Thèse (de maîtrise)--Université Laval, 1997. / Bibliogr.: f. 60-62. Publié aussi en version électronique.

Th. 3e cycle--Psychol.--Paris 5, 1988.

No description available.

La prise de décision stratégique concernant des ressources de valeur devrait tenir compte du degré d'aversion au risque. D'ailleurs, de nombreux domaines d'application mettent le risque au cœur de la prise de décision. Toutefois, ce n'est pas le cas de l'apprentissage automatique. Ainsi, il semble essentiel de devoir fournir des indicateurs et des algorithmes dotant l'apprentissage automatique de la possibilité de prendre en considération le risque dans la prise de décision. En particulier, nous souhaiterions pouvoir estimer ce dernier sur de courtes séquences dépendantes générées à partir de la classe la plus générale possible de processus stochastiques en utilisant des outils théoriques d'inférence statistique et d'aversion au risque dans la prise de décision séquentielle. Cette thèse étudie ces deux problèmes en fournissant des méthodes algorithmiques prenant en considération le risque dans le cadre de la prise de décision en apprentissage automatique. Un algorithme avec des performances de pointe est proposé pour une estimation précise des statistiques de risque avec la classe la plus générale de processus ergodiques et stochastiques. De plus, la notion d'aversion au risque est introduite dans la prise de décision séquentielle (apprentissage en ligne) à la fois dans les jeux de bandits stochastiques et dans l'apprentissage séquentiel antagoniste. / Strategic decision-making over valuable resources should consider risk-averse objectives. Many practical areas of application consider risk as central to decision-making. However, machine learning does not. As a result, research should provide insights and algorithms that endow machine learning with the ability to consider decision-theoretic risk. In particular, in estimating decision-theoretic risk on short dependent sequences generated from the most general possible class of processes for statistical inference and through decision-theoretic risk objectives in sequential decision-making. This thesis studies these two problems to provide principled algorithmic methods for considering decision-theoretic risk in machine learning. An algorithm with state-of-the-art performance is introduced for accurate estimation of risk statistics on the most general class of stationary--ergodic processes and risk-averse objectives are introduced in sequential decision-making (online learning) in both the stochastic multi-arm bandit setting and the adversarial full-information setting.

Le gouvernement du Canada rapporte un taux d'abandon se situant en moyenne autour de 50% au doctorat (Universités Canada, 2020). Parmi les causes sous-jacentes entraînant l’interruption du programme d'études se trouve le manque d'expérience et de compétences en rédaction universitaire (Lison et Bourget, 2016). Cette lacune peut freiner la progression des étudiants dans leurs études, mais aussi, leur intégration à une communauté universitaire comme chercheurs novices. En effet, les études doctorales permettent la socialisation au métier de chercheur, alors le doctorant se doit d'intégrer les normes et les pratiques s'y rattachant (Skakni, 2011). À cette fin, il existe un dispositif qui se nomme cafés de rédaction universitaire (CRU), dont la popularité est en essor au Canada, comme dans d'autres pays occidentaux. Notre recherche doctorale de nature qualitative interprétative porte sur le phénomène de socialisation des doctorants au métier de chercheur. À ce sujet, elle vise à mieux comprendre les trajectoires de socialisation qui s'opérationnalisent entre des membres d'une communauté d’apprentissage dans le contexte des CRU. Les trajectoires de socialisation proviennent de la mise en relation des éléments de notre cadre théorique qui est composé des concepts de sentiment d'efficacité personnelle (Bandura, 1997) et d'attribution causale (Weiner, 1972). En tant qu'étude de cas instrumental (Stake, 1995), nous examinons une communauté d'apprentissage nommée Thèsez-vous Ensemble qui compte plus de 4 000 membres aux études supérieures. Pour ce faire, nous avons mené 25 entrevues semi-dirigées (Savoir-Zajc, 2009) avec des candidats au doctorat provenant de 12 universités canadiennes. Nous avons également effectué de la capture de textes numériques (Radford, 2019) à même le compte Facebook de la communauté où s'échangent des ressources utiles à la socialisation au métier de chercheur. Les résultats de la recherche ont révélé que la participation des candidats au doctorat à des CRU, en présence de leurs pairs, leur permet de rehausser leur sentiment d'efficacité personnelle et de mieux comprendre les causes attribuables à leurs réussites et leurs échecs rédactionnels. Notre étude a permis d'approfondir les connaissances face au phénomène de socialisation au métier de chercheur qui a été peu étudié dans des contextes non institutionnels. Nous avons aussi formulé des pistes d'exploration subséquentes face à des concepts théoriques, des approches méthodologiques et des terrains de recherche dans une approche multidisciplinaire en enseignement supérieur.

En tant qu'algorithmes d'apprentissage automatique à la pointe de la technologie, les réseaux de neurones profonds nécessitent de nombreux exemples pour bien fonctionner sur une tâche d'apprentissage. La collecte et l'annotation de multiples échantillons nécessitent un travail humain important et c'est même impossible dans la plupart des problèmes du monde réel tel que l'analyse de données biomédicales. Dans le contexte de la vision par ordinateur, la classification d'images à quelques plans vise à saisir la capacité humaine à apprendre de nouveaux concepts avec peu de supervision. À cet égard, l'idée générale est de transférer les connaissances des catégories de base avec plus d'encadrement vers des classes nouvelles avec peu d'exemples. En particulier, les approches actuelles d'apprentissage à quelques coups pré entraînent un modèle sur les classes de base disponible pour généraliser aux nouvelles classes, peut-être avec un réglage fin. Cependant, la généralisation du modèle actuel est limitée en raison de certaines hypothèses lors de la préformation et de restrictions lors de l'étape de mise au point. Cette thèse vise à assouplir trois hypothèses des modèles d'apprentissage à quelques plans actuels et nous proposons un apprentissage de représentation pour la classification d'images à quelques plans. Tout d'abord, le gel d'un modèle préformé semble inévitable dans la phase de réglage fin en raison de la forte possibilité de surentraînement sur quelques exemples. Malheureusement, l'apprentissage par transfert avec une hypothèse de modèle gelé limite la capacité du modèle puisque le modèle n'est pas mis à jour avec aucune connaissance des nouvelles classes. Contrairement au gel d'un modèle, nous proposons un alignement associatif qui permet d'affiner et de mettre à jour le réseau sur de nouvelles catégories. Plus précisément, nous présentons deux stratégies qui détectent et alignent les nouvelles classes sur les catégories de base hautement liées. Alors que la première stratégie pousse la distribution des nouvelles classes au centre de leurs catégories de base associées, la seconde stratégie effectue une correspondance de distribution à l'aide d'un algorithme d'entraînement contradictoire. Dans l'ensemble, notre alignement associatif vise à éviter le surentraînement et à augmenter la capacité du modèle en affinant le modèle à l'aide de nouveaux exemples et d'échantillons de base associés. Deuxièmement, les approches actuelles d'apprentissage à quelques coups effectuent le transfert de connaissances vers de nouvelles classes distinctes sous l'hypothèse uni modale, où tous les exemples d'une seule classe sont représentés par un seul cluster. Au lieu de cela, nous proposons une approche d'apprentissage de l'espace des caractéristiques basée sur le mélange (MixtFSL) pour déduire une représentation multimodale. Alors qu'un précédent travail basé sur un modèle de mélange d'Allen et al. citeallen2019infinite est basé sur une méthode de clusters classique de manière non différentielle, notre MixtFSL est un nouveau modèle multimodale de bout en bout et entièrement différentielle. MixtFSL capture la multimodale des classes de base sans aucun algorithme de clusters classique à l'aide d'un cadre en deux étapes. La première phase s'appeler formation initiale et vise à apprendre la représentation préliminaire du mélange avec une paire de fonctions de perte. Ensuite, l'étape suivante progressive, la deuxième étape, stabilise la formation avec un cadre de formation de type enseignant-élève utilisant une fonction de perte unique. Troisièmement, contrairement aux techniques actuelles à quelques prises de vue consistant à représenter chaque exemple d'entrée avec une seule entité à la fin du réseau, nous proposons un extracteur d'entités d'ensemble et des ensembles d'entités correspondantes qui assouplissent l'hypothèse typique basée sur une seule entité en raisonnant sur des ensembles d'entités. Ici, nous émettons l'hypothèse que l'hypothèse d'une seule caractéristique est problématique dans la classification d'images à quelques prises de vue puisque les nouvelles classes sont différentes des classes de base préformées. À cette fin, nous proposons nouvel extracteur de caractéristiques d'ensemble d'apprentissage profond basé sur les réseaux de neurones hybrides convolution-attention. De plus, nous suggérons trois métriques ensemble à ensemble non paramétriques pour séduire la classe de l'entrée donnée. Cette thèse utilise plusieurs indicateurs standards publiés dans la littérature sur l'apprentissage en peu d'exemples et l'ossature de réseau pour évaluer les méthodes que nous proposons. / As the current state-of-the-art machine learning algorithms, deep neural networks require many examples to perform well on a learning task. Gathering and annotating many samples requires significant human labor, and it is even impossible in most real-world problems such as biomedical data analysis. Under the computer vision context, few-shot image classification aims at grasping the human ability to learn new concepts with little supervision. In this respect, the general idea is to transfer knowledge from base categories with more supervision to novel classes with few examples. In particular, the current few-shot learning approaches pre-train a model on available base classes to generalize to the novel classes, perhaps with fine-tuning. However, the current model's generalization is limited because of some assumptions in the pre-training and restrictions in the fine-tuning stage. This thesis aims to relax three assumptions of the current few-shot learning models, and we propose representation learning for few-shot image classification. First, freezing a pre-trained model looks inevitable in the fine-tuning stage due to the high possibility of overfitting on a few examples. Unfortunately, transfer learning with a frozen model assumption limits the model capacity since the model is not updated with any knowledge of the novel classes. In contrast to freezing a model, we propose associative alignment that enables fine-tuning and updating the network on novel categories. Specifically, we present two strategies that detect and align the novel classes to the highly related base categories. While the first strategy pushes the distribution of the novel classes to the center of their related base categories, the second strategy performs distribution matching using an adversarial training algorithm. Overall, our associative alignment aims to prevent overfitting and increase the model capacity by refining the model using novel examples and related base samples. Second, the current few-shot learning approaches perform transferring knowledge to distinctive novel classes under the uni-modal assumption, where all the examples of a single class are represented with a single cluster. Instead, we propose a mixture-based feature space learning (MixtFSL) approach to infer a multi-modal representation. While a previous mixture-model-based work of Allen et al. [1] is based on a classical clustering method in a non-differentiable manner, our MixtFSL is a new end-to-end multi-modal and fully differentiable model. MixtFSL captures the multi-modality of base classes without any classical clustering algorithm using a two-stage framework. The first phase is called initial training and aims to learn preliminary mixture representation with a pair of loss functions. Then, the progressive following stage, the second stage, stabilizes the training with a teacher-student kind of training framework using a single loss function. Third, unlike the current few-shot techniques of representing each input example with a single feature at the end of the network, we propose a set feature extractor and matching feature sets that relax the typical single feature-based assumption by reasoning on feature sets. Here, we hypothesize that the single feature assumption is problematic in few-shot image classification since the novel classes are different from pre-trained base classes. To this end, we propose a new deep learning set feature extractor based on the hybrid convolution-attention neural networks. Additionally, we offer three non-parametric set-to-set metrics to infer the class of the given input. This thesis employs several standard benchmarks of few-shot learning literature and network backbones to evaluate our proposed methods.

Dans une société en pleine effervescence, plusieurs changements surviennent, ce qui contribue à accroître la complexité des soins. Pour y faire face, la discipline infirmière de même que les organismes professionnels reconnaissent que la pratique repose sur divers savoirs pour être sensible aux personnes et aux contextes. Or, les écrits font état que les novices, à ce titre les étudiantes, éprouvent de grandes difficultés à cet égard. Malgré que celles-ci soient bien documentées, aucune étude n'a tenté de circonscrire le processus de mobilisation des savoirs par une pensée critique effectivement mise en oeuvre par des étudiantes dans leur pratique. En accord avec des recommandations provenant des écrits, l'étude vise à caractériser la mobilisation des savoirs par une pensée critique chez des étudiantes infirmières bachelières en situation de soins. La théorie Nursing as Caring (Boykin & Schoenhofer, 1993, 2001, 2006) constitue la perspective infirmière dans laquelle s'inscrit notre recherche. Une approche qualitative, inspirée de la théorisation ancrée (Paillé, 1994), a été privilégiée. L'étude s'est déroulée dans une université québécoise où un échantillon intentionnel composé de 16 étudiantes inscrites au baccalauréat en sciences infirmières a été constitué. Une description de situations de soins a été obtenue auprès des étudiantes par une entrevue d'explicitation qui favorise la verbalisation de l'action telle que vécue et la découverte des démarches intellectuelles (Vermersch, 1995). L'entrevue semi-structurée et un questionnaire sociodémographique ont constitué les deux autres méthodes de collecte de données. L'analyse des données a été guidée par les recommandations de Paillé (1994) ainsi que par celles de L'Écuyer (1990) en ce qui a trait à la catégorisation des données. Une étape d'analyse a été ajoutée, c'est-à-dire une reconstitution de l'action, ou condensation des données (Bachelor & Joshi, 1986), pour assurer une mise au jour des démarches intellectuelles telles que vécues chez les étudiantes. De ce travail d'analyse, un modèle illustrant la caractérisation du processus de mobilisation des savoirs par une pensée critique chez des étudiantes en situation de soins émerge. Il met en lumière le fait que plusieurs savoirs concourent à la pratique des étudiantes, soient les savoirs intrapersonnel, interpersonnel, perceptuel, d'expérience de vie, pratique, scientifique et contextuel. La contribution originale de l'étude se concrétise dans la mise au jour de conduites et de métaconduites critiques favorisant une articulation de ces savoirs. Dans cette modélisation, un premier ensemble de conduites critiques met en branle le processus de mobilisation et comprend des conduites exploratoires, analytiques et interprétatives ainsi qu'évaluatives. Le deuxième ensemble interpelle plus directement la globalité des savoirs par des conduites sensibles, morales et éthiques, fondées et contextualisées. En vue de porter un regard critique sur leur pratique et leurs actions, un autre ensemble intervient. Il fait appel aux conduites métacognitives, autocritiques et autocorrectrices. Une orchestration fine et circonstanciée de ces conduites s'effectue par des métaconduites critiques. Cependant, diverses tendances ont été notées selon des niveaux de pensée critique variant de faible à plus élevé. L'émergence d'un savoir sensible, moral et éthique, fondé et contextualisé ne s'avère possible que lorsqu'une pensée critique tend vers un niveau plus élevé, que nous avons nommé savoir combinatoire constructif. Par ailleurs, l'identification de certains facteurs d'influence permet de mieux cerner ceux qui peuvent être facilitants et ceux entravant le processus à l'étude. Les connaissances issues de cette recherche offrent une compréhension en profondeur de l'articulation des divers savoirs grâce à une variété de conduites et de métaconduites critiques. Il en découle des implications en lien avec différentes sphères d'activité des infirmières qui pourront contribuer au développement théorique et à la recherche. Celles soulevées en lien avec la formation et la pratique pourront aussi guider l'élaboration de stratégies éducatives novatrices axées sur une pratique reflexive chez les étudiantes, les infirmières ou d'autres professionnels. Une telle pratique sera ainsi fondée sur des savoirs pertinents et contextualisés par une pensée critique. Mots clés : savoirs, pensée critique, mobilisation, Nursing as caring, approche qualitative, théorisation ancrée, étudiantes infirmières, stratégies éducatives, pratique holiste.

L’entrainement cognitif représente une avenue intéressante pour améliorer les habiletés cognitives chez des personnes de différents âges. Alors que le but ultime de l’entrainement cognitif est de transférer les acquis à des processus cognitifs différents de ceux entrainés, un tel transfert est rarement rapporté dans les écrits scientifiques. En fait, les recensions des écrits indiquent que l’efficacité de l’entrainement cognitif semble spécifique à la tâche entrainée et que des recherches supplémentaires s’avèrent nécessaires pour mieux comprendre ce qui pourrait contribuer à produire un transfert distal. La présente thèse cherche à mieux comprendre les facteurs qui contribuent à l’efficacité de l’entrainement cognitif en s’intéressant à la fois au contenu du programme d’entrainement qu’à la forme que prend cet entrainement. Ainsi, la thèse s’intéresse, dans un premier temps, à la nature du processus cognitif entrainé et, dans un deuxième temps, à la ludification de l’entrainement. Une première étude s’intéresse au processus de suppression de distracteurs et vise à déterminer si un transfert distal peut résulter d’un entrainement de deux mécanismes de suppression des distracteurs, la sélection perceptive et le contrôle de l’attention. Les résultats montrent que seul un entrainement adaptatif sollicitant ces deux mécanismes favorise un transfert sur des tâches de mémoire de travail. Le but de la deuxième étude est d’isoler le rôle des éléments de jeu afin de cibler leur apport dans l’entrainement cognitif. Cette deuxième expérience teste l’hypothèse selon laquelle l’utilisation d’un système de pointage et/ou d’un tableau de compétition permettrait d’augmenter le niveau d’engagement dans le programme d’entrainement ainsi que de favoriser le transfert distal. Bien que les résultats infirment cette hypothèse, la présence de ces éléments de jeu semble néanmoins être associée à un taux d’attrition plus faible. Ces expériences appuient l’idée selon laquelle le processus cognitif entrainé et le contexte dans lequel l’entrainement est présenté ont chacun un rôle important dans l’effet de transfert distal. La thèse offre un nouveau paradigme d’entrainement qui semble efficace pour produire un transfert distal à la communauté scientifique et met en lumière l’intérêt d’exploiter les éléments de jeu comme facteur de maintien dans la répétition d’une tâche monotone. Les résultats de la thèse portent à croire que l’entrainement peut être utilisé afin de pallier des déficits cognitifs présents chez certaines populations vulnérables. / Cognitive training represents an interesting avenue to improve cognitive skills in people of different ages. While the ultimate goal of cognitive training is to transfer knowledge to cognitive processes different from those being trained, such transfer is rarely reported in the scientific literature. In fact, literature reviews indicate that the effectiveness of cognitive training appears to be specific to the training task and that further research is needed to better understand what might contribute to producing far transfer. The present thesis seeks to better understand the factors that contribute to the effectiveness of cognitive training by looking at both the content of the training program and the form that training takes. The thesis focuses firstly on the nature of the cognitive process solicited in the training program and, secondly, on training gamification. A first study concentrates on the process of distractor suppression and examines the impact of training perceptual selection and cognitive control—two distractor suppression mechanisms—on far transfer. The results show that only adaptive training based on these two mechanisms promotes transfer to working memory tasks. The aim of the second study is to isolate the role of game elements in order to target their contribution to cognitive training. This second experiment tests the hypothesis that the use of a scoring system and/or a leaderboard would increase the level of engagement in the training program and promote far transfer. Although the results refute this hypothesis, the presence of these game elements seems nonetheless to be associated with lower attrition rates. These experiments support the idea that the cognitive process being trained and the context in which training is presented each play an important role in the far transfer effect. The thesis offers a new training paradigm that appears to be effective in producing far transfer to the scientific community and highlights the value of exploiting the game elements as a maintenance factor in the repetition of a monotonous task. The thesis envisions an encouraging future where cognitive training could be used to compensate for cognitive deficits present in certain vulnerable populations.

Cette thèse s'intéresse aux déterminants institutionnels et culturels du transfert de la pratique de formation et du développement des compétences des multinationales françaises et américaines vers leurs filiales en Côte d'Ivoire, un pays Africain en développement. La question fondamentale de recherche est : quels sont les facteurs institutionnels et culturels qui influencent le transfert de la pratique de formation et du développement des compétences des multinationales françaises et américaines vers leurs filiales en Côte d'Ivoire ? Afin de répondre à cette question, cette thèse est subdivisée en trois (03) articles. Le premier article met en évidence les initiatives visant à développer les compétences en Afrique subSaharienne, identifie les challenges qui leurs sont liées et propose des solutions idoines à leur amélioration. Le deuxième article examine les facteurs institutionnels du pays hôte qui influencent le transfert de la pratique de formation et de développement des compétences des multinationales françaises et américaines vers leurs filiales en Côte d'Ivoire. Le troisième article, quant à lui, examine l'influence de la distance culturelle entre les pays d'origine et hôte sur ce transfert. / This thesis examines institutional and cultural determinants of training and development practice transfer to French and US MNCs' subsidiaries in Ivory Coast, a developing country of Africa. The fundamental research question is: 1) what institutional and cultural factors influence training and development practice transfer to French and US MNCs' subsidiaries in Ivory Coast? This thesis is divided into three (03) articles to answer this question. The first article highlights human capital development initiatives in Sub-Saharan Africa, identifies challenges related to them, and offers solutions for their improvement. The second article investigates the host country's institutional factors that influence training and development practice transfer to French and US MNCs' subsidiaries in Ivory Coast. The third article examines the influence of the cultural distance between home and host countries on such transfer.

Titre de l'écran-titre (visionné le25 juillet 2023) / Le développement des Technologies de l'information et de la communication (TIC) a entraîné leur utilisation dans tous les domaines de la vie. Au niveau de l'éducation, cette intégration a permis le développement de nouvelles applications qui permettent de transmettre la connaissance à un apprenant à travers des activités d'enseignement et d'apprentissage. Ces applications sont appelées plates-formes d'apprentissage en ligne. Au sein de l'enseignement et de l'apprentissage, les travaux de recherche ont mis en exergue des facteurs qui influencent les apprenants durant leurs processus d'apprentissage. Ces facteurs ont permis de relever l'aspect unique de chaque apprenant. Afin de répondre efficacement à cet aspect unique de l'apprenant, une nouvelle manière d'enseigner a été élaborée. Il s'agit de la différenciation pédagogique qui tient compte de ces facteurs spécifiques. Elle permet de concevoir les activités d'enseignement et d'apprentissage en fonction de chaque apprenant. Cependant, malgré cette personnalisation, la différenciation pédagogique n'est pourtant que peu pratiquée par les enseignants durant le processus d'apprentissage à cause du nombre d'apprenants se trouvant dans une classe. Au vu de la complexité de la mise en place de la différenciation pédagogique et de l'intérêt toujours grandissant de l'utilisation des plates-formes d'apprentissage en ligne, une question se pose : les plates-formes d'apprentissage en ligne sont-elles une solution à la difficulté de la mise en place de la différenciation pédagogique ? L'analyse des plates-formes d'apprentissage en ligne permettrait de répondre à cette question. Cependant, nous n'avons pu trouver de méthodes qui permettent l'analyse des plates-formes en fonction des facteurs qui influencent l'apprenant. Nous nous sommes donné comme premier objectif dans cette thèse de proposer une méthode d'analyse des plates-formes qui tient uniquement compte que des facteurs qui influencent l'apprenant. Plus spécifiquement, cette méthode s'intéresse aux activités d'apprentissage qui se déroulent sur ladite plate-forme. En déterminant les facteurs présents au sein des différentes tâches qui permettent la réalisation d'une activité d'apprentissage, on en déduit les facteurs présents dans l'activité et par la suite ceux présents au sein de la plate-forme. Toutefois, cette méthode nous a permis de voir que les plates-formes d'apprentissage n'étaient pas conçues en tenant compte des facteurs qui influencent l'apprenant. Nous nous sommes alors fixé comme second objectif de proposer une intégration des facteurs au sein des plates-formes. Nous avons commencé par chercher une architecture qui répondait au mieux à nos besoins. Après plusieurs recherches, nous avons convenu que l'architecture micro-services combinée au modèle de conception modèle-vue-contrôleur (MVC) était la plus à même de répondre à nos besoins. Elle nous permettait de pouvoir concevoir plusieurs microsystèmes donc chacun allait gérer une catégorie de facteurs en particulier. Cette architecture peut être intégrée aux plates-formes existantes mais aussi servir de base pour la conception de nouvelles plates-formes. La réalisation des tests de faisabilité de notre architecture, par la suite, nous a montré que bien qu'étant assez complexe à mettre en place cela était toutefois faisable. Elle requiert par contre le savoir de plusieurs experts des domaines concernés (enseignant, éducateur, psycho-éducateur). / The development of Information and Communication Technologies (ICT) has led to their use in all areas of life. In education, this integration has allowed the development of new applications that allow knowledge to be transmitted to a learner through teaching and learning activities. These applications are called e-learning platforms. Within teaching and learning, research has highlighted factors that influence learners during their learning process. These factors have identified the uniqueness of each learner. In order to effectively address this uniqueness of the learner, a new way of teaching has been developed. This is called instructional differentiation and it takes into account these specific factors. It allows for teaching and learning activities to be tailored to the individual learner. However, in spite of this personalization, pedagogical differentiation is only rarely practiced by teachers during the learning process because of the number of learners in a class. Given the complexity of implementing differentiated instruction and the growing interest in the use of online learning platforms, the question arises: are online learning platforms a solution to the difficulty of implementing differentiated instruction? An analysis of e-learning platforms would help answer this question. However, we have not been able to find methods that allow for the analysis of platforms according to the factors that influence the learner. Our first objective in this thesis is to propose a method for analyzing platforms that only takes into account the factors that influence the learner. More specifically, this method focuses on the learning activities that take place on the platform. By determining the factors present within the different tasks that allow the realization of a learning activity, we deduce the factors present in the activity and subsequently those present within the platform. However, this method allowed us to see that the learning platforms were not designed taking into account the factors that influence the learner. We then set as a second goal to propose an integration of factors within the platforms. We started by looking for an architecture that best met our needs. After several researches, we agreed that the microservices architecture combined with the model-view-controller (MVC) design model was the most appropriate to meet our needs. It allowed us to design several microsystems, each of which would manage a particular category of factors. This architecture can be integrated into existing platforms but also be used as a basis for the design of new platforms. The realization of the feasibility tests of our architecture, thereafter, showed us that although being rather complex to set up it was nevertheless feasible. However, it requires the knowledge of several experts in the fields concerned (teacher, educator, psycho-educator).