Domínios imagísticos são os domínios nos quais a resolução de problemas inicia com um processo de reconhecimento dos objetos de domínio a partir da informação visual capturada, suportando interpretações mais abstratas em eventuais etapas subsequentes. A resolução de problemas, em domínio imagísticos, demanda dos especialistas a aplicação intensiva de conhecimento visual, que corresponde ao conjunto de modelos mentais que suportam o processo de raciocínio sobre a informação associada ao arranjo espacial e outros aspectos visuais das entidades do domínio. O conhecimento visual geralmente corresponde à porção tácita do conhecimento dos praticantes do domínio, de modo que ele geralmente é utilizado de modo inconsciente, resistindo à verbalização explícita. Estas características do conhecimento visual são desafiadoras do ponto de vista de Engenharia do Conhecimento. O objetivo geral deste trabalho é delinear uma abordagem integrada para aquisição, modelagem, representação e raciocínio sobre conhecimento visual, do ponto de vista da Engenharia do Conhecimento. A interpretação visual é uma tarefa comum em domínios imagísticos, cuja resolução demanda dos especialistas um raciocínio que envolve a realização de um processo cognitivo que inicia com a percepção visual direta de características dos objetos já conhecidos no domínio, e que resulta em compreensões mais abstratas da cena observada, tais como: comportamentos dinâmicos dos objetos da cena, significado do contexto da cena, causas ou efeitos do estado de coisas capturado pela cena, etc. Desta forma, para realizar o objetivo geral, este trabalho assume como objetivo específico estudar e modelar o processo de raciocínio utilizado pelos especialistas para resolver tarefas de interpretação visual, bem como as próprias estruturas para representação de conhecimento inferencial utilizadas pelos especialistas em domínios imagísticos durante a realização deste tipo de tarefa. Os principais resultados deste trabalho são um modelo de raciocínio para resolução de tarefas de interpretação visual; um modelo de estrutura para representação de conhecimento inferencial, cognitiva e filosoficamente fundamentada, chamada pacote visual; e uma abordagem para aquisição de conhecimento visual e refinamento de ontologias. O estudo foi conduzido no domínio da Estratigrafia Sedimentar, com foco na tarefa de interpretação visual de processos deposicionais geradores de fácies sedimentares. Os modelos desenvolvidos no trabalho foram testados no domínio, alcançando resultados satisfatórios. Para isto, realizou-se também o refinamento de uma ontologia de domínio. Este processo foi realizado através da aplicação de diversas técnicas de aquisição de conhecimento em sessões com o especialista. / Imagistic domains are those in which problem-solving process begins with the recognition of domain objects trough the visual information captured, supporting more abstract interpretations in subsequent steps. The problem-solving process, in imagistic domains, is performed trough intensive application of visual knowledge, which corresponds to the set of mental models that support the process of reasoning about the information of the spatial arrangement and other visual aspects of the domain entities. The visual knowledge corresponds to a tacit kind of knowledge of practitioners in the field, so it is often used unconsciously, resisting to explicit verbalization. These characteristics of visual knowledge are challenging from the standpoint of Knowledge Engineering. The general aim of this work is to outline an integrated approach to acquisition, modeling, representation and reasoning, to handle visual knowledge, from the standpoint of Knowledge Engineering. The visual interpretation is a common task in imagistic domains, whose resolution demands a reasoning that involves a cognitive process that starts with the direct perception of visual features of objects, and results in abstract understandings of observed scene, such as dynamic behavior of objects in the scene, the meaning of the context of the scene, causes or effects of the state of affairs captured in the scene, etc. Thus, to achieve the overall goal, this work takes as a specific aim to study and model the reasoning process used by experts to solve tasks of visual interpretation, as well as the inferential knowledge structures applied by experts in imagistic domains to accomplish this type of task. The main results of this work are a model of reasoning for solving tasks of visual interpretation; a cognitive grounded model of structure for inferential knowledge representation, called visual chunk; and an approach to visual knowledge acquisition and refinement of ontologies, which explores the reasoning used by the expert as a tool to reveal the lack of important terms in the domain ontology. The study was conducted in the field of sedimentary stratigraphy, focusing on the task of visual interpretation of depositional processes responsible by the generation of sedimentary facies. The models developed in this work was tested in the domain, achieving satisfactory results. In order to apply our approach, a refinement of domain ontology was performed. This process was carried out by applying several techniques of knowledge acquisition in sessions with the expert.

Interpretação semântica de imagens tem se mostrado uma das fronteiras mais promissoras da área de Visão Computacional, especificamente aplicada a interpretação imagens. Nas abordagens que estão sendo propostas atualmente, conhecimento visual explicitamente modelado é utilizado com algoritmos de raciocínio simbólico combinados a algoritmos de processamento de imagem a fim de se extrair o conteúdo de imagens e associá-lo a modelos semanticamente ricos. Este trabalho apresenta uma abordagem de interpretação semântica de imagens especificamente voltada para interpretação de gráficos de linhas, chamada S-Chart. Ela consiste um conjunto de modelos de conhecimento e algoritmos que podem ser instanciados para interpretação de gráficos em diversos domínios. Os modelos são representados em três níveis semânticos e aplicam o conceito de ancoramento simbólico (symbol grounding) para mapear as primitivas entre os níveis. Os algoritmos de interpretação propostos fazem a interação entre o raciocínio simbólico de alto nível e os algoritmos de processamento de sinal para os dados brutos dos gráficos analisados. Para demonstrar a aplicabilidade do framework S-Chart, foi desenvolvido o sistema InteliStrata, uma aplicação no domínio da Geologia, voltada para interpretação semântica de gráficos de perfis de poço. Utilizando a aplicação, foram interpretados dois perfis de raios gama capturados em poços de exploração, de modo que o sistema identificasse a presença de Sequências Estratigráficas e superfícies de inundação máximas. Os resultados foram comparados com a interpretação de um geólogo especialista sobre os mesmos dados. O sistema aponta as mesmas sequências já identificadas e oferece outras opções de interpretação compatíveis com as do geólogo utilizando os mesmos dados. O framework S-Chart tem seus pontos fortes nos seus modelos representação de conhecimento visual independentes de domínio, que permitem a utilização do mesmo arcabouço em diferentes aplicações e, em especial, no seu modelo de ancoramento simbólico entre primitivas de representação. / Semantic image interpretation is one of the most promising frontiers in the Computer Vision area, specifically when applied to Image Interpretation. To reach semantic interpretation, visual knowledge explicitly represented is applied by symbolic reasoning algorithms combined with image processing algorithms in order to extract the content of the images and associate it with semantically rich models. This work describes the S-Chart approach, a semantic image interpretation approach designed for interpretation of line charts. It is structured as a set of knowledge models and algorithms that can be instantiated to accomplish chart interpretation in other domains. The models are represented in three semantic levels and apply the concept of symbol grounding in order to map the primitives between the levels. The interpretation algorithms carry out the interaction between the symbolic reasoning in the high level, and the signal processing algorithms in the low level data. In order to demonstrate the applicability of the S-Chart framework, we developed the InteliStrata system, an application in Geology for the semantic interpretation of well log profiles. Using the application, we have interpreted the graphs of two gamma-ray profiles captured in exploration wells, to indicate the position of Stratigraphic Sequences and the maximum flooding surfaces. The results were compared with the interpretation of an experienced geologist using the same data input. The system was able to point the same identified sequences and offered alternative interpretation that were compatible with the geologist interpretation over the data. The S-Chart framework demonstrates its effectiveness on interpretation of pictorial information in knowledge intensive domains. The stronger points of the approach are its domain independent models for visual knowledge representation and, specially, the application of a symbol grounding model to provide a correlation between representation primitives.

Interpretação semântica de imagens tem se mostrado uma das fronteiras mais promissoras da área de Visão Computacional, especificamente aplicada a interpretação imagens. Nas abordagens que estão sendo propostas atualmente, conhecimento visual explicitamente modelado é utilizado com algoritmos de raciocínio simbólico combinados a algoritmos de processamento de imagem a fim de se extrair o conteúdo de imagens e associá-lo a modelos semanticamente ricos. Este trabalho apresenta uma abordagem de interpretação semântica de imagens especificamente voltada para interpretação de gráficos de linhas, chamada S-Chart. Ela consiste um conjunto de modelos de conhecimento e algoritmos que podem ser instanciados para interpretação de gráficos em diversos domínios. Os modelos são representados em três níveis semânticos e aplicam o conceito de ancoramento simbólico (symbol grounding) para mapear as primitivas entre os níveis. Os algoritmos de interpretação propostos fazem a interação entre o raciocínio simbólico de alto nível e os algoritmos de processamento de sinal para os dados brutos dos gráficos analisados. Para demonstrar a aplicabilidade do framework S-Chart, foi desenvolvido o sistema InteliStrata, uma aplicação no domínio da Geologia, voltada para interpretação semântica de gráficos de perfis de poço. Utilizando a aplicação, foram interpretados dois perfis de raios gama capturados em poços de exploração, de modo que o sistema identificasse a presença de Sequências Estratigráficas e superfícies de inundação máximas. Os resultados foram comparados com a interpretação de um geólogo especialista sobre os mesmos dados. O sistema aponta as mesmas sequências já identificadas e oferece outras opções de interpretação compatíveis com as do geólogo utilizando os mesmos dados. O framework S-Chart tem seus pontos fortes nos seus modelos representação de conhecimento visual independentes de domínio, que permitem a utilização do mesmo arcabouço em diferentes aplicações e, em especial, no seu modelo de ancoramento simbólico entre primitivas de representação. / Semantic image interpretation is one of the most promising frontiers in the Computer Vision area, specifically when applied to Image Interpretation. To reach semantic interpretation, visual knowledge explicitly represented is applied by symbolic reasoning algorithms combined with image processing algorithms in order to extract the content of the images and associate it with semantically rich models. This work describes the S-Chart approach, a semantic image interpretation approach designed for interpretation of line charts. It is structured as a set of knowledge models and algorithms that can be instantiated to accomplish chart interpretation in other domains. The models are represented in three semantic levels and apply the concept of symbol grounding in order to map the primitives between the levels. The interpretation algorithms carry out the interaction between the symbolic reasoning in the high level, and the signal processing algorithms in the low level data. In order to demonstrate the applicability of the S-Chart framework, we developed the InteliStrata system, an application in Geology for the semantic interpretation of well log profiles. Using the application, we have interpreted the graphs of two gamma-ray profiles captured in exploration wells, to indicate the position of Stratigraphic Sequences and the maximum flooding surfaces. The results were compared with the interpretation of an experienced geologist using the same data input. The system was able to point the same identified sequences and offered alternative interpretation that were compatible with the geologist interpretation over the data. The S-Chart framework demonstrates its effectiveness on interpretation of pictorial information in knowledge intensive domains. The stronger points of the approach are its domain independent models for visual knowledge representation and, specially, the application of a symbol grounding model to provide a correlation between representation primitives.

Domínios imagísticos são os domínios nos quais a resolução de problemas inicia com um processo de reconhecimento dos objetos de domínio a partir da informação visual capturada, suportando interpretações mais abstratas em eventuais etapas subsequentes. A resolução de problemas, em domínio imagísticos, demanda dos especialistas a aplicação intensiva de conhecimento visual, que corresponde ao conjunto de modelos mentais que suportam o processo de raciocínio sobre a informação associada ao arranjo espacial e outros aspectos visuais das entidades do domínio. O conhecimento visual geralmente corresponde à porção tácita do conhecimento dos praticantes do domínio, de modo que ele geralmente é utilizado de modo inconsciente, resistindo à verbalização explícita. Estas características do conhecimento visual são desafiadoras do ponto de vista de Engenharia do Conhecimento. O objetivo geral deste trabalho é delinear uma abordagem integrada para aquisição, modelagem, representação e raciocínio sobre conhecimento visual, do ponto de vista da Engenharia do Conhecimento. A interpretação visual é uma tarefa comum em domínios imagísticos, cuja resolução demanda dos especialistas um raciocínio que envolve a realização de um processo cognitivo que inicia com a percepção visual direta de características dos objetos já conhecidos no domínio, e que resulta em compreensões mais abstratas da cena observada, tais como: comportamentos dinâmicos dos objetos da cena, significado do contexto da cena, causas ou efeitos do estado de coisas capturado pela cena, etc. Desta forma, para realizar o objetivo geral, este trabalho assume como objetivo específico estudar e modelar o processo de raciocínio utilizado pelos especialistas para resolver tarefas de interpretação visual, bem como as próprias estruturas para representação de conhecimento inferencial utilizadas pelos especialistas em domínios imagísticos durante a realização deste tipo de tarefa. Os principais resultados deste trabalho são um modelo de raciocínio para resolução de tarefas de interpretação visual; um modelo de estrutura para representação de conhecimento inferencial, cognitiva e filosoficamente fundamentada, chamada pacote visual; e uma abordagem para aquisição de conhecimento visual e refinamento de ontologias. O estudo foi conduzido no domínio da Estratigrafia Sedimentar, com foco na tarefa de interpretação visual de processos deposicionais geradores de fácies sedimentares. Os modelos desenvolvidos no trabalho foram testados no domínio, alcançando resultados satisfatórios. Para isto, realizou-se também o refinamento de uma ontologia de domínio. Este processo foi realizado através da aplicação de diversas técnicas de aquisição de conhecimento em sessões com o especialista. / Imagistic domains are those in which problem-solving process begins with the recognition of domain objects trough the visual information captured, supporting more abstract interpretations in subsequent steps. The problem-solving process, in imagistic domains, is performed trough intensive application of visual knowledge, which corresponds to the set of mental models that support the process of reasoning about the information of the spatial arrangement and other visual aspects of the domain entities. The visual knowledge corresponds to a tacit kind of knowledge of practitioners in the field, so it is often used unconsciously, resisting to explicit verbalization. These characteristics of visual knowledge are challenging from the standpoint of Knowledge Engineering. The general aim of this work is to outline an integrated approach to acquisition, modeling, representation and reasoning, to handle visual knowledge, from the standpoint of Knowledge Engineering. The visual interpretation is a common task in imagistic domains, whose resolution demands a reasoning that involves a cognitive process that starts with the direct perception of visual features of objects, and results in abstract understandings of observed scene, such as dynamic behavior of objects in the scene, the meaning of the context of the scene, causes or effects of the state of affairs captured in the scene, etc. Thus, to achieve the overall goal, this work takes as a specific aim to study and model the reasoning process used by experts to solve tasks of visual interpretation, as well as the inferential knowledge structures applied by experts in imagistic domains to accomplish this type of task. The main results of this work are a model of reasoning for solving tasks of visual interpretation; a cognitive grounded model of structure for inferential knowledge representation, called visual chunk; and an approach to visual knowledge acquisition and refinement of ontologies, which explores the reasoning used by the expert as a tool to reveal the lack of important terms in the domain ontology. The study was conducted in the field of sedimentary stratigraphy, focusing on the task of visual interpretation of depositional processes responsible by the generation of sedimentary facies. The models developed in this work was tested in the domain, achieving satisfactory results. In order to apply our approach, a refinement of domain ontology was performed. This process was carried out by applying several techniques of knowledge acquisition in sessions with the expert.

Domínios imagísticos são os domínios nos quais a resolução de problemas inicia com um processo de reconhecimento dos objetos de domínio a partir da informação visual capturada, suportando interpretações mais abstratas em eventuais etapas subsequentes. A resolução de problemas, em domínio imagísticos, demanda dos especialistas a aplicação intensiva de conhecimento visual, que corresponde ao conjunto de modelos mentais que suportam o processo de raciocínio sobre a informação associada ao arranjo espacial e outros aspectos visuais das entidades do domínio. O conhecimento visual geralmente corresponde à porção tácita do conhecimento dos praticantes do domínio, de modo que ele geralmente é utilizado de modo inconsciente, resistindo à verbalização explícita. Estas características do conhecimento visual são desafiadoras do ponto de vista de Engenharia do Conhecimento. O objetivo geral deste trabalho é delinear uma abordagem integrada para aquisição, modelagem, representação e raciocínio sobre conhecimento visual, do ponto de vista da Engenharia do Conhecimento. A interpretação visual é uma tarefa comum em domínios imagísticos, cuja resolução demanda dos especialistas um raciocínio que envolve a realização de um processo cognitivo que inicia com a percepção visual direta de características dos objetos já conhecidos no domínio, e que resulta em compreensões mais abstratas da cena observada, tais como: comportamentos dinâmicos dos objetos da cena, significado do contexto da cena, causas ou efeitos do estado de coisas capturado pela cena, etc. Desta forma, para realizar o objetivo geral, este trabalho assume como objetivo específico estudar e modelar o processo de raciocínio utilizado pelos especialistas para resolver tarefas de interpretação visual, bem como as próprias estruturas para representação de conhecimento inferencial utilizadas pelos especialistas em domínios imagísticos durante a realização deste tipo de tarefa. Os principais resultados deste trabalho são um modelo de raciocínio para resolução de tarefas de interpretação visual; um modelo de estrutura para representação de conhecimento inferencial, cognitiva e filosoficamente fundamentada, chamada pacote visual; e uma abordagem para aquisição de conhecimento visual e refinamento de ontologias. O estudo foi conduzido no domínio da Estratigrafia Sedimentar, com foco na tarefa de interpretação visual de processos deposicionais geradores de fácies sedimentares. Os modelos desenvolvidos no trabalho foram testados no domínio, alcançando resultados satisfatórios. Para isto, realizou-se também o refinamento de uma ontologia de domínio. Este processo foi realizado através da aplicação de diversas técnicas de aquisição de conhecimento em sessões com o especialista. / Imagistic domains are those in which problem-solving process begins with the recognition of domain objects trough the visual information captured, supporting more abstract interpretations in subsequent steps. The problem-solving process, in imagistic domains, is performed trough intensive application of visual knowledge, which corresponds to the set of mental models that support the process of reasoning about the information of the spatial arrangement and other visual aspects of the domain entities. The visual knowledge corresponds to a tacit kind of knowledge of practitioners in the field, so it is often used unconsciously, resisting to explicit verbalization. These characteristics of visual knowledge are challenging from the standpoint of Knowledge Engineering. The general aim of this work is to outline an integrated approach to acquisition, modeling, representation and reasoning, to handle visual knowledge, from the standpoint of Knowledge Engineering. The visual interpretation is a common task in imagistic domains, whose resolution demands a reasoning that involves a cognitive process that starts with the direct perception of visual features of objects, and results in abstract understandings of observed scene, such as dynamic behavior of objects in the scene, the meaning of the context of the scene, causes or effects of the state of affairs captured in the scene, etc. Thus, to achieve the overall goal, this work takes as a specific aim to study and model the reasoning process used by experts to solve tasks of visual interpretation, as well as the inferential knowledge structures applied by experts in imagistic domains to accomplish this type of task. The main results of this work are a model of reasoning for solving tasks of visual interpretation; a cognitive grounded model of structure for inferential knowledge representation, called visual chunk; and an approach to visual knowledge acquisition and refinement of ontologies, which explores the reasoning used by the expert as a tool to reveal the lack of important terms in the domain ontology. The study was conducted in the field of sedimentary stratigraphy, focusing on the task of visual interpretation of depositional processes responsible by the generation of sedimentary facies. The models developed in this work was tested in the domain, achieving satisfactory results. In order to apply our approach, a refinement of domain ontology was performed. This process was carried out by applying several techniques of knowledge acquisition in sessions with the expert.

Interpretação semântica de imagens tem se mostrado uma das fronteiras mais promissoras da área de Visão Computacional, especificamente aplicada a interpretação imagens. Nas abordagens que estão sendo propostas atualmente, conhecimento visual explicitamente modelado é utilizado com algoritmos de raciocínio simbólico combinados a algoritmos de processamento de imagem a fim de se extrair o conteúdo de imagens e associá-lo a modelos semanticamente ricos. Este trabalho apresenta uma abordagem de interpretação semântica de imagens especificamente voltada para interpretação de gráficos de linhas, chamada S-Chart. Ela consiste um conjunto de modelos de conhecimento e algoritmos que podem ser instanciados para interpretação de gráficos em diversos domínios. Os modelos são representados em três níveis semânticos e aplicam o conceito de ancoramento simbólico (symbol grounding) para mapear as primitivas entre os níveis. Os algoritmos de interpretação propostos fazem a interação entre o raciocínio simbólico de alto nível e os algoritmos de processamento de sinal para os dados brutos dos gráficos analisados. Para demonstrar a aplicabilidade do framework S-Chart, foi desenvolvido o sistema InteliStrata, uma aplicação no domínio da Geologia, voltada para interpretação semântica de gráficos de perfis de poço. Utilizando a aplicação, foram interpretados dois perfis de raios gama capturados em poços de exploração, de modo que o sistema identificasse a presença de Sequências Estratigráficas e superfícies de inundação máximas. Os resultados foram comparados com a interpretação de um geólogo especialista sobre os mesmos dados. O sistema aponta as mesmas sequências já identificadas e oferece outras opções de interpretação compatíveis com as do geólogo utilizando os mesmos dados. O framework S-Chart tem seus pontos fortes nos seus modelos representação de conhecimento visual independentes de domínio, que permitem a utilização do mesmo arcabouço em diferentes aplicações e, em especial, no seu modelo de ancoramento simbólico entre primitivas de representação. / Semantic image interpretation is one of the most promising frontiers in the Computer Vision area, specifically when applied to Image Interpretation. To reach semantic interpretation, visual knowledge explicitly represented is applied by symbolic reasoning algorithms combined with image processing algorithms in order to extract the content of the images and associate it with semantically rich models. This work describes the S-Chart approach, a semantic image interpretation approach designed for interpretation of line charts. It is structured as a set of knowledge models and algorithms that can be instantiated to accomplish chart interpretation in other domains. The models are represented in three semantic levels and apply the concept of symbol grounding in order to map the primitives between the levels. The interpretation algorithms carry out the interaction between the symbolic reasoning in the high level, and the signal processing algorithms in the low level data. In order to demonstrate the applicability of the S-Chart framework, we developed the InteliStrata system, an application in Geology for the semantic interpretation of well log profiles. Using the application, we have interpreted the graphs of two gamma-ray profiles captured in exploration wells, to indicate the position of Stratigraphic Sequences and the maximum flooding surfaces. The results were compared with the interpretation of an experienced geologist using the same data input. The system was able to point the same identified sequences and offered alternative interpretation that were compatible with the geologist interpretation over the data. The S-Chart framework demonstrates its effectiveness on interpretation of pictorial information in knowledge intensive domains. The stronger points of the approach are its domain independent models for visual knowledge representation and, specially, the application of a symbol grounding model to provide a correlation between representation primitives.

Cette thèse aborde la problématique de l’acquisition des connaissances dans le cadre de la conception des Environnements Informatiques pour l’Apprentissage Humain (EIAH). Dans le contexte spécifique de ce travail, nous nous intéressons à des EIAH destinés à enseigner des méthodes de résolution de problèmes. De telles méthodes permettent, dans un domaine donné, de reconnaître la classe d’un problème et d’être capable de savoir quelle technique de résolution appliquer pour le résoudre. Le coût de conception de ces EIAH est cependant très élevé, en particulier du fait de l’élicitation des connaissances, qui nécessite non seulement une expertise dans le domaine concerné mais également en programmation.Afin de réduire le coût de conception de ces EIAH, et permettre à des auteurs (enseignants ou pédagogues plus experts) de pouvoir éliciter sans programmer les connaissances nécessaires à l’EIAH, nous proposons un processus d’acquisition interactive de ces connaissances. Ce processus est mis en œuvre à travers la conception d’un outil auteur : AMBRE-KB. Pour ce faire, nous avons d’abord proposé des méta-modèles qui permettent de décrire la forme des connaissances à acquérir. Ces connaissances ne sont pas celles d’un expert dans un domaine, mais les connaissances telles qu’on voudrait qu’elles fonctionnent chez l’apprenant à l’issue de l’apprentissage. En s’appuyant sur ces méta-modèles, nous avons ensuite proposé un processus d’acquisition de ces connaissances qui permet d’assister l’auteur lors de l’élicitation des connaissances nécessaires, en lui permettant de construire un modèle de connaissances spécifique à un domaine.Nous avons mené deux expérimentations pour évaluer le processus d’acquisition des connaissances et sa mise en œuvre dans l’outil AMBRE-KB. La première porte sur la complétude. Il s’agit de vérifier, pour un domaine donné, si les modèles de connaissances générés par AMBRE-KB permettent à l’EIAH de résoudre des problèmes. L’objectif de la deuxième expérimentation est de mesurer l’utilité et l’utilisabilité de AMBRE-KB. Les résultats des deux expérimentations sont satisfaisants. / The general issue we addressed in this thesis is the challenge of knowledge elicitation in Intelligent Tutoring Systems (ITS). In the context of this work, we are interested in ITS teaching problem solving methods. Teaching methods for solving problems consists in teaching students how to think about the problem before starting its resolution. In a given field, such a method is based on a categorization of problems. Knowing to recognize the class of a problem enables students to choose the resolution technique associated with this class. However, designing such ITS is tedious and costly, and specially require expertise in the application domain and in programming.In order to reduce the design cost of these ITS and to enable an author (for example a teacher) to be able to elicit knowledge needed without programming, we propose an interactive knowledge elicitation process. This process is implemented through the design of an authoring tool: AMBRE-KB. For that, we first propose meta-models for the knowledge to be acquired. This knowledge is not an expert knowledge, but knowledge such as we would want that they work at the end of the learning. Next, we propose a knowledge acquisition process based on these meta-models, which enable the author to be assisted in the elicitation process enabling him/her to build specific knowledge models for a given domain.We conducted two experiments to evaluate the knowledge acquisition process and its implementation in the AMBRE-KB tool. The first relates to completeness. The aim is to verify, for a given domain, whether the knowledge models generated by AMBRE-KB enable the solver to solve problems. The aim of the second experiment is to measure the utility and usability of AMBRE-KB. The results of both experiments are satisfactory.

The study solves the problem of knowledge acquisition and retention of learning with serious games. It describes the methodology that is based on the formulation of dynamic hypotheses using the tools of system dynamics. The main goals is to ensure teamwork, improve analytical skills, system thinking, expression of hidden knowledge and strategic positions. The demo demonstrates the practical use of knowledge management tools and the creation of mental models.

Abstract in English / The number of studies focused on the digital preservation of indigenous knowledge has been growing steadily over the years. Despite the growth in this area of research, there is still a lack of information technology tools that preserve and disseminate indigenous knowledge. Indigenous knowledge has been highlighted as an area that can advance sustainable development, and its preservation is therefore of the utmost importance. Indigenous knowledge is mostly present within older generations, and if it is not preserved, this knowledge will die with its custodians. African communities rely heavily on indigenous medicine. A digital platform needs to be explored that can preserve practices relating to these medicines for future generations. Since indigenous knowledge is dynamic and is constantly evolving, there is a need to explore a digital tool that can highlight this dynamic nature. Current methods of preserving indigenous knowledge of medicinal plants were found to be less than effective and marred by constraints such as space and time. The main objective of this study was therefore to develop a model that could be used to guide the design of a new e-learning system aimed at facilitating the preservation of indigenous knowledge of Namibia’s medicinal plants. In this study, e-learning technology was used to determine the requirements for presenting indigenous knowledge of Namibia’s medicinal plants in such a way as to ensure that individuals can internalise and preserve this knowledge. An interpretivist qualitative approach was followed. Data was collected by conducting a literature review and carrying out a survey. A prototype e-learning system was developed and evaluated based on the collected data. It was found that preserving indigenous knowledge of medicinal plants through e-learning would require, among other things, engagement with the relevant knowledge custodians, leveraging multimedia, and offering content in indigenous languages. / School of Computing / M.Sc. (Computing)