L’exploitation des traces d’interaction lors de tâches d’apprentissage permet différents types de retour d’expérience : retour immédiat pour l’apprenant sur sa tâche, retour d’expérience au niveau d’un groupe de pairs, retour d’expérience vers le tuteur en situation d’apprentissage, retour d’expérience vers les concepteurs de formation. Ces retours d’expérience s’expriment le plus souvent sous une forme synthétique : des indicateurs. Ce travaille apporte des solutions originales aux deux facettes indispensables à toute ingénierie des indicateurs : 1) intégration d’un système à base de traces comme nouvelle brique disponible pour la conception d’EIAH (intégration dans un framework de type Moodle) ; 2) Elaboration d’un processus intégré de transformations explicites de traces modélisées préparant à un calcul explicite d’indicateurs. Les connaissances de modélisation des traces, des transformations et de la description de la formule d’indicateur sont capitalisées, facilitant la réutilisation et la constitution de bibliothèques d’indicateurs « prêts à l’emploi ». Pour illustrer l’approche, nous avons développé un jeu de modèles de traces et de transformations adaptées à une situation cible choisie pour sa richesse interactive. Ce jeu de modèles pourra concerner l’apprenant seul, mais aussi le groupe de pairs et éventuellement le groupe classe pour révéler certains phénomènes, tels que la collaboration, non visibles au niveau de l’individu seul. L’outil développé, pour faire la démonstration de l’approche proposée, a été testé en vraie grandeur sur plusieurs terrains universitaires et est disponible en téléchargement pour Moodle. / The exploitation of user’s interaction historic provides different level of experience’s feedback and for different kind of users: experience feedback for teachers, student, group of students, TEL designers. This work provides novel solutions to two essential aspects to any engineering indicators: 1) Integration of a Trace Based System as a new component for TEL systems design (integration in a framework as Moodle for example); 2) Building a set of Trace models with a transformations process to compute explicitly indicators. Knowledge modeling traces, transformations, and indicators’ formula description are capitalized, allowing the reuse and the creation of indicators library “ready to use” To illustrate the approach, we have developed a set of traces models and transformations adapted to a chosen learning situation. This set of models will involve him- self, the peers group and possibly the whole class to reveal some phenomena, such as collaboration. A demonstration software has been developed and tested in three different university contexts and is available for download for Moodle.

This work is describing basic methods of face recognition. The methods PCA, LDA, ICA, trace tranfsorm, elastic bunch graph map, genetic algorithm and neural network are described. In practical part, the PCA, PCA + RBF neural network and genetic algorithms are implemented. The RBF neural network is used in the way of clasificator and genetic algorithm is used for RBF NN training in one case and for selecting eigenvectors from PCA method in the other case. This method, PCA + GA, called EPCA, outperform other methods tested in this work on the ORL testing database.