Syntactic anomalies reliably elicit P600 effects in natural language processing. A survey of previous work converged on a conclusion that the mean amplitude of the P600 seems to be associated with the goodness of fit of a target word with expectation generated based on already unfolded materials. Based on this characteristic of the P600 effects, the current study aimed to look for evidence indicating the influence of input statistics in shaping grammatical knowledge/representations, and as a result leading to probabilistically-based competition/expectation generation processes of online sentence processing. An artificial grammar learning (AGL) task with 4 different conditions varying in probabilities were used to test this hypothesis. Results from this task indicated graded mean amplitude of the P600 effects across conditions, and the pattern of gradience is consistent with the variation of the input statistics. The use of the artificial language to simulate natural language learning process was further justified with statistically undistinguishable P600 effects elicited in a natural language sentence processing (NLSP) task. Together, the results indicate that the same neural mechanisms are recruited for both syntactic processing of natural language stimuli and sentence strings in an artificial language.

No description available.

No description available.

Research into ‘ethnic’ attainment differences in British higher education tends to depict students from minority ethnic backgrounds as disadvantaged, marginalised, discriminated against and excluded. This shapes the current theoretical perspective adopted by university policies and informs practice. However, the consequences of this perspective for students, their educational attainment and university education as a whole are largely unexamined. This study explored the teaching and learning experiences of students, alongside their views concerning how these experiences may have impacted on their attainment. To arrive at a more unbiased and better informed understanding of ethnic attainment differences, the student narratives in this study were analysed from a realist philosophical position. The experiences students related included student interactions, participatory and intellectual engagement, (un)equal treatment and academic study and support. The richness and variety of the individual narratives defied simple analysis and required further discussion of perceptions, interpretations, meaning, understanding and categorisation. Some students talked of social interaction in terms of race, colour, ethnicity, nationality, culture, class and age, while others thought such social grouping unproblematic. Engagement was seen either as participatory engagement in the learning process or as intellectual engagement with the subject. There were perceptions of unequal treatment due to race or ethnicity which contrasted with suggestions of straightforward unprofessional practices. Attitudes to academic study ranged from descriptions of struggling with the academic workload to feeling the lack of intellectual challenge. The analysis and discussion revealed a process of minoritisation that resulted from the current approaches to ethnic attainment. The continued use of group-based social differentiation inadvertently fosters the idea that ethnic and social attributes matter and creates a divisive subtext which loses any sense of our common humanity. Group-based social differentiation can undermine the resilience and human agency of students because it suggests that educational attainment is predominantly determined by ethnic and social attributes, downplaying the students’ capacity to act in pursuit of educational goals. As a result, university policies and practice perpetuate rather than ameliorate the status of minority ethnic higher education students.

No description available.

Le temps est une dimension universelle traitée par les systèmes sensoriels, qui est essentielle pour attribuer un sens à des stimuli comme la parole ou la musique pour l'audition. Cependant, les mécanismes requis pour le traitement temporel restent en grande part méconnus. Dans cette thèse, nous avons examiné un type de mécanisme faisant sans doute partie intégrante de tout traitement temporel : la formation de nouvelles traces mnésiques pour l’information temporelle. Nous avons étudié principalement la modalité auditive, mais aussi d'autres modalités sensorielles, comme le toucher, la vision, et la stimulation électrique directe du système auditif périphérique avec un implant cochléaire. Toutes les expériences ont utilisé un nouveau paradigme expérimental, adapté de précédentes études conçues pour étudier la mémoire auditive (Agus, Thorpe, & Pressnitzer, 2010). Au lieu d'utiliser du bruit comme stimulus, nous avons utilisé des séquences d’intervalles de temps irréguliers délimités par de brèves impulsions d'énergie, adaptées à la modalité étudiée. Dans une première série d'expériences, nous avons étudié la modalité auditive chez des auditeurs normo-entendants, en utilisant des trains de clics audio comme stimuli. Nous avons démontré, pour la première fois, un apprentissage rapide de sons contenant uniquement des informations temporelles. Dans une seconde série d'expériences, nous avons appliqué le même paradigme à trois modalités sensorielles (audition, toucher et vision), en utilisant des clics audio, des impulsions de mouvement au bout des doigts, et des flashs de lumière pour délimiter les intervalles de temps dans les différences modalités. Nous avons observé des formes qualitativement similaires d'apprentissage perceptif pour les trois modalités, avec un apprentissage rapide dans tous les cas, ainsi qu'un transfert d'apprentissage au toucher ou à la vision pour des séquences initialement apprises de façon auditive. Dans une troisième série d'expériences, nous avons testé des malentendants stimulés électriquement par leur implant cochléaire avec des séquences d'impulsions irrégulières. Nous avons trouvé des indications d’une plasticité préservée pour l'apprentissage rapide des informations temporelles chez ces auditeurs. Enfin, nous présentons des résultats préliminaires en utilisant une nouvelle technique susceptible de révéler certains des mécanismes neuronaux sous-jacents à l'apprentissage perceptuel rapide. Nous avons mesuré la dilatation pupillaire pendant que les auditeurs effectuaient la tâche de mémoire auditive et observé des changements systématiques de la taille de la pupille avec l'apprentissage. En conclusion, la thèse montre une capacité remarquable des systèmes perceptifs à apprendre des séquences temporelles complexes lorsqu'elles apparaissent plusieurs fois dans l'environnement, et suggère de nouvelles méthodes expérimentales pour étudier plus avant les mécanismes neuronaux sous-jacents. / Time is a universal feature of all information processed by sensory systems, and temporal patterning is often essential for attributing meaning to external stimuli such as speech or music in audition. However, many of the mechanisms needed for temporal processing are still unclear. In this thesis, we investigated one type of mechanism arguably integral to any kind of temporal processing: the formation of novel memories for temporal patterns. We studied mainly the auditory modality, but also other sensory modalities such touch, vision, and electric hearing with a cochlear implant. All experiments used a novel experimental paradigm, adapted from a previous study designed to explore auditory memory of random noise (Agus, Thorpe, & Pressnitzer, 2010). Instead of using noise as the complex stimulus to learn, we used irregular time patterns made of random time intervals delineated by modality-adapted brief energy pulses. In a first series of experiments, we investigated the auditory modality in normal hearing listeners, using click trains as stimuli. We demonstrated for the first time a rapid learning of stimuli containing solely temporal cues. In a second series of experiments, we applied the same paradigm to multiple sensory modalities (audition, touch, and vision), using audio clicks, motion pulses to the fingertips, and light to delineate time intervals. We found a qualitatively similar forms of perceptual learning for all three modalities, with rapid learning in all cases, as well as a transfer of learning to touch or vision for patterns learnt initially learnt in audition. In a third series of experiments, we tested hearing impaired listeners stimulated through their cochlear implant with sequences of electrical pulses. We found evidence for preserved plasticity for the rapid learning of time patterns in those listeners. Finally, we present preliminary data using a novel technique for studying the underlying neural mechanisms of rapid perceptual learning. We measured pupil dilation while listeners performed the memory task and observed systematic changes in pupil size with perceptual learning. In conclusion, the thesis shows a remarkable ability of perceptual systems to learn complex time patterns as they re-occur in the environment, and suggests new experimental methods to further study the underlying neural mechanisms.

Les systèmes informatiques impliquant la détection d’anomalies émergent aussi bien dans le domaine de la recherche que dans l'industrie. Ainsi, des domaines aussi variés que la médecine (identification de tumeurs malignes), la finance (détection de transactions frauduleuses), les technologies de l’information (détection d’intrusion réseau) et l'environnement (détection de situation de pollution) sont largement impactés. L’apprentissage automatique propose un ensemble puissant d'approches qui peuvent aider à résoudre ces cas d'utilisation de manière efficace. Cependant, il représente un processus lourd avec des règles strictes qui supposent une longue liste de tâches telles que l'analyse et le nettoyage de données, la réduction des dimensions, l'échantillonnage, la sélection des algorithmes, l'optimisation des hyper-paramètres, etc. Il implique également plusieurs experts qui travailleront ensemble pour trouver les bonnes approches. De plus, les possibilités ouvertes aujourd'hui par le monde de la sémantique montrent qu'il est possible de tirer parti des technologies du web afin de raisonner intelligemment sur les données brutes pour en extraire de l'information à forte valeur ajoutée. L'absence de systèmes combinant les approches numériques d'apprentissage automatique et les techniques sémantiques du web des données constitue la motivation principale derrière les différents travaux proposés dans cette thèse. Enfin, les anomalies détectées ne signifient pas nécessairement des situations de réalité anormales. En effet, la présence d'informations externes pourrait aider à la prise de décision en contextualisant l'environnement dans sa globalité. Exploiter le domaine spatial et les réseaux sociaux permet de construire des contextes enrichis sur les données des capteurs. Ces contextes spatio-temporels deviennent ainsi une partie intégrante de la détection des anomalies et doivent être traités en utilisant une approche Big Data. Dans cette thèse, nous présentons trois systèmes aux architectures variées, chacun ayant porté sur un élément essentiel des écosystèmes big data, temps-réel, web sémantique et apprentissage automatique : WAVES : Plateforme Big Data d'analyse en temps réel des flux de données RDF capturées à partir de réseaux denses de capteurs IoT. Son originalité tient dans sa capacité à raisonner intelligemment sur des données brutes afin d'inférer des informations implicites à partir d'informations explicites et d'aider dans la prise de décision. Cette plateforme a été développée dans le cadre d'un projet FUI dont le principal cas d'usage est la détection d'anomalies dans un réseau d'eau potable. RAMSSES : Système hybride d'apprentissage automatique dont l'originalité est de combiner des approches numériques avancées ainsi que des techniques sémantiques éprouvées. Il a été spécifiquement conçu pour supprimer le lourd fardeau de l'apprentissage automatique qui est chronophage, complexe, source d'erreurs et impose souvent de disposer d'une équipe pluridisciplinaire. SCOUTER : Système intelligent de "scrapping web" permettant la contextualisation des singularités liées à l'Internet des Objets en exploitant aussi bien des informations spatiales que le web des données / Computer systems involving anomaly detection are emerging in both research and industry. Thus, fields as varied as medicine (identification of malignant tumors), finance (detection of fraudulent transactions), information technologies (network intrusion detection) and environment (pollution situation detection) are widely impacted. Machine learning offers a powerful set of approaches that can help solve these use cases effectively. However, it is a cumbersome process with strict rules that involve a long list of tasks such as data analysis and cleaning, dimension reduction, sampling, algorithm selection, optimization of hyper-parameters. etc. It also involves several experts who will work together to find the right approaches. In addition, the possibilities opened today by the world of semantics show that it is possible to take advantage of web technologies to reason intelligently on raw data to extract information with high added value. The lack of systems combining numeric approaches to machine learning and semantic techniques of the web of data is the main motivation behind the various works proposed in this thesis. Finally, the anomalies detected do not necessarily mean abnormal situations in reality. Indeed, the presence of external information could help decision-making by contextualizing the environment as a whole. Exploiting the space domain and social networks makes it possible to build contexts enriched with sensor data. These spatio-temporal contexts thus become an integral part of anomaly detection and must be processed using a Big Data approach.In this thesis, we present three systems with different architectures, each focused on an essential element of big data, real-time, semantic web and machine learning ecosystems:WAVES: Big Data platform for real-time analysis of RDF data streams captured from dense networks of IoT sensors. Its originality lies in its ability to reason intelligently on raw data in order to infer implicit information from explicit information and assist in decision-making. This platform was developed as part of a FUI project whose main use case is the detection of anomalies in a drinking water network. RAMSSES: Hybrid machine learning system whose originality is to combine advanced numerical approaches as well as proven semantic techniques. It has been specifically designed to remove the heavy burden of machine learning that is time-consuming, complex, error-prone, and often requires a multi-disciplinary team. SCOUTER: Intelligent system of "web scrapping" allowing the contextualization of singularities related to the Internet of Things by exploiting both spatial information and the web of data

Portable and interactive technologies are changing the nature of collaborative learning practices. Learning can now occur both in and beyond the classroom and furthermore combine formal and informal activities monitored and orchestrated across spatial locations. This rises to a new type of orchestrated learning that we term Computer Supported Collaborative Blended Learning (CSCBL) scripts. This thesis investigates the challenges associated with the design of CSCBL scripts and with the technologies responsible for their enactment. Three contributions are presented. First, a conceptual model that combines 4 factors to be considered in the design of CSCBL scripts. Second, technological solutions operationalizing the aforementioned factors are proposed and evaluated through synthetic experiences. And third, four CSCBL experiments using 4SPPIces. These experiments are analyzed into two interrelated multicase case studies, whose cross-analyzed results provide an evaluation of the model, of the operationalization solutions supporting the enactment of the involved CSCBL scripts and of the educational value of the experiences themselves. / La introducción de tecnologías interactivas y móviles está produciendo un cambio significativo en la naturaleza de las prácticas educativas. Actualmente, el aprendizaje mediante colaboración se puede dar en situaciones en que secuencias de actividades formales e informales dentro y fuera del aula se combinan e integran de forma coordinada. Esto da lugar a un nuevo tipo de actividades de colaboración orquestadas en entornos mezclados que llamaremos guiones CSCBL (de su acrónimo en inglés). Esta tesis investiga los retos relacionados con diseño de los guiones CSCBL y de la selección apropiada de la tecnología para su puesta en marcha. De este trabajo de investigación se derivan tres contribuciones principales. Primero, se propone un modelo conceptual que combina 4 factores a tener en cuenta en el diseño de guiones CSCBL. Segundo, se proponen un conjunto de soluciones tecnológicas para dar soporte computacional a los diferentes factores del modelo y dar apoyo a la puesta en marcha de guiones CSCBL. Cada una de estas soluciones se evalúa mediante experimentos sintéticos. Finalmente, esta tesis presenta tres experimentos en que se usa el modelo para proponer actividades de colaboración en entornos mezclados y aplicarlas en entornos reales. Estos experimentos han sido evaluados mediante dos estudios múltiples de casos. El análisis cruzado de los resultados de los casos englobados en cada estudio ofrece una evaluación de la utilidad del modelo y de las soluciones tecnológicas adoptadas para su puesta en marcha.

本篇文章使用了增強學習與捲積深度學習結合的DQCN模型製作交易系統，希望藉由此交易系統能自行判斷是否買賣ETF，由於ETF屬於穩定性高且手續費高的衍生性金融商品，所以該系統不即時性的做買賣，採用每二十個開盤日進行一次買賣，並由這20個開盤日進行買賣的預測，希望該系統能最大化我們未來的報酬。 DQN是一種增強學習的模型，並在其中使用深度學習進行動作價值的預測，利用增強學習的自我更新動作價值的機制，再用深度學習強大的學習能力成就了人工智慧，並在其取得良好的成效。 / In this paper, we used DCQN model, which is combined with reinforcement learning and CNN to train a trading system and hope the trading system could judge whether buy or sell ETFs. Since ETFs is a derivative financial good with high stability and related fee, the system does not perform real-time trading and it performs every 20 trading day. The system predicts value of action based on data in the last 20 opening days to maximize our future rewards. DQN is a reinforcement learning model, using deep learning to predict value of actions in model. Combined with the RL's mechanism, which updates value of actions, and deep learning, which has a strong ability of learning, to finish an artificial intelligence. We got a perfect effect.