Depuis 1996, l'Université du Québec à Montréal offre un baccalauréat en biologie en apprentissage par problèmes (APP). Cette approche, centrée sur l'apprenant, a modifié de façon importante les pratiques d'enseignement des professeurs du programme. L'évaluation des apprentissages se doit d'être centrée sur l'apprenant pour être en cohérence avec les principes d'enseignement de l'APP. Nous avons cherché à savoir si les pratiques d'évaluation des professeurs du programme de biologie en APP sont en lien avec l'approche centrée sur l'apprenant. À l'aide d'entrevues semi-dirigées réalisées auprès de douze professeurs du programme et des réponses fournies au questionnaire de Trigwell et Prosser (2004), nous avons été tenté d'établir si leurs pratiques d'évaluation sont en cohérence avec l'APP à partir d'une analyse descriptive qualitative. Nous avons analysé trois éléments concernant les pratiques d'évaluation dans le cadre socioconstructiviste (Rust et al., 2005) soit: les critères d'évaluation pour les différents savoirs, la rétroaction offerte aux étudiants et les outils d'évaluation utilisés en APP. Cette analyse nous a permis de déterminer que neuf professeurs ont des pratiques évaluatives non cohérentes avec l'APP. Il serait souhaitable que ces professeurs aient des objectifs d'apprentissage qui tiennent davantage compte des visées de l'APP, qu'ils offrent une rétroaction plus constructive aux étudiants et que leurs outils d'évaluation soient plus adaptés à l'APP (Macdonald et Savin-Baden, 2004 et Nendez et Tekian, 1999). Pour conclure, nous suggérons des moyens pour développer des pratiques d'évaluation plus cohérentes pour l'ensemble des professeurs du programme. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Socioconstructivisme, Apprentissage par problèmes, Approche centrée sur l'apprenant, Évaluation des apprentissages.

Ce travail se situe à l'intersection de deux champs de la recherche en éducation : les didactiques des sciences et les environnements informatiques pour l'apprentissage humain. Il s'inscrit dans un cadre socio-constructiviste et vise à identifier les conditions pour que des élèves puissent s'engager de manière autonome dans un travail d'investigation lors d'une classe de terrain en sciences de la Terre. <br />Nous développons l'idée que l'apprentissage des sciences s'appuie nécessairement sur la conduite d'une démarche d'investigation c'est-à-dire une démarche qui, dans le cadre de la résolution d'un problème, conduit à mettre en tension un modèle scientifique – considéré comme un outil « pour penser » - et un registre empirique constitué lors d'activités de terrain. Nous montrons également que la question de l'instrumentation est une question centrale et que l'intérêt de l'Environnement Informatique pour l'Apprentissage Humain (EIAH) que nous avons conçu réside dans le fait qu'il peut permettre de médiatiser les interactions, c'est-à-dire d'assister les élèves dans leur démarche d'investigation, et de permettre au professeur d'exercer un certain contrôle sur ce processus. Les environnements informatiques sont alors considérés comme des instruments qui sont construits par les apprenants au cours de leur activité et qui participent à la reconfiguration des processus d'apprentissage.

Cette thèse définit les relations aux objets et esquisse une sociologie qui prendrait en compte les objets. L'hypothèse centrale de ce travail, inspiré des approches post-phénoménologiques, c'est que les objets incarnent les relations sociales ; qu'ils sont les médiateurs obligés des processus relationnels entre les êtres humains.<br />L'auteur part du constat que les objets sont pratiquement absents des préoccupations des sciences sociales. Pour étudier les relations aux objets, il propose de les considérer comme des « connaissances », puis de chercher à comprendre quelles sont ces connaissances et comment elles se construisent. Ce travail est mené dans un premier temps à partir de l'étude de différentes formes d'utilisation des instruments de communication. Il permet de montrer que la relation d'utilité est une relation sociale. Les conclusions de ce travail sont ensuite confrontées à l'approche des objets apparaissant dans les écrits de plusieurs auteurs dans différents champs disciplinaires : technologie, sémiologie, sociologie, psychologie. Cette confrontation permet de dégager l'existence de plusieurs registres de relations aux objets, correspondant à divers registres de relations sociales.<br />L'auteur propose ensuite l'organisation de ces relations aux objets en un système cohérent de processus relationnels comportant deux niveaux : les relations affectivo-cognitives fondamentales, et les relations instrumentales, dont la plupart sont d'ordre conventionnel. Il suggère pour finir ce que pourrait être une « sociologie avec objets ».

L'Apprentissage Automatique tire ses racines d'un large champ disciplinaire qui inclut l'Intelligence Artificielle, la Reconnaissance de Formes, les Statistiques ou l'Optimisation. Dès les origines de l'Apprentissage, les questions computationelles et les propriétés en généralisation ont toutes deux été identifiées comme centrales pour la discipline. Tandis que les premières concernent les questions de calculabilité ou de complexité (sur un plan fondamental) ou d'efficacité computationelle (d'un point de vue plus pratique) des systèmes d'apprentissage, les secondes visent a comprendre et caractériser comment les solutions qu'elles fournissent vont se comporter sur de nouvelles données non encore vues. Ces dernières années, l'émergence de jeux de données à grande échelle en Apprentissage Automatique a profondément remanié les principes de la Théorie de l'Apprentissage. En prenant en compte de potentielles contraintes sur le temps d'entraînement, il faut faire face à un compromis plus complexe que ceux qui sont classiquement traités par les Statistiques. Une conséquence directe tient en ce que la mise en place d'algorithmes efficaces (autant en théorie qu'en pratique) capables de tourner sur des jeux de données a grande échelle doivent impérativement prendre en compte les aspects statistiques et computationels de l'Apprentissage de façon conjointe. Cette thèse a pour but de mettre à jour, analyser et exploiter certaines des connections qui existent naturellement entre les aspects statistiques et computationels de l'Apprentissage. Plus précisément, dans une première partie, nous étendons l'analyse en stabilité, qui relie certaines propriétés algorithmiques aux capacités de généralisation des algorithmes d'apprentissage, la matrice de confusion, que nous suggérons comme nouvelle mesure de performance (fine). Dans une seconde partie, nous présentons un nouvelle approche pour apprendre une fonction de régression basée sur les noyaux, où le noyau appris sert directement la tâche de régression, et qui exploite la structure du problème pour offrir une procédure d'optimisation peu coûteuse. Finalement, nous étudions le compromis entre vitesse de convergence et coût computationel lorsque l'on minimise une fonction composite avec des méthodes par gradient-proximal inexact. Dans ce contexte, nous identifions des stratégies d'optimisation qui sont computationellement optimales.

Doctorat en sciences psychologiques / info:eu-repo/semantics/nonPublished

Doctorat en sciences psychologiques / info:eu-repo/semantics/nonPublished

Savoir apprendre de ses actions est crucial pour la survie de l'individu. Apprenons-nous différemment selon que nos actions sont récompensées ou punies? Le cerveau intègre-t-il de la même façon les différentes dimensions du choix, tels que les récompenses, les punitions et l'effort physique? Ces dimensions de choix sont-elles représentées par le même circuit neural? Quelle est l'influence de la dopamine sur différents types d'apprentissage (A)?La théorie d'A par renforcement postule que l'A s'effectue par la minimisation de la différence entre les prédictions (des représentations internes du résultat attendu) et le réel résultat des choix. On a étudié l'activité cérébrale liée à ces variables internes dans différents types d'A et comment elles sont altérées par des manipulations pharmacologiques ou par la stimulation cérébrale profonde.Dans l'étude 1, on a observé une puissance spectrale (10-20Hz) élevée dans le noyau pédonculopontin (NP) de patients parkinsoniens suite à la récompense. La stimulation du NP améliore l'A par la récompense, mais pas par la punition. Le NP pourrait contribuer à la représentation de la récompense via une interaction avec les neurones dopaminergiques mésolimbiques impliqués dans la computation de l'erreur de prédiction.Dans les études 2 et 3, on a comparé l'A par la récompense et par l'effort. Les résultats d'IRMf montrent des circuits neuraux partiellement dissociables pour ces deux types d'A. La dopamine, connue pour ces effets bénéfiques sur l'A par la récompense, n'a pas d'effet sur l'A par l'effort.Ce travail permet de généraliser l'algorithme d'A à plusieurs dimensions du choix ainsi que son implémentation dans des circuits spécialisés. / Learning from actions is a key ability for survival. But do we learn differently depending on whether the action outcome is positive or negative? Did the brain integrate different choice dimensions such as rewards, punishments or physical efforts in the same way? Do they all rely on the same neural circuit? Does dopamine influence both learning from rewards and efforts? Reinforcement learning theory postulates that learning follows stepwise minimization of the difference between prediction (e.g. internal representation of expected outcome) and actual outcome. We investigated how brain activity relates to these internal variables in different types of learning and how these representations are altered by pharmacological manipulation and deep brain stimulation.In study 1, we found an increase in power in beta band (10-20Hz) in response to reward in the peduncolopontine nucleus (PPN) of patients with Parkinson’s disease. Stimulation of the PPN specifically improved learning from rewards but not from punishments. This brainstem structure might contribute to the reward-related representations in the midbrain dopamine neurons that are known for their computations of reward prediction errors.In the studies 2 and 3, we compared learning to maximize reward with learning to minimize effort. FMRI results suggest that reward and effort related computations are carried by partially dissociable neural networks. Moreover, dopamine, a neuromodulator known to enhance reward maximization did not influence learning to minimize efforts.Overall, this PhD helps generalizing learning algorithms across different choice dimensions and specifying their implementation in different neural networks.

Ces dernières années, les thérapies ciblées pour le traitement du cancer, ont été introduites. Cependant, un médicament fonctionnant chez un patient peut ne pas fonctionner chez un autre. Pour éviter l'administration de traitements inefficaces, des méthodes capables de prédire les patients qui répondront à un médicament donné doivent être mises au point.Il n'est actuellement pas possible de prédire l'efficacité de la grande majorité des médicaments anticancéreux. L’apprentissage automatique (AA) est un outil particulièrement prometteur pour la médecine personnalisée. L’AA est un champ d’étude de l'intelligence artificielle ; elle concerne la mise au point et l'application d'algorithmes informatiques qui s'améliorent avec l'expérience. Dans ce cas, l'algorithme d’AA apprendra à faire la distinction entre les tumeurs sensibles et résistantes en fonction de plusieurs gènes au lieu d'un seul gène. Cette étude se concentre sur l'application de différentes approches de l’AA pour prédire la réponse à des médicaments anticancéreux des tumeurs et générer des modèles précis, biologiquement pertinentes et faciles à expliquer. / In recent years, targeted drugs for the treatment of cancer have been introduced. However, a drug that works in one patient may not work in another patient. To avoid the administration of ineffective treatments, methods that predict which patients will respond to a particular drug must be developed.Unfortunately, it is not currently possible to predict the effectiveness of most anticancer drugs. Machine learning (ML) is a particularly promising approach for personalized medicine. ML is a form of artificial intelligence; it concerns the development and application of computer algorithms that improve with experience. In this case, ML algorithm will learn to distinguish between sensitive and non-sensitive tumours based on multiple genes instead of a single gene. Our study focuses on applying different approaches of ML to predict drug response of tumours to anticancer drugs and generate models which have good accuracy, as well as are biologically relevant and easy to be explained.

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

Québec Université Laval, Bibliothèque 2014