Québec Université Laval, Bibliothèque 2015

Lecture recording has become an essential tool for educational institutions to enhance the student learning experience and offer online courses for remote learning programs. Highresolution 4K cameras have gained popularity in these systems due to their affordability and clarity of written content on boards/screens. Unfortunately, at 4K resolution, a typical 45- minute lecture video easily exceeds 2GB. Many video files of this size place a financial burden on institutions and students, especially in developing countries where financial resources are limited. Institutions require costly high-end equipment to capture, store and distribute this ever-increasing collection of videos. Students require a fast internet connection with a large data quota for off-campus viewing, which can be too expensive for many, especially if they use mobile data. This project designs and implements a low-cost presenter and writing detection front-end that can integrate with an external Virtual Cinematographer (VC). Gesture detection was also explored; however, the frame differencing approach used for presenter detection was not sufficiently robust for gesture detection. Our front-end is carefully designed to run on commodity computers without requiring expensive Graphics Processing Units (GPU) or servers. An external VC can use our contextual information to segment a smaller cropping window from the 4K frame, only containing the presenter and relevant boards, drastically reducing the file size of the resultant videos while preserving writing clarity. The software developed as part of this project will be available as open source. Our results show that the front-end module is fit for purpose and sufficiently robust across several challenging lecture venue types. On average, a 2-minute video clip is processed by the front-end in under 60 seconds (or approximately half of the input video duration). The majority (89%) of this time is used for reading and decoding frames from storage. Additionally, our low-cost presenter detection achieves an overall F1-Score of 0.76, while our writing detection achieves an overall F1-Score of 0.55. We also demonstrate a mean reduction of 81.3% in file size from the original 4K video to a cropped 720p video when using our front-end in a full pipeline with an external VC.

No description available.

No description available.

No description available.

Savoir lire est une compétence qui va de la capacité à décoder des caractères à la compréhension profonde du sens de textes. Avec l'émergence de l'intelligence artificielle, deux questions se posent : Comment peut-on apprendre à une intelligence artificielle à lire? Qu'est-ce que cela implique? En essayant de répondre à ces questions, une première évidence nous est rappelée : savoir lire ne peut pas se réduire à savoir répondre à des questions sur des textes. Étant donné que les modèles d'apprentissage machine apprennent avec des exemples d'essai erreur, ils vont apprendre à lire en apprenant à répondre correctement à des questions sur des textes. Cependant, il ne faut pas perdre de vue que savoir lire, c'est comprendre différents types de textes et c'est cette compréhension qui permet de répondre à des questions sur un texte. En d'autres termes, répondre à des questions sur des textes est un des moyens d'évaluation de la compétence de lecture plus qu'une fin en soi. Aujourd'hui, il existe différents types de jeux de données qui sont utilisées pour apprendre à des intelligences artificielles à apprendre à lire. Celles ci proposent des textes avec des questions associées qui requièrent différents types de raisonnement : associations lexicales, déductions à partir d'indices disséminés dans le texte, paraphrase, etc. Le problème est que lorsqu'une intelligence artificielle apprend à partir d'un seul de ces jeux de données, elle n'apprend pas à lire mais est plutôt formée à répondre à un type de question, sur un certain type de texte et avec un certain style d'écriture. Outre la problématique de la généralisation des compétences de lecture, les modèles d'intelligence artificielle qui apprennent à lire en apprenant à répondre à des questions retournent des réponses sans systématiquement indiquer sur quelles phrases du texte sources ils se basent. Cela pose un problème d'explicabilité et peut entrainer une mécompréhension des capacités de ces modèles. Dans ce mémoire, nous proposons de résoudre le problème de généralisation de l'apprentissage en proposant une méthodologie générale adaptée à n'importe quel jeu de données. Ainsi, en ayant une méthodologie commune à tous les types de jeux de données pour apprendre à répondre à tout type de question, sur tout type de texte, nous pourrions apprendre aux modèles d'intelligence artificielle à se concentrer sur les compétences générales de lecture plutôt que sur la capacité spécifique à répondre aux questions. Afin de résoudre également le problème de l'explicabilité, la méthodologie que nous proposons impose à tout modèle de compréhension de lecture automatique de renvoyer les extraits du texte source sur lequel ces réponses sont basées. / Reading is a skill that ranges from the ability to decode characters to a deep understanding of the meaning of a text. With the emergence of artificial intelligence, two questions arise: How can an artificial intelligence be taught to read? What does this imply? In trying to answer these questions, we are reminded of the obvious: knowing how to read cannot be reduced to knowing how to answer questions about texts. Since machine learning models learn with trial-and-error examples, they will learn to read by learning to answer correctly questions about the text they read. However, one should not forget the fact that knowing how to read means understanding different types of texts sufficiently well, and it is this that enables answering questions about a text. In other words, answering questions about texts is one of the means of assessing reading skills rather than an end in itself. Today, there are different types of datasets that are used to teach artificial intelligences to learn to read. These provide texts with associated questions that require different types of reasoning: lexical associations, deductions from discrete clues in the text, paraphrasing, etc. The problem is that when an artificial intelligence learns from only one of these datasets, it does not learn to read but is instead trained to answer a certain type of question, on a certain type of text and with a certain writing style. In addition to the problem of generalizing reading skills, artificial intelligence models that learn to read by learning to answer questions return answers without systematically indicating which sentences in the source text they are based on. This poses a problem of explicability and can lead to a misunderstanding of the capabilities of these models. In this thesis, we propose to solve the generalization issue of learning from one dataset by proposing a general methodology suiting to any machine reading comprehension dataset. Thus, by having a methodology common to all types of datasets to learn how to answer any type of question, on any type of text, we could teach artificial intelligence models to focus on general reading skills rather than on the specific ability to answer questions. In order to also solve the issue of explanability, the methodology we propose impose any machine reading comprehension model to return the span of the source text its answers are based on.

This masters report pulls together the body of resources available to assist the lecture demonstrator. professor. and teacher of chemistry in incorporating the very powerful teaching tools of chemical demonstrations. The lecture demonstration lies somewhere in the continuum between laboratory exercise and magic trick; but it is not my intention here to debate the pedagogical implications of a chemical demonstration's place in that continuum. I assume simply that the reader is in a position to motivate and excite students about chemistry and will benefit from the material contained herein. The most recent chemical demonstrations materials in print are listed and annotated in this report. The most useful chemical demonstrations-related sites on the internet are also listed and reviewed. The combination of a committed teacher and the following resources cannot but improve both the teaching and learning of chemistry at all levels of education. / Master of Science

Cette thèse est présentée comme une contribution à la "description pluridisciplinaire" (R. Barthes) de l'acte de lecture. En utilisant concurremment deux modèles de description proposés par Roland Barthes, l'un pour la description des niveaux du récit (Cf. "Introduction à l'analyse structurale des récits", Communications 8, 1966, pp. 1-27) et l'autre pour la description des principaux niveaux de l'acte de lecture (cf. "Pour une théorie de la lecture", Publication du CRDP d'Orléans, 1973, pp. 28-29), on y procède à un essai d'analyse expérimentale visant à établir une typologie des démarches de lecture portant sur un texte narratif, plus précisément sur une seule séquence narrative sous forme de bande dessinée. Les modèles de Barthes sont des modèles théoriques et la recherche en lecture compte encore, très peu de travaux recourant à la méthode expérimentale quand il s'agit de compréhension et d'interprétation des textes. Ce travail prend ainsi l'aspect d'un rapport de recherche qui présente d'abord les résultats obtenus avec l'application d'une méthode de recherche expérimentale, la méthode "exploratoire", à la lecture d'une séquence narrative et, par la suite mais aussi concurremment, qui fait le point sur les conditions d'utilisation de ce type d'hypothèse de travail. L'analyse est conduite au moyen des réponses données par un groupe de trente-huit (38) élèves du cours secondaire à un questionnaire de trois (3) pages présentant les vignettes d'une bande dessinée une à une; la bande dessinée est tirée de la série Mutt et Jeff. Le premier chapitre, après une présentation de l'objet de la recherche : la lecture d'une séquence narrative, établit son objectif et spécifie les choix méthodologiques qui ont été faits. On y trouve aussi le texte retenu pour l'expérimentation, de même que la description des principales étapes franchies dans la mise au point de l'instrument d'observation des démarches de lecture, c'est-à-dire le questionnaire. Parce que le choix du texte narratif s'esc porté sur une bande dessinée, sont enfin mentionnées les justifications de ce choix de même que ses conséquences sur l'hypothèse de travail. Les trois chapitres qui suivent présentent les résultats obtenus avec chacune des pages du questionnaire utilisé. Les parties de ces chapitres sont déterminées d'abord par les questions mais aussi par le schéma des fonctions distributionnelles et intégratives contenu dans le modèle de description du récit de Roland Barthes; dans chacune de ces parties, on trouve des tableaux regroupant les données qui sont analysées parallèlement et les deux premiers chapitres d'analyse se terminent par des synthèses établissant des groupes de lecteurs après chacune des deux premières images de la bande dessinée. Le cinquième et dernier chapitre présente enfin une synthèse finale regroupant toutes les données auparavant compilées et analysées, c'est-à-dire une première typologie des démarches de lecture observées dans le groupe de répondants. Cette première typologie est ensuite complétée par une synthèse des observations faites antérieurement sur les opérations de sélection des éléments du récit qui servent à l'établissement des relations distributionnelles et intégratives, de même que sur les opérations d'intégration et d'interprétation. En conclusion, on revient sur l'hypothèse de travail pour proposer le développement de modèles de description de l'acte de lecture.

Henri Bergson utilise régulièrement les arts pour illustrer sa méthode philosophique. Pourtant, il n'a jamais théorisé l'expérience artistique pour elle-même, et nous croyons que ses idées esthétiques méritent une recherche approfondie. Plus précisément, nous croyons que la littérature offre une porte d'entrée paradigmatique dans la recherche esthétique bergsonienne. Connaissant la minutie de son travail de rédaction, il nous semble important de s'attarder sur ce que lire signifie pour lui, car son style poétique constitue non seulement notre meilleur accès à sa pensée, mais en plus il participe à former notre expérience de cette pensée. Ce mémoire se veut donc une étude des idées esthétiques de Bergson, en centrant notre recherche sur la lecture. Dans un premier temps, nous proposerons une définition de l'acte de lecture à partir des concepts bergsoniens de la durée, de la mémoire, et de l'attention. Nous trouverons ainsi que la lecture serait d'abord une expérience de sympathie avec l'intuition de l'artiste. Cela nous mènera au deuxième moment de notre recherche, qui cherchera à définir l'intuition artistique. Nous explorerons ainsi le paysage interprétatif de ce concept polysémique, qui révèlera un conflit entre deux interprétations, l'une qui comprend l'intuition comme une connaissance sur le monde, l'autre qui la comprend comme une création de nouveauté. Cependant, nous trouverons que l'intuition artistique correspondrait à un vécu émotif dans le flux de la conscience, et en en ce sens elle serait les deux à la fois. Enfin, nous étudierons l'œuvre d'art, afin de comprendre comment l'intuition artistique se communique de l'artiste à la personne lectrice. Cette dernière étape révèlera que l'œuvre d'art possèderait un statut ontologique unique, c'est-à-dire qu'elle serait un lieu de rencontre entre deux consciences, celle de l'artiste et celle de la lectrice, et cette rencontre serait l'occasion d'une transmission de l'élan créateur à la source de l'intuition artistique. / Arts and literature are among Henri Bergson's most frequent examples to illustrate his philosophical method. However, Bergson never theorised the artistic experience in itself. His aesthetic ideas, however, deserve thorough research. Specifically, literature provides a paradigmatic point of entry in bergsonian aesthetic research. Knowing how meticulous his writing process was, it is important to understand what reading means for him, because not only does his poetic style constitute our best access to his philosophy, but it actively forms our experience of his ideas. This dissertation is thus a study of Bergson's aesthetic ideas. First, I will present a definition of the act of reading, drawing on the bergsonian concepts of durée, memory and attention. We will see that reading is essentially an experience of sympathy with artistic intuition at the origin of the work of art. This will lead us to the second part, where I will attempt to give a definition of the concept of artistic intuition in Bergson's thought. To this end, I explore the existing interpretations of this polysemous concept, thus revealing a conflict between two positions: one that understands artistic intuition as a form of knowledge of the world, the other that understands it as a creation of novelty. However, artistic intuition corresponds with an emotional experience in the lived flux of the consciousness and is thus both at once. Finally, I examine the concept of a work of art, to understand how artistic intuition is conveyed from the artist to the reader. I show that works of art hold a unique ontological status, that is a meeting point between two consciousnesses, the artist's and the reader's, and that this meeting is a prolonging of the creative élan at the origin of artistic intuition.

Savoir lire est une compétence qui va de la capacité à décoder des caractères à la compréhension profonde du sens de textes. Avec l'émergence de l'intelligence artificielle, deux questions se posent : Comment peut-on apprendre à une intelligence artificielle à lire? Qu'est-ce que cela implique? En essayant de répondre à ces questions, une première évidence nous est rappelée : savoir lire ne peut pas se réduire à savoir répondre à des questions sur des textes. Étant donné que les modèles d'apprentissage machine apprennent avec des exemples d'essai erreur, ils vont apprendre à lire en apprenant à répondre correctement à des questions sur des textes. Cependant, il ne faut pas perdre de vue que savoir lire, c'est comprendre différents types de textes et c'est cette compréhension qui permet de répondre à des questions sur un texte. En d'autres termes, répondre à des questions sur des textes est un des moyens d'évaluation de la compétence de lecture plus qu'une fin en soi. Aujourd'hui, il existe différents types de jeux de données qui sont utilisées pour apprendre à des intelligences artificielles à apprendre à lire. Celles ci proposent des textes avec des questions associées qui requièrent différents types de raisonnement : associations lexicales, déductions à partir d'indices disséminés dans le texte, paraphrase, etc. Le problème est que lorsqu'une intelligence artificielle apprend à partir d'un seul de ces jeux de données, elle n'apprend pas à lire mais est plutôt formée à répondre à un type de question, sur un certain type de texte et avec un certain style d'écriture. Outre la problématique de la généralisation des compétences de lecture, les modèles d'intelligence artificielle qui apprennent à lire en apprenant à répondre à des questions retournent des réponses sans systématiquement indiquer sur quelles phrases du texte sources ils se basent. Cela pose un problème d'explicabilité et peut entrainer une mécompréhension des capacités de ces modèles. Dans ce mémoire, nous proposons de résoudre le problème de généralisation de l'apprentissage en proposant une méthodologie générale adaptée à n'importe quel jeu de données. Ainsi, en ayant une méthodologie commune à tous les types de jeux de données pour apprendre à répondre à tout type de question, sur tout type de texte, nous pourrions apprendre aux modèles d'intelligence artificielle à se concentrer sur les compétences générales de lecture plutôt que sur la capacité spécifique à répondre aux questions. Afin de résoudre également le problème de l'explicabilité, la méthodologie que nous proposons impose à tout modèle de compréhension de lecture automatique de renvoyer les extraits du texte source sur lequel ces réponses sont basées. / Reading is a skill that ranges from the ability to decode characters to a deep understanding of the meaning of a text. With the emergence of artificial intelligence, two questions arise: How can an artificial intelligence be taught to read? What does this imply? In trying to answer these questions, we are reminded of the obvious: knowing how to read cannot be reduced to knowing how to answer questions about texts. Since machine learning models learn with trial-and-error examples, they will learn to read by learning to answer correctly questions about the text they read. However, one should not forget the fact that knowing how to read means understanding different types of texts sufficiently well, and it is this that enables answering questions about a text. In other words, answering questions about texts is one of the means of assessing reading skills rather than an end in itself. Today, there are different types of datasets that are used to teach artificial intelligences to learn to read. These provide texts with associated questions that require different types of reasoning: lexical associations, deductions from discrete clues in the text, paraphrasing, etc. The problem is that when an artificial intelligence learns from only one of these datasets, it does not learn to read but is instead trained to answer a certain type of question, on a certain type of text and with a certain writing style. In addition to the problem of generalizing reading skills, artificial intelligence models that learn to read by learning to answer questions return answers without systematically indicating which sentences in the source text they are based on. This poses a problem of explicability and can lead to a misunderstanding of the capabilities of these models. In this thesis, we propose to solve the generalization issue of learning from one dataset by proposing a general methodology suiting to any machine reading comprehension dataset. Thus, by having a methodology common to all types of datasets to learn how to answer any type of question, on any type of text, we could teach artificial intelligence models to focus on general reading skills rather than on the specific ability to answer questions. In order to also solve the issue of explanability, the methodology we propose impose any machine reading comprehension model to return the span of the source text its answers are based on.