Ce travail s’inscrit dans le projet « Personnalisation des EIAH » étudiant l’utilisationdes traces d’activité dans l’évaluation et la personnalisation des situations d’apprentissagemédiatisées. L’analyse des traces se fait généralement par des outils d’analyse réalisés par leschercheurs et spécifiques à leurs besoins. Les résultats publiés ne peuvent généralement pasêtre vérifiés ni comparés, ceci étant dû aux difficultés de partage des corpus et des outilsd’analyse. L’objectif de ce travail est de proposer aux chercheurs utilisant les EIAH, uneplateforme pour le partage, d’une part des corpus de traces d’interaction contextualisées et lesanalyses réalisées sur ces corpus, et des outils d’analyse et de visualisation des traces d’autrepart. L’hétérogénéité des traces produites par les EIAH, due à la variété des domainesd’apprentissage et des besoins d’analyse, fait que la proposition d’une représentationcommune ne peut répondre aux différents besoins de chercheurs pluridisciplinaires. Nousproposons l’approche par « proxy », une solution participative et incrémentale basée sur uneontologie qui définit trois modèles : un modèle de corpus définissant la structure et lesmétadonnées de description du corpus et son contenu, un modèle définissant les conceptsgénériques pouvant être retrouvés dans les corpus, et un modèle opérationnel définissant desopérations assurant l’interopérabilité entre un corpus et un outil d’analyse partagé. En nousbasant sur cette approche, nous proposons une architecture de plateforme de partage decorpus de traces et d’outils d’analyse permettant aux chercheurs de partager leurs corpus,d’accéder aux corpus partagés, et de les analyser. / This work is part of the “TEL Environments customization” project studying the use ofactivity traces in the evaluation and customization of mediated learning situations. Analyzingtraces is generally performed using analysis tools developed by researchers specifically fortheir needs. Published research results can generally not be verified or compared, due todifficulties of sharing corpora and analysis tools. The aim of this research work is to provideresearchers using TEL environments in their researches with a platform to share corpora ofcontextualized interaction traces and analyses performed on them, and to analyse thosecorpora using shared analysis and visualization tools. Heterogeneity of traces produced byTEL environments, due to the diversity of learning domains and to analysis needs makes theproposition of a common representation cannot satisfy the various needs of multidisciplinaryresearchers. We propose the “proxy” approach, a participative and incremental solution basedon an ontology which defines three models: a corpus model defining the structure anddescription metadata of the corpus and its contents, a semantic model defining genericconcepts which can be retrieved in shared corpora, and an operational model defining a set ofoperations ensuring interoperability between shared corpora and analysis tools. Based on thisapproach, we propose a platform architecture for sharing traces corpora and analysis toolsallowing researchers to share their own corpora, to access to shared corpora, and to analyzethem.

Comprendre la genèse d’une situation de conduite requiert d’analyser les choixfaits par le conducteur au volant de son véhicule pendant l’activité de conduite, dans sacomplexité naturelle et dans sa dynamique située. Le LESCOT a développé le modèleCOSMODRIVE, fournissant un cadre conceptuel pour la simulation cognitive de l’activitéde conduite automobile. Pour exploiter ce modèle en simulation, il est nécessairede produire les connaissances liées à la situation de conduite sous forme d’un automatepar exemple. La conception d’un tel automate nécessite d’une part de disposer de donnéesissues de la conduite réelle, enregistrées sur un véhicule instrumenté et d’autrepart d’une expertise humaine pour les interpréter.Pour accompagner ce processus d’ingénierie des connaissances issues de l’analysed’activité, ce travail de thèse propose une méthode de découverte interactive deconnaissances à partir de traces d’activité. Les données de conduite automobile sontconsidérées comme des M-Traces, associant une sémantique explicite aux données,exploitées en tant que connaissances dans un Système à Base de Traces (SBT). Le SBTpermet de filtrer, transformer, reformuler et abstraire les séquences qui serviront à alimenterla synthèse de modèles automates de l’activité de conduite. Nous reprenons destechniques de fouille de workflow permettant de construire des automates (réseaux dePetri) à partir de logs. Ces techniques nécessitent des données complètes ou statistiquementreprésentatives. Or les données collectées à bord d’un véhicule en situationde conduite sont par nature des cas uniques, puisqu’aucune situation ne sera jamaisreproductible à l’identique, certaines situations particulièrement intéressantes pouvanten outre être très rarement observées. La gageure est alors de procéder à une forme degénéralisation sous la forme de modèle, à partir d’un nombre de cas limités, mais jugéspertinents, représentatifs, ou particulièrement révélateurs par des experts du domaine.Pour compléter la modélisation de telles situations, nous proposons donc de rendreinteractifs les algorithmes de synthèse de réseau de Petri à partir de traces, afin depermettre à des experts-analystes de guider ces algorithmes et de favoriser ainsi la découvertede connaissances pertinentes pour leur domaine d’expertise. Nous montreronscomment rendre interactifs l’algorithme α et l’algorithme α+ et comment généralisercette approche à d’autres algorithmes.Nous montrons comment l’utilisation d’un SBT et de la découverte interactived’automates impacte le cycle général de découverte de connaissances. Une méthodologieest proposée pour construire des modèles automates de l’activité de conduiteautomobile.Une étude de cas illustre la méthodologie en partant de données réelles de conduiteet en allant jusqu’à la construction de modèles avec un prototype logiciel développédans le cadre de cette thèse / Driving is a dynamic and complex activity. Understanding the origin of a driving situationrequires the analysis of the driver’s choices made while he/she drives. In addition,a driving situation has to be studied in its natural complexity and evolution. LESCOThas developed a model called COSMODRIVE, which provides a conceptual frameworkfor the cognitive simulation of the activity of car driving. In order to run themodel for a simulation, it is necessary to gather knowledge related to the driving situation,for example in the form of an automaton. The conception of such an automatonrequires : 1) the use of real data recorded in an instrumented car, and, 2) the use of humanexpertise to interpret these data. These data are considered in this thesis as activitytraces.The purpose of this thesis is to assist the Knowledge Engineering process of activityanalysis. The present thesis proposes a method to interactively discover knowledgefrom activity traces. For this purpose, data from car driving are considered as M-traces– which associate an explicit semantic to these data. This semantic is then used asknowledge in a Trace Based System. In a Trace Based System, M-traces can be filtered,transformed, reformulated, and abstracted. The resulting traces are then used as inputsin the production of an automaton model of the activity of driving. In this thesis,Workflow Mining techniques have been used to build automata (Petri nets) from logs.These techniques require complete or statistically representative data sets. However,data collected from instrumented vehicles are intrinsically unique, as no two drivingsituations will ever be identical. In addition, situations of particular interest, such ascritical situations, are rarely observed in instrumented vehicle studies. The challenge isthen to produce a model which is a form of generalisation from a limited set of cases,which have been judged by domain experts as being relevant and representative of whatactually happens.In the current thesis, algorithms synthesising Petri nets from traces have been madeinteractive, in order to achieve the modelling of such driving situations. This thenmakes it possible for experts to guide the algorithms and therefore to support the discoveryof knowledge relevant to the experts. The process involved in making the α-algorithm and the α+-algorithm interactive is discussed in the thesis in a way that canbe generalised to other algorithms.In addition, the current thesis illustrates how the use of a Trace Based System andthe interactive discovery of automata impacts the global cycle of Knowledge Discovery.A methodology is also proposed to build automaton models of the activity of cardriving. Finally, a case study is presented to illustrate how the proposed methodologycan be applied to real driving data in order to construct models with the softwaredeveloped in this thesis