.

L'objet de cette thèse est de définir des méthodes d'analyse hiérarchique des réseaux de Petri (un formalisme de modélisation du contrôle des systèmes distribués). Premièrement, nous étudions la transformation de réseaux par remplacement de sous-réseaux ouverts: une notion d'équivalence est définie telle que si on remplace un sous-réseau ouvert par un réseau équivalent on obtient un réseau équivalent au réseau d'origine; puis nous définissons la classe des réseaux réentrants, pour laquelle la vérification de l'équivalence, complexe en général, devient simple. Deuxièmement, l'examen de la composition de réseaux par fusion de places conduit à deux résultats: la conservation d'espace d'accueil dans certaines conditions d'indépendance par rapport aux places partagées, et celle de l'absence d'interblocage lors de la composition des réseaux à ressources ordonnées (dans un sens différent de la solution classique). Enfin, un nouveau concept de norme pour la preuve de la propriété d'espace d'accueil est défini, muni d'opérations de composition permettant une vérification modulaire de cette propriété.

L'objet de cette thèse est d'établir un cadre d'analyse des données recueillies sur les véhicules en vue de les mettre en correspondance avec des comportements. Pour cela, nous avons défini le modèle Semi-Markovien caché pondéré pour modéliser les signaux issus des capteurs et établi des résultats théoriques sur les modèles de régressions multi-phasiques dans le cas linéaire et nonlinéaire. Puis, nous avons établi une méthodologie d'analyse de l'activité basée sur un apprentissage semi-automatique, et structurée par les résultats des modèles cognitifs du conducteur. Pour valider cette méthodologie, nous avons effectué une expérimentation où furent enregistrées 1209 séquences de conduite. Ces données nous ont permis d'implémenter des modèles de Markov cachées décrivant l'évolution des capteurs associés à des situations de conduite caractérisées par l'objectif, l'infrastructure perçue par le conducteur et la vitesse initiale. Les modèles générés nous permettent dès lors de catégoriser, avec un taux satisfaisant, à quelle situation ou à quel groupe de situation appartient une séquence inconnue. Par ailleurs, nous illustrons l'utilité des modèles markoviens conjugués aux modèles multi-phasiques pour la recherche automatique de situation dans un ensemble de données. Mot clés libres: modèle Semi-Markovien cachés pondéré, modèles multi-phasiques, apprentissage semi-automatique, catégorisation du comportement du conducteur, analyse de l'activité de conduite analyse hiérarchique

La présente étude s'inscrit dans le contexte de l'encadrement des grands groupes d'étudiants engagés dans des activités collaboratives à distance. Si un relatif consensus existe dans la littérature autour des effets positifs sur l'apprentissage que peuvent procurer les interventions d'un tuteur humain, celles-ci sont coûteuses en termes de disponibilité humaine et de rétributions économiques. Une des alternatives possibles au tutorat humain peut être envisagée au travers d'une assignation de rôles de régulation et d'une visualisation du processus collaboratif mis en oeuvre. De nombreuses études ont déjà investigué ces deux modalités d'auto-régulation de manière indépendante. Cependant, aucune d'entre elles n'a jusqu'à présent évalué leur usage articulé. Dans le cadre de cette dissertation doctorale, nous rapportons des éléments de réponses à la question des effets sur l'apprentissage de cette utilisation conjuguée en nous appuyant sur deux expériences réalisées consécutivement dans un même contexte de formation et autour d'un scénario pédagogique identique. Cette recherche se situe dans le champ émergent en Sciences de l'Éducation des "Learning Analytics" et revêt un caractère opérationnel. Sur la base de l'exploitation des traces issues de l'activité des étudiants dans l'environnement d'apprentissage à distance et de leur progression effective, notre objectif principal est d'identifier dans l'action pédagogique les facteurs manipulés et induits qui sont susceptibles de modifier son résultat. Cette logique d'identification nous amène à mettre ce qui fonctionne (ou pas) dans un contexte d'apprentissage collaboratif en ligne.