Bien que les environnements informatiques pour l'apprentissage humain (EIAH) aient apporté une amélioration à la qualité de l'apprentissage, des recherches restent à mener pour bien comprendre et interagir avec l'apprenant. Dans notre recherche, nous avons tenté d'extraire des règles comportementales d'un agent artificiel pouvant offrir de l'aide à l'apprenant. Nous avons mis en place un environnement d'apprentissage d'un cours en sciences physiques sur l'effet photo-électrique vu sous l'angle quantique. Il s'agissait d'un apprentissage en sciences basé sur l'utilisation d'un simulateur et fondé sur l'expérimentation et le conflit cognitif. Les apprenants utilisaient des ordinateurs personnels dotés d'un oculomètre et de capteurs physiologiques et étaient connectés en réseau à un tuteur humain placé dans un local distant. Durant le déroulement du cours, les apprenants étaient soutenus par le tuteur humain avec qui ils pouvaient échanger des paroles ou des messages textuels pour surmonter les difficultés éprouvées et qui nuisaient à la qualité de l'apprentissage. Le tuteur humain était capable de déceler les faiblesses et de chercher des indices reflétant l'état de la compréhension des apprenants et intervenait pour aider et soutenir, malgré son éloignement et l'impossibilité de voir les gestes ou expressions faciales de l'apprenant. Tout au long des expérimentations, nous avons recueilli des informations oculométriques, physiologiques, des mouvements et actions de la souris et sur les variations des variables du simulateur. Nous avons également enregistré une vidéo de l'apprenant et du dialogue avec le tuteur. Nous disposions de données qui n'étaient pas à la portée du tuteur humain. Dans nos analyses de ces données non verbales et des traces d'utilisation, nous avons essayé de trouver des indicateurs pouvant être associés aux interventions du tuteur humain. Ces indicateurs ont servi à l'élaboration de règles pouvant être utilisées par un agent tuteur artificiel lui permettant d'identifier le comportement de l'apprenant et d'agir de la même façon qu'un tuteur humain pour le soutien à l'apprentissage. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Environnements informatiques pour l'apprentissage humain, Cyberapprentissage, Simulation informatique, Expérimentation assistée par ordinateur, Soutien à l'apprenant, Systèmes tutoriels intelligents, Apprentissage constructiviste, Modèle de l'apprenant, Suivi oculaire, Réponse psycho-galvanique.

Dans cette thèse, nous présentons MEMORIA, un modèle de représentation de la mémoire de l’apprenant pour les systèmes tutoriels intelligents et adaptatifs. La contribution principale de ce modèle est une formalisation et une implémentation du modèle de l’apprenant sous forme de mémoires qui stockent les informations perçues par l’apprenant dans un environnement virtuel et les instructions émises par le tuteur. La conception de notre modèle est basée sur les quatre composantes classiques d’un système tutoriel intelligent. Le modèle du domaine est représenté par les connaissances métiers formalisées à l'aide de MASCARET. Afin de rendre naturelles les interactions entre le tuteur et l'apprenant, nous représentons le modèle de l'interface par l'intermédiaire d'un agent conversationnel animé à l'aide de la plate-forme Greta. Le modèle de l'apprenant est constitué de l'ensemble des connaissances acquises par l'apprenant en cours de simulation. Ces connaissances sont organisées dans trois mémoires : la mémoire sensorielle, la mémoire de travail et la mémoire à long terme. Notre enjeu majeur porte sur la formalisation de l'encodage des informations dans ces mémoires, ainsi que le flux de données entre celles-ci. Cette formalisation est basée sur la théorie de la mémoire humaine proposée par Atkinson et Shiffrin et inspirée de l'architecture cognitive ACT-R. Le modèle de tuteur que nous proposons est centré sur la réalisation d'un comportement qui adapte l'exécution du scénario en fonction des connaissances de l'apprenant et de ses interactions avec le tuteur. Une étude expérimentale a été menée pour valider notre modèle. Nous avons comparé deux groupes de participants. Dans le premier groupe, nous avons intégré un tuteur adaptatif utilisant notre modèle, qui adapte l'exécution du scénario pédagogique et dans le second groupe, un tuteur non adaptatif qui réalise un scénario pédagogique figé. Les résultats de cette étude permettent de conclure quant à l'efficacité de notre modèle pour un apprentissage de procédure. / In this thesis, we present MEMORIA, a model of the learner’s memory representation for adaptive and intelligent tutoring systems. The main contribution of this model is a formalization and an implementation of the learner's model using memories that store the information perceived by the learner in a virtual environment and the instructions given by the tutor. The design of our model is based on the four classic components of an intelligent tutorial system.The domain model is represented by the domain knowledge that is formalized using MASCARET. In order to make the interactions between the tutor and the learner natural, we represent the interface model through an embodied conversational agent using GRETA. The learner's model is made of all the knowledge acquired by the learner during the simulation. This knowledge is organized into three memories: sensory memory, working memory, and long-term memory. Our major challenge is to formalize the encoding of information in these memories, as well as the data flow between them.This formalization is based on the theory of human memory proposed by Atkinson and Shiffrin and inspired by the cognitive architecture ACT-R. Our proposed tutor model focuses on the realization of a behavior that adapts the execution of the pedagogical scenario according to the learner's knowledge and the interactions with the tutor. An experimental study was conducted to validate our model. We compared two groups of participants. In the first group, we integrated an adaptive tutor using our model which adapts the execution of the pedagogical scenario and in the second group, a non-adaptive tutor who applied a fixed pedagogical scenario. The results of this study allow us to conclude on the effectiveness of our model for procedural learning.

Les ordinateurs peuvent-ils enseigner ? Pour répondre à cette question, la recherche dans les Systèmes Tuteurs Intelligents est en pleine expansion parmi la communauté travaillant sur les Technologies de l'Information et de la Communication pour l'Enseignement (TICE). C'est un domaine qui rassemble différentes problématiques et réunit des chercheurs venant de domaines variés, tels que la psychologie, la didactique, les neurosciences et, plus particulièrement, le machine learning. Les technologies numériques deviennent de plus en plus présentes dans la vie quotidienne avec le développement des tablettes et des smartphones. Il semble naturel d'utiliser ces technologies dans un but éducatif. Cela amène de nombreuses problématiques, telles que comment faire des interfaces accessibles à tous, comment rendre des contenus pédagogiques motivants ou encore comment personnaliser les activités afin d'adapter le contenu à chacun. Au cours de cette thèse, nous avons développé des méthodes, regroupées dans un framework nommé HMABITS, afin d'adapter des séquences d'activités pédagogiques en fonction des performances et des préférences des apprenants, dans le but de maximiser leur vitesse d'apprentissage et leur motivation. Ces méthodes utilisent des modèles computationnels de motivation intrinsèque pour identifier les activités offrant les plus grands progrès d'apprentissage, et utilisent des algorithmes de Bandits Multi-Bras pour gérer le compromis exploration/exploitation à l'intérieur de l'espace d'activité. Les activités présentant un intérêt optimal sont ainsi privilégiées afin de maintenir l'apprenant dans un état de Flow ou dans sa Zone de Développement Proximal. De plus, certaines de nos méthodes permettent à l'apprenant de faire des choix sur des caractéristiques contextuelles ou le contenu pédagogique de l'application, ce qui est un vecteur d'autodétermination et de motivation. Afin d'évaluer l'efficacité et la pertinence de nos algorithmes, nous avons mené plusieurs types d'expérimentation. Nos méthodes ont d'abord été testées en simulation afin d'évaluer leur fonctionnement avant de les utiliser dans d'actuelles applications d'apprentissage. Pour ce faire, nous avons développé différents modèles d'apprenants, afin de pouvoir éprouver nos méthodes selon différentes approches, un modèle d'apprenant virtuel ne reflétant jamais le comportement d'un apprenant réel. Les résultats des simulations montrent que le framework HMABITS permet d'obtenir des résultats d'apprentissage comparables et, dans certains cas, meilleurs qu'une solution optimale ou qu'une séquence experte. Nous avons ensuite développé notre propre scénario pédagogique et notre propre serious game afin de tester nos algorithmes en situation réelle avec de vrais élèves. Nous avons donc développé un jeu sur la thématique de la décomposition des nombres, au travers de la manipulation de la monnaie, pour les enfants de 6 à 8 ans. Nous avons ensuite travaillé avec le rectorat et différentes écoles de l'académie de bordeaux. Sur l'ensemble des expérimentations, environ 1000 élèves ont travaillé sur l'application sur tablette. Les résultats des études en situation réelle montrent que le framework HMABITS permet aux élèves d'accéder à des activités plus diverses et plus difficiles, d'avoir un meilleure apprentissage et d'être plus motivés qu'avec une séquence experte. Les résultats montrent même que ces effets sont encore plus marqués lorsque les élèves ont la possibilité de faire des choix. / Can computers teach people? To answer this question, Intelligent Tutoring Systems are a rapidly expanding field of research among the Information and Communication Technologies for the Education community. This subject brings together different issues and researchers from various fields, such as psychology, didactics, neurosciences and, particularly, machine learning. Digital technologies are becoming more and more a part of everyday life with the development of tablets and smartphones. It seems natural to consider using these technologies for educational purposes. This raises several questions, such as how to make user interfaces accessible to everyone, how to make educational content motivating and how to customize it to individual learners. In this PhD, we developed methods, grouped in the aptly-named HMABITS framework, to adapt pedagogical activity sequences based on learners' performances and preferences to maximize their learning speed and motivation. These methods use computational models of intrinsic motivation and curiosity-driven learning to identify the activities providing the highest learning progress and use Multi-Armed Bandit algorithms to manage the exploration/exploitation trade-off inside the activity space. Activities of optimal interest are thus privileged with the target to keep the learner in a state of Flow or in his or her Zone of Proximal Development. Moreover, some of our methods allow the student to make choices about contextual features or pedagogical content, which is a vector of self-determination and motivation. To evaluate the effectiveness and relevance of our algorithms, we carried out several types of experiments. We first evaluated these methods with numerical simulations before applying them to real teaching conditions. To do this, we developed multiple models of learners, since a single model never exactly replicates the behavior of a real learner. The simulation results show the HMABITS framework achieves comparable, and in some cases better, learning results than an optimal solution or an expert sequence. We then developed our own pedagogical scenario and serious game to test our algorithms in classrooms with real students. We developed a game on the theme of number decomposition, through the manipulation of money, for children aged 6 to 8. We then worked with the educational institutions and several schools in the Bordeaux school district. Overall, about 1000 students participated in trial lessons using the tablet application. The results of the real-world studies show that the HMABITS framework allows the students to do more diverse and difficult activities, to achieve better learning and to be more motivated than with an Expert Sequence. The results show that this effect is even greater when the students have the possibility to make choices.