Sous l'influence des technologies de l'informatique mobile, l'apprentissage devient de plus en plus mobile. En effet, utiliser des dispositifs mobiles pour apprendre, n'importe où et n'importe quand, c'est l'objectif de l'apprentissage mobile (Mobile Learning). Nous nous plaçons principalement dans des situations professionnelles, portant sur l'apprentissage contextuel de la maîtrise d'équipements domestiques, publics ou professionnels en mobilité. Nos travaux de recherche visent à mettre en oeuvre l'apprentissage mobile que nous voulons situé, contextuel, personnel, collaboratif, et tout au long de la vie. Nous proposons un système d'apprentissage mobile contextuel appelé SAMCCO (Système d'Apprentissage Mobile Contextuel et Collaboratif) qui prend en compte les exigences MOCOCO (Mobilité, Contextualisation, Collaboration). Dans nos travaux, nous explorons les domaines des technologies mobiles, de l'apprentissage mobile, de la contextualisation, des méthodes d'apprentissage en contexte, du Travail Collaboratif Assisté par Ordinateur (TCAO) de l'Interaction Homme-Machine (IHM) et de la Réalité Augmentée (RA). Nos travaux ont commencé par l'étude de la modélisation d'unités d'apprentissage. Nous avons défini des modèles de ces unités d'apprentissage en tant que ressources d'apprentissage pour la maîtrise d'équipements. Nous définissons les métadonnées AMLOM (Appliance Mastering LOM) pour décrire ces unités d'apprentissage. Les métadonnées AMLOM sont issues d'IEEE LOM (Learning Object Metadata) avec la redéfinition de certains éléments et l'ajout de nouveaux éléments pour permettre la contextualisation des unités d'apprentissage dans nos contextes d'apprentissage. Nous avons également élaboré un processus de production d'unités d'apprentissage. Ce processus permet de transformer les documentations initiales, comme des manuels papier ou d'autres formats numériques, en unités d'apprentissage XML et de les stocker et indexer dans une base de données, pour être prêtes à être interrogées par le système d'apprentissage SAMCCO. La conception de SAMCCO s'appuie sur l'approche basée sur les scénarios et sur les modèles. SAMCCO se base sur la plateforme IMERA (Interaction Mobile dans l'Environnement Réel Augmenté) développée par notre équipe, qui a pour but de prendre en compte les augmentations suivantes : apprenant augmenté, environnement augmenté, équipement augmenté. La modélisation, la prise en compte des exigences d'apprenant et du contexte d'apprentissage dans son activité professionnelle sont au coeur de nos travaux. Nous avons également adapté des méthodes d'apprentissage, comme l'apprentissage juste à temps, l'apprentissage par l'action et l'apprentissage collaboratif, à nos activités d'apprentissage mobiles. L'architecture du système se base sur des modèles (bases de données, services génériques, patterns d'interaction, etc.). L'objectif de SAMCCO est d'augmenter avec les caractéristiques MOCOCO l'efficacité de l'apprentissage et la performance du travail associé dans les activités de la maîtrise d'équipements domestiques, publics, ou professionnels. En s'appuyant sur les principes de notre approche, nous avons réalisé plusieurs applications pour valider l'intérêt de SAMCCO dans différentes situations. Le scénario du banc de tests MAPED nous a permis de valider le processus de production d'unités d'apprentissage dans un cas concret. Le scénario de maintenance de l'ordinateur est un cas d'application de l'apprentissage mobile contextuel dans une activité de maintenance d'équipement. Le projet HSHB (Healthy Spirit in Healthy Body) permet un autre type d'apprentissage, l'apprentissage mobile contextuel dans le processus de constitution d'un repas équilibré dans un restaurant libre service, dans lequel notre système peut également être utilisé.
| Identifer | oai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00564488 |
| Date | 25 January 2010 |
| Creators | Yin, Chuantao |
| Publisher | Ecole Centrale de Lyon |
| Source Sets | CCSD theses-EN-ligne, France |
| Language | French |
| Detected Language | French |
| Type | PhD thesis |
Page generated in 0.0023 seconds