No description available.

While for many years two alternative approaches to building intelligent systems, symbolic AI and neural networks, have each demonstrated specific advantages and also revealed specific weaknesses, in recent years a number of researchers have sought methods of combining the two into a unified methodology which embodies the benefits of each while attenuating the disadvantages. This work sets out to identify the key ideas from each discipline and combine them into an architecture which would be practically scalable for very large network applications. The architecture is based on a relational database structure and forms the environment for an investigation into the necessary properties of a symbol encoding which will permit the singlepresentation learning of patterns and associations, the development of categories and features leading to robust generalisation and the seamless integration of a range of memory persistencies from short to long term. It is argued that if, as proposed by many proponents of symbolic AI, the symbol encoding must be causally related to its syntactic meaning, then it must also be mutable as the network learns and grows, adapting to the growing complexity of the relationships in which it is instantiated. Furthermore, it is argued that in order to create an efficient and coherent memory structure, the symbolic encoding itself must have an underlying structure which is not accessible symbolically; this structure would provide the framework permitting structurally sensitive processes to act upon symbols without explicit reference to their content. Such a structure must dictate how new symbols are created during normal operation. The network implementation proposed is based on K-from-N codes, which are shown to possess a number of desirable qualities and are well matched to the requirements of the symbol encoding. Several networks are developed and analysed to exploit these codes, based around a recurrent version of the non-holographic associati ve memory of Willshaw, et al. The simplest network is shown to have properties similar to those of a Hopfield network, but the storage capacity is shown to be greater, though at a cost of lower signal to noise ratio. Subsequent network additions break each K-from-N pattern into L subsets, each using D-from-N coding, creating cyclic patterns of period L. This step increases the capacity still further but at a cost of lower signal to noise ratio. The use of the network in associating pairs of input patterns with any given output pattern, an architectural requirement, is verified. The use of complex synaptic junctions is investigated as a means to increase storage capacity, to address the stability-plasticity dilemma and to implement the hierarchical aspects of the symbol encoding defined in the architecture. A wide range of options is developed which allow a number of key global parameters to be traded-off. One scheme is analysed and simulated. A final section examines some of the elements that need to be added to our current understanding of neural network-based reasoning systems to make general purpose intelligent systems possible. It is argued that the sections of this work represent pieces of the whole in this regard and that their integration will provide a sound basis for making such systems a reality.

This thesis examines the problem of an autonomous agent learning a causal world model of its environment. Previous approaches to learning causal world models have concentrated on environments that are too "easy" (deterministic finite state machines) or too "hard" (containing much hidden state). We describe a new domain --- environments with manifest causal structure --- for learning. In such environments the agent has an abundance of perceptions of its environment. Specifically, it perceives almost all the relevant information it needs to understand the environment. Many environments of interest have manifest causal structure and we show that an agent can learn the manifest aspects of these environments quickly using straightforward learning techniques. We present a new algorithm to learn a rule-based causal world model from observations in the environment. The learning algorithm includes (1) a low level rule-learning algorithm that converges on a good set of specific rules, (2) a concept learning algorithm that learns concepts by finding completely correlated perceptions, and (3) an algorithm that learns general rules. In addition this thesis examines the problem of finding a good expert from a sequence of experts. Each expert has an "error rate"; we wish to find an expert with a low error rate. However, each expert's error rate and the distribution of error rates are unknown. A new expert-finding algorithm is presented and an upper bound on the expected error rate of the expert is derived.

De nos jours, les systèmes tutoriels intelligents sont de plus en plus performants. Ils ont pour objectif de permettre à un apprenant ou groupe d'apprenants d'acquérir de nouvelles connaissances en s'adaptant à leurs besoins. Cependant, malgré leur objectif prometteur, ces systèmes ne sont pas très répandus dans le marché scolaire. De plus, comme l'a remarqué Sharon Aisworth (Ainsworth, 2005) les STl sont « mourants ». Le problème est de savoir quels sont les critères de qualité auxquels doit répondre un STl pour pouvoir augmenter son intégration dans le milieu académique. Beaucoup d'approches d'évaluation dnns la plupart des cas empiriques ont été proposées en réponse à ce problème. Toutefois, ces solutions empiriques ont pour principal défaut qu'il faut attendre une version fonctionnelle du STI. Par conséquenl, elles posent un problème de temps et d'argent. Afin de pallier ces difficultés, dans le présent document nous avons proposé une grille d'évaluation bidimensionnelle par inspection. En raison de leurs influences non négligeables sur l'acceptabilité d'un produit, les deux dimensions traitées dans notre grille seront l'utilisabilité (ou l'ergonomie) et l'utilité d'un STI. Notre grille est novatrice dans la mesure où elle est une compilation des différents critères d'évaluation. De plus, elle a été conçue pour une approche par inspection qui pourra guider la conception et permettre d'avoir une idée précise sur l'acceptation du STl avant un test empirique coûteux (en temps, en argent et en ressource). Afin de développer notre grille, nous nous sommes interrogés sur ce que l'on attend de chacune des composantes d'un STI. Par la suite, nous avons recensé les différentes techniques et approches d'évaluation STI réalisées jusqu'ici. À partir de cela, nous avons pu ressortir les critères d'utilité et d'ergonomie auxquels doit répondre un STl pour être acceptable. Enfin, pour montrer la pertinence de notre grille, nous l'avons appliquée à un STI mature ayant déjà subi cinq ans d'évaluation empirique à savoir ANDES. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Évaluation, STI, Utilité, Ergonomie ou utilisabilié, Qualité, Acceptabilité.

Pour améliorer le rendement des STI, de nombreux investissements matériels et immatériels ont été faits (Starkman, 2007). Cependant, les STI demeurent complexes et leur implémentation coûteuse (Aleven, 2006). En effet, plus l'apprentissage dispensé par le STI est personnalisé, plus le traitement computationnel est complexe. Réaliser et finaliser un STI capable d'évoluer de manière autonome dans un environnement complexe et riche en informations serait d'un grand intérêt. C'est à cette délicate réflexion que s'attaque mon mémoire. Tout su long de mon mémoire je présente un agent tuteur cognitif nommé CTS. Il repose sur une architecture semblable à un modèle psychologique de la conscience humaine. CTS cherche à simuler le fonctionnement de la conscience et ainsi tirer profit des phénomènes lui affairant. L'hypothèse de base est que les mécanismes de la conscience peuvent conférer au STI un comportement lui permettant de mieux gérer la complexité liée à l'environnement afin de prendre les décisions tutorielles de bonne qualité lors d'une séance d'entraînement à l'usage du bras. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Agent cognitif, Conscience, Réseau des actes, Microprocessus.

Depuis au moins une trentaine d'années, des ordinateurs ont été utilisés dans le domaine de l'enseignement. Les premiers systèmes ont été raffinés par l'intégration des techniques de l'intelligence artificielle donnant ainsi lieu aux systèmes tutoriels intelligents (STI). Les STI sont des agents autonomes et intelligents qui doivent considérer une quantité importante d'information afin de mieux suivre le raisonnement d'un apprenant et l'aider dans son processus d'apprentissage. Chez les humains, la conscience joue un rôle de premier plan dans le traitement de l'information. En effet, elle permet entre autre de filtrer l'accès aux informations fournies par l'environnement. Récemment, des chercheurs dans le domaine de la psychologie et de l'informatique ont fondé un nouvel axe de recherche lié à la conscience artificielle; le but est de tenter de reproduire les mécanismes de la conscience dans des agents logiciels afin d'augmenter leur capacité à raisonner. Ce mémoire traite de l'architecture d'un agent tutoriel intelligent « conscient ». Cette architecture est une extension du système IDA, développé par l'équipe du Pr. Stan Franklin de l'université de Memphis. Le système IDA offre un ensemble d'outils et de modèles permettant l'intégration de la conscience dans un agent logiciel. Il confère à un agent des capacités à filtrer les évènements de l'environnement pour centrer le raisonnement sur les informations les plus importantes. Cette capacité de filtrer l'information est réalisée grâce à la théorie de la conscience humaine de Baars. L'architecture qui résulte de cette adaptation de IDA est basée sur l'interaction d'agents plus simples (appelés micro-processus) qui collaborent sous la direction d'un réseau des actes (inspiré des travaux de Maes). Elle a été intégrée avec succès dans un système tutoriel intelligent pour l'entraînement des astronautes (CanadarmTutor). En plus de comporter plusieurs avantages par rapport aux architectures existantes, l'architecture proposée est générique et peut être réutilisée pour d'autres projets.

Thesis (Ph. D.)--University of Texas at Austin, 2003. / Supervisor: Kathleen S. Barber. Vita. Includes bibliographical references. Available also from UMI Company.

Thesis (M.S.)--University of Florida, 2002. / Title from title page of source document. Includes vita. Includes bibliographical references.

Not available / text

It is important for designers, developers, and end-users to comprehend (or explain) why a software agent acts in a particular way when situated in its operating environment. Comprehending agent behaviors in an agent-based system is a challenging task due to environmental uncertainty and the dynamics and multitude of agent interactions, which must be captured, processed, and analyzed by the human user. While traditional software comprehension answers "what is happening in the implementation?", this research takes a step further to facilitate comprehension by answering "why is the behavior happening in the implementation?". To explain agent behaviors in the implemented system, this research takes the model-checking approach for representing abstracted software behavior and the reverse engineering approach for verifying the expected behavior model against the implementation's actual behavior, while assimilating the terminology and framework from abductive reasoning. This research empirically shows that maintaining accurate background knowledge of how the implementation is expected to behave is crucial in generating accurate explanations of agent behavior. The resulting Tracing Method and accompanying Tracer Tool build on ideas from existing approaches and extend the state-of-the-art to better assist human users (of various skill levels) in comprehending agent-based software by automating many reasoning tasks. The Tracing Method is applied to two domains to demonstrate the capabilities of the Tracer Tool in (1) suggesting background knowledge updates, (2) interpreting actual behaviors from implementation executions, and (3) explaining observed agent behaviors. This research aims to help designers who want to improve agent behavior; developers who need to debug and verify agent behavior; and end-users who want to comprehend agent behaviors. / text