L’exploitation des traces d’interaction lors de tâches d’apprentissage permet différents types de retour d’expérience : retour immédiat pour l’apprenant sur sa tâche, retour d’expérience au niveau d’un groupe de pairs, retour d’expérience vers le tuteur en situation d’apprentissage, retour d’expérience vers les concepteurs de formation. Ces retours d’expérience s’expriment le plus souvent sous une forme synthétique : des indicateurs. Ce travaille apporte des solutions originales aux deux facettes indispensables à toute ingénierie des indicateurs : 1) intégration d’un système à base de traces comme nouvelle brique disponible pour la conception d’EIAH (intégration dans un framework de type Moodle) ; 2) Elaboration d’un processus intégré de transformations explicites de traces modélisées préparant à un calcul explicite d’indicateurs. Les connaissances de modélisation des traces, des transformations et de la description de la formule d’indicateur sont capitalisées, facilitant la réutilisation et la constitution de bibliothèques d’indicateurs « prêts à l’emploi ». Pour illustrer l’approche, nous avons développé un jeu de modèles de traces et de transformations adaptées à une situation cible choisie pour sa richesse interactive. Ce jeu de modèles pourra concerner l’apprenant seul, mais aussi le groupe de pairs et éventuellement le groupe classe pour révéler certains phénomènes, tels que la collaboration, non visibles au niveau de l’individu seul. L’outil développé, pour faire la démonstration de l’approche proposée, a été testé en vraie grandeur sur plusieurs terrains universitaires et est disponible en téléchargement pour Moodle. / The exploitation of user’s interaction historic provides different level of experience’s feedback and for different kind of users: experience feedback for teachers, student, group of students, TEL designers. This work provides novel solutions to two essential aspects to any engineering indicators: 1) Integration of a Trace Based System as a new component for TEL systems design (integration in a framework as Moodle for example); 2) Building a set of Trace models with a transformations process to compute explicitly indicators. Knowledge modeling traces, transformations, and indicators’ formula description are capitalized, allowing the reuse and the creation of indicators library “ready to use” To illustrate the approach, we have developed a set of traces models and transformations adapted to a chosen learning situation. This set of models will involve him- self, the peers group and possibly the whole class to reveal some phenomena, such as collaboration. A demonstration software has been developed and tested in three different university contexts and is available for download for Moodle.

L'exploitation des traces d'interaction lors de tâches d'apprentissage permet différents types de retour d'expérience : retour immédiat pour l'apprenant sur sa tâche, retour d'expérience au niveau d'un groupe de pairs, retour d'expérience vers le tuteur en situation d'apprentissage, retour d'expérience vers les concepteurs de formation. Ces retours d'expérience s'expriment le plus souvent sous une forme synthétique : des indicateurs. Ce travaille apporte des solutions originales aux deux facettes indispensables à toute ingénierie des indicateurs : 1) intégration d'un système à base de traces comme nouvelle brique disponible pour la conception d'EIAH (intégration dans un framework de type Moodle) ; 2) Elaboration d'un processus intégré de transformations explicites de traces modélisées préparant à un calcul explicite d'indicateurs. Les connaissances de modélisation des traces, des transformations et de la description de la formule d'indicateur sont capitalisées, facilitant la réutilisation et la constitution de bibliothèques d'indicateurs " prêts à l'emploi ". Pour illustrer l'approche, nous avons développé un jeu de modèles de traces et de transformations adaptées à une situation cible choisie pour sa richesse interactive. Ce jeu de modèles pourra concerner l'apprenant seul, mais aussi le groupe de pairs et éventuellement le groupe classe pour révéler certains phénomènes, tels que la collaboration, non visibles au niveau de l'individu seul. L'outil développé, pour faire la démonstration de l'approche proposée, a été testé en vraie grandeur sur plusieurs terrains universitaires et est disponible en téléchargement pour Moodle.

Nos recherches s'inscrivent dans le domaine de l'ingénierie des connaissances et plus particulièrement dans la capitalisation et le partage de connaissances d'observation et d'analyse de traces numériques d'activités. Dans ce cadre, nous basons notre approche sur le concept de la trace modélisée (M-Trace) développée par l'équipe SILEX. Au travers de notre approche nous donnons la possibilité d'exploiter des traces numériques d'activités de bas niveaux pour faire émerger des connaissances de plus haut niveaux obtenues via des transformations à base de règles. Ces règles modélisent des connaissances d'observation et d'analyse de différents utilisateurs et sont capitalisables et partageables entre ces derniers. Nous complétons notre proposition en fournissant une visualisation synthétique des niveaux de connaissances et de leurs observés. Via un modèle générique de trace, que nous avons développé, cette synthèse visuelle est navigable afin de permettre aux utilisateurs d'explorer les différents niveaux de connaissances et de reconstituer le chemin de construction des observables entre les niveaux, facilitant ainsi l'analyse. Nos différentes propositions ont été réifiées dans un logiciel du nom de D3KODE (« Define, Discover, and Disseminate Knowledge from Observation to Develop Expertise »). Ce logiciel a été mis à l'épreuve dans le contexte de la formation professionnelle sur les simulateurs pleine échelle du groupe EDF utilisés pour la formation et le perfectionnement des agents de conduite de centrale nucléaire. Dans un tel cadre l'observation, l'analyse et le débriefing des interactions individuelles et collectives des opérateurs sont des activités critiques et particulièrement dense notamment pour les jeunes formateurs. Les données collectées sont difficilement exploitables dû à leur grande quantité et à leur très bas niveau nécessitant une expertise forte que tous les formateurs ne possèdent pas. Ce travail a donné lieu à une évaluation en contexte réel sur simulateur pleine échelle et à des résultats significatifs permettant de valider notre approche et d'encourager des perspectives de recherche nombreuses / Our research takes place in the field of knowledge engineering. In particularly we focus our study in capitalizing and sharing knowledge of observation and analysis of digital traces. In this context, we base our approach on the concept of modeled trace (M-Trace) developed by the SILEX team. Our approach give the possibility to exploit low levels digital traces in order to extract higher knowledge level through rule-based transformations. These rules modelize the knowldege of observation and analysis of different users. Rules can be capitalized and shared between users. We complete our proposal by providing a synthetic visualization of the knowledge levels with observed elements from the activity. By means of a generic trace model, that we have specified, users can explore the different abstraction level in purposes of investigation in order to better understand and analyze the activity. Our proposals have been implemented in a prototype, called D3KODE (« Define, Discover, and Disseminate Knowledge from Observation to Develop Expertise »), allowing the processing, representation and visualization of traces. D3KODE was applied in the context of professional training on the nuclear power plant full-scope simulator of the EDF group designed to maintain and enhance the knowledge and skills of Nuclear Power Plant control room staff. In such context, the observation, analysis and debriefing of individual and collective interactions of trainees’ operators is a dense activity that require attention and constant alertness of the trainers throughout the simulation, especially for the young trainers who do not have the expertise of confirmed trainers. The amount of data collected during a simulation is big and very low levels. They are difficult to analyse manually in order to extract high level information reflecting the behaviour of trainees. In such a context, understand and follow the activity requires a strong expertise that all trainers don’t have. So as to validate our approach, D3KODE was evaluated in a real context according to a comparative protocol conducted with a team of trainers from EDF Group. The evaluation gave significant results to validate our approach and encourage many research opportunities