the notion of guided learning, a mean to bias the convergence to the benefit of a chosen stimuli. Then, we use this mecanism to establish correlated learning between several modalities. Thanks to correlated leanring, the selectivities acquired tend to account for the same phenomenon, perceived through different modalities. This is the basis for a coherent, multimodal representation of this phenomenon

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Cette thèse s’intéresse à la description didactique de la variation linguistique dans une approche à contraintes. En nous appuyant sur la Troisième Vague de l’étude de la variation (Eckert, 2012) et les Social Meaning Games (Burnett, 2017 ; sous presse), nous postulons que les contraintes stylistiques sont un sous-ensemble de contraintes pragmatiques. Cette approche nous permet d’envisager la variation dans une perspective fonctionnelle plutôt que normative et de décrire les variantes « non-standard » comme plus ou moins appropriées à une tâche plutôt que comme des déviations de la norme. Pour illustrer notre approche, nous l’appliquons à la description de la dislocation clitique à gauche en français. Nous proposons que la variation de la dislocation clitique à gauche avec les clivées et les constructions canoniques est contraintes par la structure informationnelle (Lambrecht, 1994), les relation d’ensembles partiellement ordonnés (Ward & Birner, 1991) et une stigmatisation stylistique dans les contextes formels (Zribi-Hertz, 1994). Nous suggérons que ces contraintes sont toutes de nature pragmatique et que leur interaction influe sur l’emploi de la dislocation clitique à gauche en français. Ces hypothèses sont testées empiriquement via une étude de corpus, une série de test de jugements d’acceptabilité et un test de Matched Guise. De plus, nous postulons que l’apprentissage des contraintes pragmatiques en langue étrangère dépend de leur enseignement explicite et l’exposition répétée à la construction dans des contextes acceptables. Suivant l’hypothèse de l’interface dynamique (Ellis, 2005), nous suggérons que l’apprentissage explicite des contraintes de la dislocation clitique à gauche dans le contexte de la classe de langue facilite leur apprentissage implicite lorsque les apprenant se retrouve dans une situation de communication avec des locuteurs natifs du français. Le rôle de l’exposition est exploré empiriquement en répliquant un test de jugements d’acceptabilité et le test de Matched Guise avec des participants non-natifs. Enfin, nos observations sont implémentées dans le discours didactique à l’aide de notions et d’une terminologie déjà employés dans les grammaires pédagogiques (Germain & Séguin, 1998). Les contraintes discursives de la dislocation clitique à gauche sont décrites via la distinction entre informations familières et nouvelles (Capelle & Gidon, 1999 ; Watorek, 1998). Les contraintes stylistiques sont décrites via la compétence de savoir-être et les registres sociolinguistiques (CECR, 2001). / The present dissertation deals with didactic description of linguistic variation in a constraint-based approach. In line with the Third Wave movement of variation studies (Eckert, 2012) and Social Meaning Games (Burnett, 2017; accepted), we argue that stylistic constraints are a subset of pragmatic constraints. This approach allows us to consider variation in a functional perspective rather than in a normative perspective and to describe “non-standard” variants as more or less appropriate to certain tasks rather than deviations from the norm. To illustrate our approach, we are applying it to the description of clitic left dislocation in French. We propose that the variation of clitic left dislocation with clefts and canonical construction is constrained by information structure (Lambrecht, 1994), Partially Ordered Set relations (Ward & Prince, 1991) and stylistic stigmatization in formal context (Zribi-Hertz, 1994). We claim that these constraints are all pragmatic in nature and that their interaction weight on the use of clitic left dislocation in French. These claims are tested empirically via a corpus studies, a series of acceptability judgment tests and a matched guise test. Furthermore, we argue that the learning of pragmatic constraints in foreign language is dependent of their explicit teaching and repeated expositions to the construction in felicitous contexts. Following the dynamic interface hypothesis (Ellis, 2005), we suggest that explicit learning of the constraints of clitic left dislocation in the context of the classroom facilitates their implicit learning when the learners find themselves in a situation of communication with French native speakers. The role of exposition is explored empirically by replicating an acceptability judgment test and the matched guise test with non-native participants. Finally, all of our observations are tentatively implemented to didactic discourse with the help of notions and a terminology already used in pedagogical grammars (Germain & Séguin, 1998). Discursive constraints of clitic left dislocation are described using the distinction between old and new information (Capelle & Gidon, 1999; Watorek, 1998). Stylistics constraints are described using existential competencies and sociolinguistics registers (European Framework, 2001).

Les méthodes à noyaux désignent une famille récente d'outils d'analyse de données, pouvant être utilisés dans une grande variété de tâches classiques comme la classification ou la régression. Ces outils s'appuient principalement sur le choix a priori d'une fonction de similarité entre paires d'objets traités, communément appelée "noyau'' en apprentissage statistique et analyse fonctionnelle. Ces méthodes ont récemment gagné en popularité auprès des praticiens par leur simplicité d'utilisation et leur performance. Le choix d'un noyau adapté à la tâche traitée demeure néanmoins un problème épineux dans la pratique, et nous proposons dans cette thèse plusieurs noyaux génériques pour manipuler des objets structurés, tels que les séquences, les graphes ou les images. L'essentiel de notre contribution repose sur la proposition et l'étude de différents noyaux pour nuages de points ou histogrammes, et plus généralement de noyaux sur mesures positives. Ces approches sont principalement axées sur l'utilisation de propriétés algébriques des ensembles contenant les objets considérés, et nous faisons ainsi appel pour une large part à la théorie des fonctions harmoniques sur semigroupes. Nous utilisons également la théorie des espaces de Hilbert à noyau reproduisant dans lesquels sont plongées ces mesures, des éléments d'analyse convexe ainsi que plusieurs descripteurs de ces mesures utilisés en statistiques ou en théorie de l'information, comme leur variance ou leur entropie. En considérant tout objet structuré comme un ensemble de composants, à l'image d'une séquence transformée en un ensemble de sous-séquences ou d'images en ensembles de pixels, nous utilisons ces noyaux sur des données issues principalement de la bioinformatique et de l'analyse d'images, en les couplant notamment avec des méthodes discriminantes comme les machines à vecteurs de support. Nous terminons ce mémoire sur une extension de ce cadre, en considérons non plus chaque objet comme un seul nuage de point, mais plutôt comme une suite de nuages emboîtés selon un ensemble d'évènements hierarchisés, et aboutissons à travers cette approche à une famille de noyaux de multirésolution sur objets structurés.

Cette thèse se place dans le cadre de l'apprentissage non supervisé, qui consiste à former différents groupes à partir d'un ensemble de données, de telle manière que les données considérées comme les plus similaires soient associées au même groupe et qu'au contraire les données considérées comme différentes se retrouvent dans des groupes distincts, permettant ainsi d'extraire de la connaissance à partir de ces données. Nous proposons d'abord deux nouvelles méthodes qui prennent en compte le contexte dans lequel les groupes sont créés, c'est-à-dire le fait que les caractéristiques des différents groupes peuvent être définies sur différents sous-ensembles des attributs décrivant les données. Dans la mise en oeuvre de ces méthodes, nous avons également considéré les problématiques de la minimisation du nombre de connaissances a priori requises de la part de l'utilisateur et de la présentation des résultats sous forme compréhensible et visuelle. Nous présentons ensuite plusieurs extensions possibles de ces méthodes, dans le cadre de l'apprentissage supervisé puis face à des données semi-structurées représentées sous forme arborescente. Différentes expérimentations sur données artificielles puis sur données réelles sont présentées qui mettent en avant l'intérêt de ces méthodes. Le problème de l'évaluation des résultats produits par une méthode d'apprentissage non supervisé, et de la comparaison de telles méthodes, restant aujourd'hui un problème ouvert, nous proposons enfin une nouvelle méthode d'évaluation plus objective et quantitative que celles utilisées traditionnellement, et dont la pertinence est montrée expérimentalement.

L'apprentissage par renforcement est la réponse du domaine de l'apprentissage numérique au problème du contrôle optimal. Dans ce paradigme, un agent informatique apprend à contrôler un environnement en interagissant avec ce dernier. Il reçoit régulièrement une information locale de la qualité du contrôle effectué sous la forme d'une récompense numérique (ou signal de renforcement), et son objectif est de maximiser une fonction cumulante de ces récompenses sur le long terme, généralement modélisée par une fonction dite de valeur. Le choix des actions appliquées à l'environnement en fonction de sa configuration est appelé une politique, et la fonction de valeur quantifie donc la qualité de cette politique. Ce parangon est très général, et permet de s'intéresser à un grand nombre d'applications, comme la gestion des flux de gaz dans un complexe sidérurgique, que nous abordons dans ce manuscrit. Cependant, sa mise en application pratique peut être difficile. Notamment, lorsque la description de l'environnement à contrôler est trop grande, une représentation exacte de la fonction de valeur (ou de la politique) n'est pas possible. Dans ce cas se pose le problème de la généralisation (ou de l'approximation de fonction de valeur) : il faut d'une part concevoir des algorithmes dont la complexité algorithmique ne soit pas trop grande, et d'autre part être capable d'inférer le comportement à suivre pour une configuration de l'environnement inconnue lorsque des situations proches ont déjà été expérimentées. C'est le problème principal que nous traitons dans ce manuscrit, en proposant une approche inspirée du filtrage de Kalman.