京都大学 / 0048 / 新制・課程博士 / 博士(情報学) / 甲第19120号 / 情博第566号 / 新制||情||99(附属図書館) / 32071 / 京都大学大学院情報学研究科社会情報学専攻 / (主査)准教授 松原 繁夫, 教授 田島 敬史, 教授 鹿島 久嗣 / 学位規則第4条第1項該当 / Doctor of Informatics / Kyoto University / DFAM

Keeping students engaged in the learning process is a challenge faced by most teachers. Instituting a bell schedule that requires them to make changes in their traditional instructional delivery may increase that challenge exponentially. The benefit of an extended period, also known as the block schedule, is that it permits the opportunity for teachers to alter their instruction with learning experiences that require more than 55 minutes by using engaging student-centered instruction. One reality of teaching on a block schedule is that many teachers lack the knowledge of effective strategies and rely on instructional devices they employed on a shorter time period. The purpose behind this work is to create a manual that demonstrates engaging student centered strategies and becomes a resource for teachers who are searching for instructional models to utilize in the block schedule. It does this in part by featuring actual hands-on strategies from three instructional models that can be readily used by classroom teachers. With the generative information about the models and activities that is provided in the manual, teachers are encouraged to create their own activities. Finally, the work provides solicited teacher feedback on the utility of the manual. / Ed. D.

Os avanços tecnológicos da última década tem feito dos computadores um elemento de contribuição essencial para os processos de solução de problemas e de tomada de decisão cooperativos. Hoje, alem do interesse mantido nos sistemas de solução de problemas, cujo raciocínio a baseado no processo de decisão de um único individuo (conhecidos por SE's), o esforço das pesquisas, em Inteligência Artificial, esta centrado no sentido de conceber sistemas que permitam a interação cooperativa entre diversos indivíduos participantes do processo, sejam esses humanos ou sistemas computacionais. A solução de problemas cooperativos, dentro do escopo geral da Inteligência Artificial (IA), é assunto analisado sob dois aspectos diferentes. O primeiro, mais antigo, identifica, como agentes de um dialogo, o sistema computacional e o seu usuário, onde pesquisas estão centradas no estudo da interação homem-máquina. Os esforços desta área de pesquisa tem sido no sentido de conceber, aos sistemas, capacidades de comunicação muito mais ricas do que aquelas oferecidas por sistemas de solução de problemas tradicionais, isto é, permitir aos sistemas compartilhar a solução de um problema, tomando o usuário um agente muito mais ativo e participativo. O segundo aspecto situa-se na área de Inteligência Artificial Distribuída (IAD), uma nova concepção de IA que acompanha o avanço da tecnologia de desenvolvimento de maquinas paralelas e a difusão, em larga escala, de sistemas computacionais distribuídos. Seus esforços são no sentido de conceber sistemas compostos de múltiplos sub-sistemas, capazes de resolver problemas complexos autonomamente. de forma cooperativa. Este trabalho se insere no contexto da interação homem-máquina. São apresentados métodos e estratégias para o fornecimento de capacidades cooperativas ao sistema. A descrição de uma arquitetura para Sistemas Especialistas (SE), baseada em raciocínio meta-nível, é apresentada com o intuito de enriquecer as capacidades de explanação e aquisição de conhecimentos desses sistemas. Consideramos que as ferramentas de explanação e aquisição de conhecimentos são fundamentais para a construção de diálogos cooperativos entre o sistema e o usuário. A ferramenta de explanação é o componente do SE responsável pela geração de justificativas sobre as conclusões do sistema. Ela permite ao sistema tornar explicito o seu raciocínio, fornecendo capacidades de argumentação sobre a validade de suas conclusões. O sistema, através desta ferramenta, tem condições de explicar suas ações, conclusões. escolhas e perguntas feitas ao usuário, permitindo, dessa forma, ao próprio usuário. através de um diálogo cooperativo. comparar seus conhecimentos e estratégias. concordando ou discordando do sistema. A ferramenta de aquisição de conhecimento. outro modulo importante num processo cooperativo, permite ao sistema aprender incrementalmente, através da aquisição de novos conhecimentos, bem como da reestruturação de alguns conhecimentos ou regras com falhas. Analisa-se um problema real, cuja solução e concebida através da interação homem-máquina. embora, intuitivamente, seja apresentada uma abordagem multi-agente para o problema, no final deste trabalho, com o intuito de apontar a evolução que terá essa pesquisa. Como produto deste trabalho de pesquisa, desenvolveu-se, dentro do projeto Inteligência Artificial Distribuída do grupo de Inteligência Artificial do CPGCC da UFRGS. urn sistema denominado SETA. O sistema permite a criação de SE's dedicados a auxiliar o medico na prescrição farmacológica de qualquer grupo de patologia clinica. A representação do conhecimento aplicado foi desenvolvida com o intuito de facilitar a atividade de formulação de prescrições onde o conhecimento esta estruturado em níveis de representação que denotam os conhecimentos clínico e farmacológico separadamente. Cada SE, desenvolvido pelo SETA, permite oferecer justificativas claras ao usuário sobre a prescrição farmacológica indicada pelo sistema, através de explanações do tipo how. why e why not. Oferece, ainda, facilidades de aquisição de conhecimento, permitindo a modificação do conhecimento do sistema através de um modulo interativo, cuja interface foi construída no sentido de permitir uma comunicacc7o natural entre os agentes. ou seja. o sistema e o medico especialista. Resumindo, a interação cooperativa homem-máquina é concebida através das facilidades de explanação e aquisição de conhecimento, levando a incorporação explicita de meta-conhecimento ao sistema. / The technological advance of the past decade turned computers into an element of essential contribution for the cooperative problem-solving and decision-taking processes. Today, besides the interest kept in problem-solving systems, whose reasoning is based upon the process of decision of a single individual (known as ES), the effort of researchs in Artificial Intelligence is to create systems that allow cooperative interaction among various individuals participating in the process, these being either human beings or computer systems. The solution of cooperative problems, within the general scope of Artificial Intelligence, is a subject analysed under two different aspects. The first one, out of date, identifies the computer system and its user as agents in a dialogue, and the researches are concentrated on the study of man-machine interaction. The efforts in this area of research have been to grant the systems communication abilities much richer than those offered by tradicional problem-solving systems. that is, that allow the systems to share the solution of a problem. causing the user to be more active and participating. The second aspect is located in the area of Distributed Artificial Intelligence (DAI), a new conception of AI that goes with the improvement of the technology of development of parallel machines and the diffusion on a large scale of distributed computer systems. Efforts have been made to create systems made up of multiple sub-systems capable of solving complex problems by themselves, in a cooperative way. This work is inserted in the context of man-machine interaction. It presents methods and strategies to supply the system with cooperative abilities. The description of an architecture for Expert Systems (ES), based upon meta-level reasoning, is presented with the purpose of improving the abilities of explanation and knowledge acquisition of these systems. We consider explanation tools and knowledge acquisition to be fundamental to the construction of cooperative dialogues between the system and the user. The explanation tool is the ES component responsible for the generation of justifications about the system conclusions. It allows the system to make its reasoning explicit, providing it with arguing abilities about the effectiveness of its conclusions. The system. through this tool, is able to explain its actions, conclusions, choices and questions put to the user, thus allowing the user, through a cooperative dialogue, to compare his knowledge and strategies, to agree or disagree with the system. The knowledge acquisition tool, another important unit in a cooperative process, allows the system to learn more and more through the acquisition of new knowledge as well as through the restructuration of knowledge or rules that have failed. A real problem is analysed here and its solution is conceived through manmachine interaction. We also present, at the end of this work, a multi-agent approach for the problem, in order to show how this research will evolve. This research work resulted in the development, within the Distributed Artificial Intelligence project of the Artificial Intelligence group of the CPGCC of UFRGS, of a system called SETA. This system permits the creation of ES dedicated to help doctors prescribe medicines for any groups of clinical pathology. The knowledge representation used was developed with a view to facilitate the making of prescriptions, and the knowledge is organized in levels of representation that express clinical knowledge and pharmacological knowledge separately. Each ES developed by SETA can offer reasonable justifications to users about the pharmacological prescription indicated by the system through explanations such as how, why and why not. It is also ready to acquire knowledge. allowing the system to alter knowledge through an interactive unit whose interface was built to permit a natural communication between the agents. that is, the system and the medical specialist. In short, man-machine cooperative interaction is based upon readiness for explanation and knowledge acquisition, leading to an explicit assimilation of meta-knowledge by the system.

Os avanços tecnológicos da última década tem feito dos computadores um elemento de contribuição essencial para os processos de solução de problemas e de tomada de decisão cooperativos. Hoje, alem do interesse mantido nos sistemas de solução de problemas, cujo raciocínio a baseado no processo de decisão de um único individuo (conhecidos por SE's), o esforço das pesquisas, em Inteligência Artificial, esta centrado no sentido de conceber sistemas que permitam a interação cooperativa entre diversos indivíduos participantes do processo, sejam esses humanos ou sistemas computacionais. A solução de problemas cooperativos, dentro do escopo geral da Inteligência Artificial (IA), é assunto analisado sob dois aspectos diferentes. O primeiro, mais antigo, identifica, como agentes de um dialogo, o sistema computacional e o seu usuário, onde pesquisas estão centradas no estudo da interação homem-máquina. Os esforços desta área de pesquisa tem sido no sentido de conceber, aos sistemas, capacidades de comunicação muito mais ricas do que aquelas oferecidas por sistemas de solução de problemas tradicionais, isto é, permitir aos sistemas compartilhar a solução de um problema, tomando o usuário um agente muito mais ativo e participativo. O segundo aspecto situa-se na área de Inteligência Artificial Distribuída (IAD), uma nova concepção de IA que acompanha o avanço da tecnologia de desenvolvimento de maquinas paralelas e a difusão, em larga escala, de sistemas computacionais distribuídos. Seus esforços são no sentido de conceber sistemas compostos de múltiplos sub-sistemas, capazes de resolver problemas complexos autonomamente. de forma cooperativa. Este trabalho se insere no contexto da interação homem-máquina. São apresentados métodos e estratégias para o fornecimento de capacidades cooperativas ao sistema. A descrição de uma arquitetura para Sistemas Especialistas (SE), baseada em raciocínio meta-nível, é apresentada com o intuito de enriquecer as capacidades de explanação e aquisição de conhecimentos desses sistemas. Consideramos que as ferramentas de explanação e aquisição de conhecimentos são fundamentais para a construção de diálogos cooperativos entre o sistema e o usuário. A ferramenta de explanação é o componente do SE responsável pela geração de justificativas sobre as conclusões do sistema. Ela permite ao sistema tornar explicito o seu raciocínio, fornecendo capacidades de argumentação sobre a validade de suas conclusões. O sistema, através desta ferramenta, tem condições de explicar suas ações, conclusões. escolhas e perguntas feitas ao usuário, permitindo, dessa forma, ao próprio usuário. através de um diálogo cooperativo. comparar seus conhecimentos e estratégias. concordando ou discordando do sistema. A ferramenta de aquisição de conhecimento. outro modulo importante num processo cooperativo, permite ao sistema aprender incrementalmente, através da aquisição de novos conhecimentos, bem como da reestruturação de alguns conhecimentos ou regras com falhas. Analisa-se um problema real, cuja solução e concebida através da interação homem-máquina. embora, intuitivamente, seja apresentada uma abordagem multi-agente para o problema, no final deste trabalho, com o intuito de apontar a evolução que terá essa pesquisa. Como produto deste trabalho de pesquisa, desenvolveu-se, dentro do projeto Inteligência Artificial Distribuída do grupo de Inteligência Artificial do CPGCC da UFRGS. urn sistema denominado SETA. O sistema permite a criação de SE's dedicados a auxiliar o medico na prescrição farmacológica de qualquer grupo de patologia clinica. A representação do conhecimento aplicado foi desenvolvida com o intuito de facilitar a atividade de formulação de prescrições onde o conhecimento esta estruturado em níveis de representação que denotam os conhecimentos clínico e farmacológico separadamente. Cada SE, desenvolvido pelo SETA, permite oferecer justificativas claras ao usuário sobre a prescrição farmacológica indicada pelo sistema, através de explanações do tipo how. why e why not. Oferece, ainda, facilidades de aquisição de conhecimento, permitindo a modificação do conhecimento do sistema através de um modulo interativo, cuja interface foi construída no sentido de permitir uma comunicacc7o natural entre os agentes. ou seja. o sistema e o medico especialista. Resumindo, a interação cooperativa homem-máquina é concebida através das facilidades de explanação e aquisição de conhecimento, levando a incorporação explicita de meta-conhecimento ao sistema. / The technological advance of the past decade turned computers into an element of essential contribution for the cooperative problem-solving and decision-taking processes. Today, besides the interest kept in problem-solving systems, whose reasoning is based upon the process of decision of a single individual (known as ES), the effort of researchs in Artificial Intelligence is to create systems that allow cooperative interaction among various individuals participating in the process, these being either human beings or computer systems. The solution of cooperative problems, within the general scope of Artificial Intelligence, is a subject analysed under two different aspects. The first one, out of date, identifies the computer system and its user as agents in a dialogue, and the researches are concentrated on the study of man-machine interaction. The efforts in this area of research have been to grant the systems communication abilities much richer than those offered by tradicional problem-solving systems. that is, that allow the systems to share the solution of a problem. causing the user to be more active and participating. The second aspect is located in the area of Distributed Artificial Intelligence (DAI), a new conception of AI that goes with the improvement of the technology of development of parallel machines and the diffusion on a large scale of distributed computer systems. Efforts have been made to create systems made up of multiple sub-systems capable of solving complex problems by themselves, in a cooperative way. This work is inserted in the context of man-machine interaction. It presents methods and strategies to supply the system with cooperative abilities. The description of an architecture for Expert Systems (ES), based upon meta-level reasoning, is presented with the purpose of improving the abilities of explanation and knowledge acquisition of these systems. We consider explanation tools and knowledge acquisition to be fundamental to the construction of cooperative dialogues between the system and the user. The explanation tool is the ES component responsible for the generation of justifications about the system conclusions. It allows the system to make its reasoning explicit, providing it with arguing abilities about the effectiveness of its conclusions. The system. through this tool, is able to explain its actions, conclusions, choices and questions put to the user, thus allowing the user, through a cooperative dialogue, to compare his knowledge and strategies, to agree or disagree with the system. The knowledge acquisition tool, another important unit in a cooperative process, allows the system to learn more and more through the acquisition of new knowledge as well as through the restructuration of knowledge or rules that have failed. A real problem is analysed here and its solution is conceived through manmachine interaction. We also present, at the end of this work, a multi-agent approach for the problem, in order to show how this research will evolve. This research work resulted in the development, within the Distributed Artificial Intelligence project of the Artificial Intelligence group of the CPGCC of UFRGS, of a system called SETA. This system permits the creation of ES dedicated to help doctors prescribe medicines for any groups of clinical pathology. The knowledge representation used was developed with a view to facilitate the making of prescriptions, and the knowledge is organized in levels of representation that express clinical knowledge and pharmacological knowledge separately. Each ES developed by SETA can offer reasonable justifications to users about the pharmacological prescription indicated by the system through explanations such as how, why and why not. It is also ready to acquire knowledge. allowing the system to alter knowledge through an interactive unit whose interface was built to permit a natural communication between the agents. that is, the system and the medical specialist. In short, man-machine cooperative interaction is based upon readiness for explanation and knowledge acquisition, leading to an explicit assimilation of meta-knowledge by the system.

Os avanços tecnológicos da última década tem feito dos computadores um elemento de contribuição essencial para os processos de solução de problemas e de tomada de decisão cooperativos. Hoje, alem do interesse mantido nos sistemas de solução de problemas, cujo raciocínio a baseado no processo de decisão de um único individuo (conhecidos por SE's), o esforço das pesquisas, em Inteligência Artificial, esta centrado no sentido de conceber sistemas que permitam a interação cooperativa entre diversos indivíduos participantes do processo, sejam esses humanos ou sistemas computacionais. A solução de problemas cooperativos, dentro do escopo geral da Inteligência Artificial (IA), é assunto analisado sob dois aspectos diferentes. O primeiro, mais antigo, identifica, como agentes de um dialogo, o sistema computacional e o seu usuário, onde pesquisas estão centradas no estudo da interação homem-máquina. Os esforços desta área de pesquisa tem sido no sentido de conceber, aos sistemas, capacidades de comunicação muito mais ricas do que aquelas oferecidas por sistemas de solução de problemas tradicionais, isto é, permitir aos sistemas compartilhar a solução de um problema, tomando o usuário um agente muito mais ativo e participativo. O segundo aspecto situa-se na área de Inteligência Artificial Distribuída (IAD), uma nova concepção de IA que acompanha o avanço da tecnologia de desenvolvimento de maquinas paralelas e a difusão, em larga escala, de sistemas computacionais distribuídos. Seus esforços são no sentido de conceber sistemas compostos de múltiplos sub-sistemas, capazes de resolver problemas complexos autonomamente. de forma cooperativa. Este trabalho se insere no contexto da interação homem-máquina. São apresentados métodos e estratégias para o fornecimento de capacidades cooperativas ao sistema. A descrição de uma arquitetura para Sistemas Especialistas (SE), baseada em raciocínio meta-nível, é apresentada com o intuito de enriquecer as capacidades de explanação e aquisição de conhecimentos desses sistemas. Consideramos que as ferramentas de explanação e aquisição de conhecimentos são fundamentais para a construção de diálogos cooperativos entre o sistema e o usuário. A ferramenta de explanação é o componente do SE responsável pela geração de justificativas sobre as conclusões do sistema. Ela permite ao sistema tornar explicito o seu raciocínio, fornecendo capacidades de argumentação sobre a validade de suas conclusões. O sistema, através desta ferramenta, tem condições de explicar suas ações, conclusões. escolhas e perguntas feitas ao usuário, permitindo, dessa forma, ao próprio usuário. através de um diálogo cooperativo. comparar seus conhecimentos e estratégias. concordando ou discordando do sistema. A ferramenta de aquisição de conhecimento. outro modulo importante num processo cooperativo, permite ao sistema aprender incrementalmente, através da aquisição de novos conhecimentos, bem como da reestruturação de alguns conhecimentos ou regras com falhas. Analisa-se um problema real, cuja solução e concebida através da interação homem-máquina. embora, intuitivamente, seja apresentada uma abordagem multi-agente para o problema, no final deste trabalho, com o intuito de apontar a evolução que terá essa pesquisa. Como produto deste trabalho de pesquisa, desenvolveu-se, dentro do projeto Inteligência Artificial Distribuída do grupo de Inteligência Artificial do CPGCC da UFRGS. urn sistema denominado SETA. O sistema permite a criação de SE's dedicados a auxiliar o medico na prescrição farmacológica de qualquer grupo de patologia clinica. A representação do conhecimento aplicado foi desenvolvida com o intuito de facilitar a atividade de formulação de prescrições onde o conhecimento esta estruturado em níveis de representação que denotam os conhecimentos clínico e farmacológico separadamente. Cada SE, desenvolvido pelo SETA, permite oferecer justificativas claras ao usuário sobre a prescrição farmacológica indicada pelo sistema, através de explanações do tipo how. why e why not. Oferece, ainda, facilidades de aquisição de conhecimento, permitindo a modificação do conhecimento do sistema através de um modulo interativo, cuja interface foi construída no sentido de permitir uma comunicacc7o natural entre os agentes. ou seja. o sistema e o medico especialista. Resumindo, a interação cooperativa homem-máquina é concebida através das facilidades de explanação e aquisição de conhecimento, levando a incorporação explicita de meta-conhecimento ao sistema. / The technological advance of the past decade turned computers into an element of essential contribution for the cooperative problem-solving and decision-taking processes. Today, besides the interest kept in problem-solving systems, whose reasoning is based upon the process of decision of a single individual (known as ES), the effort of researchs in Artificial Intelligence is to create systems that allow cooperative interaction among various individuals participating in the process, these being either human beings or computer systems. The solution of cooperative problems, within the general scope of Artificial Intelligence, is a subject analysed under two different aspects. The first one, out of date, identifies the computer system and its user as agents in a dialogue, and the researches are concentrated on the study of man-machine interaction. The efforts in this area of research have been to grant the systems communication abilities much richer than those offered by tradicional problem-solving systems. that is, that allow the systems to share the solution of a problem. causing the user to be more active and participating. The second aspect is located in the area of Distributed Artificial Intelligence (DAI), a new conception of AI that goes with the improvement of the technology of development of parallel machines and the diffusion on a large scale of distributed computer systems. Efforts have been made to create systems made up of multiple sub-systems capable of solving complex problems by themselves, in a cooperative way. This work is inserted in the context of man-machine interaction. It presents methods and strategies to supply the system with cooperative abilities. The description of an architecture for Expert Systems (ES), based upon meta-level reasoning, is presented with the purpose of improving the abilities of explanation and knowledge acquisition of these systems. We consider explanation tools and knowledge acquisition to be fundamental to the construction of cooperative dialogues between the system and the user. The explanation tool is the ES component responsible for the generation of justifications about the system conclusions. It allows the system to make its reasoning explicit, providing it with arguing abilities about the effectiveness of its conclusions. The system. through this tool, is able to explain its actions, conclusions, choices and questions put to the user, thus allowing the user, through a cooperative dialogue, to compare his knowledge and strategies, to agree or disagree with the system. The knowledge acquisition tool, another important unit in a cooperative process, allows the system to learn more and more through the acquisition of new knowledge as well as through the restructuration of knowledge or rules that have failed. A real problem is analysed here and its solution is conceived through manmachine interaction. We also present, at the end of this work, a multi-agent approach for the problem, in order to show how this research will evolve. This research work resulted in the development, within the Distributed Artificial Intelligence project of the Artificial Intelligence group of the CPGCC of UFRGS, of a system called SETA. This system permits the creation of ES dedicated to help doctors prescribe medicines for any groups of clinical pathology. The knowledge representation used was developed with a view to facilitate the making of prescriptions, and the knowledge is organized in levels of representation that express clinical knowledge and pharmacological knowledge separately. Each ES developed by SETA can offer reasonable justifications to users about the pharmacological prescription indicated by the system through explanations such as how, why and why not. It is also ready to acquire knowledge. allowing the system to alter knowledge through an interactive unit whose interface was built to permit a natural communication between the agents. that is, the system and the medical specialist. In short, man-machine cooperative interaction is based upon readiness for explanation and knowledge acquisition, leading to an explicit assimilation of meta-knowledge by the system.

La résolution de problème est souvent utilisée comme outil de mesure des capacités cognitives individuelles chez les animaux non-humains, puisqu’elle permet d’étudier leurs capacités d’apprentissage opérant et d’innovation. Les capacités cognitives diffèrent selon les espèces et les individus, et leur permettent de maximiser leur aptitude. Par exemple, chez les oiseaux et les mammifères, les espèces avec de plus gros cerveaux relatifs possèderaient de meilleures capacités d’apprentissage sociale et d’innovation, qui leur permettent de mieux s’adapter à un environnement nouveau. Malgré l’utilisation répandue des diamants mandarins dans la recherche en écologie comportementale, l’impact du sexe sur la performance de résolution de problème et la répétabilité des performances ont souvent été négligés, et aucune étude, à notre connaissance, ne s’est intéressée à leur performance en contexte de résolution de problème coopérative. Dans le cadre de notre étude, nous avons décidé d’aborder ces différents aspects pour améliorer notre compréhension des capacités cognitives et de la coopération chez cette espèce modèle. Nous avons confronté des diamants mâles et femelles à trois tests de résolution de problème individuelle (test de la ficelle, test de la barre et test du couvercle) et un test de résolution de problème coopérative. Pour ce dernier, nous avons séparé les individus en deux groupes : couples sociaux et couples expérimentaux, afin de manipuler le lien social entre individus. Les couples sociaux étaient composés d’un mâle et d’une femelle ayant cohabité pendant 7 jours, alors que les couples expérimentaux étaient composés d’un mâle et d’une femelle ne s’étant jamais rencontrés auparavant. Bien que nous nous attendions à ce que le sexe n’ait pas d’impact sur la performance de résolution, nos résultats ont révélé que, en moyenne, les mâles étaient plus rapides pour résoudre un test de résolution de problème individuelle. Ces résultats étaient principalement attribuables à leur performance sur le deuxième test de résolution de problème individuelle (test de la barre). Nous pensons que cette différence pourrait être due à un niveau de persistance plus élevé chez les mâles et/ou à l’impact de la sélection sexuelle sur les performances cognitives, et que ces aspects devraient être davantage explorés dans de futures études. Ensuite, en accord avec nos attentes, nos résultats ont confirmé l’hypothèse de la répétabilité contextuelle, selon laquelle les performances de résolution sont constantes entre différentes tâches impliquant le même processus cognitif. Enfin, nous nous attendions à ce que les couples sociaux soient plus performants que les couples expérimentaux sur le test de résolution de problème coopérative, puisque nous les pensions davantage capables de synchronisation et de coordination comportementale. Or, nous avons trouvé des résultats suggérant le contraire, et nous avons constaté que la performance du couple au test de résolution de problème coopérative, était principalement expliquée par les performances de résolution individuelle de chaque partenaire. Des questions subsistent quant aux raisons pour lesquelles les couples expérimentaux ont mieux performé que les couples sociaux. Est-ce qu’une différence de motivation pourrait être à l’origine de ces résultats ? De futures études seront nécessaires pour nous éclairer. Malgré les questions en suspens, nos résultats contribuent à enrichir nos connaissances sur les capacités cognitives individuelles, la résolution de problème ainsi que la coopération. / Problem solving is often used as a tool for measuring individual cognitive abilities in non-human animals, since it enables us to study their operant learning and innovation capacities. Cognitive capacities differ between species and individuals, enabling them to maximize their abilities. For example, in birds and mammals, species with larger relative brains are said to have better social learning and innovation capacities, enabling them to adapt better to new environments. Despite the widespread use of zebra finches in behavioral ecology research, the impact of sex on problem-solving performance and the repeatability of performance have often been overlooked and, to our knowledge, no studies have investigated their performance in cooperative problem-solving contexts. In our study, we decided to address these different aspects to improve our understanding of cognitive abilities and cooperation in this model species. We tested male and female zebra finches in three individual problem-solving tests (string test, bar test and lid test) and one cooperative problem-solving test. For the latter, we separated the individuals into two groups: social pairs and experimental pairs, to manipulate the social bond between individuals. Social pairs were made up of a male and a female who had cohabited for 7 days, while experimental pairs were made up of a male and a female who had never met before. While we expected sex to have no impact on solving performance, our results revealed that, on average, males were faster at solving individual problem-solving tests. These results were mainly attributable to their performance on the second individual problem-solving test (bar test). We believe that this difference could be attributable to a higher level of persistence in males and/or the impact of sexual selection on cognitive performance, and that these aspects should be explored in future studies. Secondly, in line with our expectations, our results confirmed the contextual repeatability hypothesis, according to which solving performance is consistent across trials requiring the same cognitive process. Finally, we expected social pairs to perform better than experimental pairs on the cooperative problem-solving test, since we expected them to be more capable of synchronisation and behavioral coordination. . However, we found results suggesting the opposite, and the performance of the pairs on the cooperative problem-solving task was mainly explained by the ability of each partner to solve a problem. Questions remain as to why the experimental pairs performed better than the social pairs. Could a difference in motivation be behind these results? Future studies are needed to shed light on this. Despite the outstanding questions, we believe that our results contribute to our knowledge of individual cognitive abilities, problem solving and cooperation.