Nos recherches s'inscrivent dans le domaine de l'ingénierie des connaissances et plus particulièrement dans la capitalisation et le partage de connaissances d'observation et d'analyse de traces numériques d'activités. Dans ce cadre, nous basons notre approche sur le concept de la trace modélisée (M-Trace) développée par l'équipe SILEX. Au travers de notre approche nous donnons la possibilité d'exploiter des traces numériques d'activités de bas niveaux pour faire émerger des connaissances de plus haut niveaux obtenues via des transformations à base de règles. Ces règles modélisent des connaissances d'observation et d'analyse de différents utilisateurs et sont capitalisables et partageables entre ces derniers. Nous complétons notre proposition en fournissant une visualisation synthétique des niveaux de connaissances et de leurs observés. Via un modèle générique de trace, que nous avons développé, cette synthèse visuelle est navigable afin de permettre aux utilisateurs d'explorer les différents niveaux de connaissances et de reconstituer le chemin de construction des observables entre les niveaux, facilitant ainsi l'analyse. Nos différentes propositions ont été réifiées dans un logiciel du nom de D3KODE (« Define, Discover, and Disseminate Knowledge from Observation to Develop Expertise »). Ce logiciel a été mis à l'épreuve dans le contexte de la formation professionnelle sur les simulateurs pleine échelle du groupe EDF utilisés pour la formation et le perfectionnement des agents de conduite de centrale nucléaire. Dans un tel cadre l'observation, l'analyse et le débriefing des interactions individuelles et collectives des opérateurs sont des activités critiques et particulièrement dense notamment pour les jeunes formateurs. Les données collectées sont difficilement exploitables dû à leur grande quantité et à leur très bas niveau nécessitant une expertise forte que tous les formateurs ne possèdent pas. Ce travail a donné lieu à une évaluation en contexte réel sur simulateur pleine échelle et à des résultats significatifs permettant de valider notre approche et d'encourager des perspectives de recherche nombreuses / Our research takes place in the field of knowledge engineering. In particularly we focus our study in capitalizing and sharing knowledge of observation and analysis of digital traces. In this context, we base our approach on the concept of modeled trace (M-Trace) developed by the SILEX team. Our approach give the possibility to exploit low levels digital traces in order to extract higher knowledge level through rule-based transformations. These rules modelize the knowldege of observation and analysis of different users. Rules can be capitalized and shared between users. We complete our proposal by providing a synthetic visualization of the knowledge levels with observed elements from the activity. By means of a generic trace model, that we have specified, users can explore the different abstraction level in purposes of investigation in order to better understand and analyze the activity. Our proposals have been implemented in a prototype, called D3KODE (« Define, Discover, and Disseminate Knowledge from Observation to Develop Expertise »), allowing the processing, representation and visualization of traces. D3KODE was applied in the context of professional training on the nuclear power plant full-scope simulator of the EDF group designed to maintain and enhance the knowledge and skills of Nuclear Power Plant control room staff. In such context, the observation, analysis and debriefing of individual and collective interactions of trainees’ operators is a dense activity that require attention and constant alertness of the trainers throughout the simulation, especially for the young trainers who do not have the expertise of confirmed trainers. The amount of data collected during a simulation is big and very low levels. They are difficult to analyse manually in order to extract high level information reflecting the behaviour of trainees. In such a context, understand and follow the activity requires a strong expertise that all trainers don’t have. So as to validate our approach, D3KODE was evaluated in a real context according to a comparative protocol conducted with a team of trainers from EDF Group. The evaluation gave significant results to validate our approach and encourage many research opportunities

Le système perceptif d’un chirurgien doit s’adapter aux contraintes multisensorielles liées à la chirurgie guidée par l’image. Trois expériences sont conçues pour explorer ces contraintes visuelles et haptiques pour l’apprentissage guidé par l’image. Les résultats montrent que les sujets sont plus rapides et plus précis avec une vision directe. La stéréoscopie 3D n’améliore pas les performances des débutants complets. En réalité virtuelle, la variation de la longueur, largeur, position et complexité de l'objet affecte les performances motrices. La force de préhension appliquée sur un système robotique chirurgical dépend de l'expérience de l'utilisateur. En conclusion, le temps et la précision sont importants, mais la précision doit rester une priorité pour un apprenti. L'homogénéité des groupes d'étude est important pour la recherche sur la formation chirurgicale. Les résultats ont un impact direct sur le suivi des compétences individuelles pour les applications guidées par l'image. / Perceptual system of a surgeon must adapt to conditions of multisensorial constrains regard to planning, control, and execution of the image-guided surgical operations. Three experimental setups are designed to explore these visual and haptic constraints in the image-guided training. Results show that subjects are faster and more precise with direct vision compared to image guidance. Stereoscopic 3D viewing does not represent a performance advantage for complete beginners. In virtual reality, variation in object length, width, position, and complexity affect the motor performance. Applied grip force on a surgical robot system depends on the user experience level. In conclusion, both time and precision matter critically, but trainee gets as precise as possible before getting faster should be a priority. Study group homogeneity and background play key role in surgical training research. The findings have direct implications for individual skill monitoring for image-guided applications.