version PDF

Transcription

version PDF

C om m unication Langagière et
Interaction Personne-Systèm e
C N R S - IN PG - U JF
BP 53 - 38041 G renoble C edex 9 - F rance
Université Joseph Fourier
UFR Informatique et Mathématiques Appliquées
RAPPORT DE DEA
SYSTEMES D’INFORMATION
Option : Technologies des Systèmes d'Information
Expression de scénarios pédagogiques
basée sur la transposition de diagnostic
de systèmes physiques
Présenté par
Hocine DOUFAR
Date : 19 Septembre 2002
Sous la direction de : Jean-Philippe PERNIN
DEA préparé au sein du Laboratoire CLIPS–IMAG
Expression de scénarios pédagogiques basée sur la transposition de diagnostic de systèmes physiques
Remerciements
Je remercie tout d’abord Mr. Jean Philippe PERNIN, mon responsable de stage, pour
m’avoir accueilli au laboratoire CLIPS et m’avoir encadré tout au long du stage, ainsi que
pour son soutien moral et son aide précieuse.
J’adresse aussi mes remerciements à tous les membres de l’équipe ARCADE, pour leur
accueil et leur disponibilité.
Un remerciement spécial à Mme Marie-France BRUANDET, responsable de notre DEA,
pour ses conseils précieux avant et durant le stage, et Michel LEONARD pour sa gentillesse
et son ouverture.
Je remercie également la société CORYS-TESS, et spécialement Philippe CHAUMES
pour sa collaboration et son accueil.
Je remercie aussi Mr. Stéphane PLOIX et Mme Florence MICHAU du laboratoire LAG,
pour leurs aide et collaboration.
Finalement, je tiens à avoir une pensée très spéciale pour ma mère, mon père, ma famille et
mes amis.
2
Table des matières
1. Introduction ........................................................................................................................... 7
1.1. Contexte et problématique ........................................................................................................ 7
1.2. Objectifs et méthodologie .......................................................................................................... 7
1.3. L’organisation du rapport......................................................................................................... 8
2. Simulation et scénario......................................................................................................... 11
2.1. Simulation et pédagogie........................................................................................................... 11
2.1.1. Introduction ....................................................................................................................................... 11
2.1.2. Simuler pour comprendre .................................................................................................................. 11
2.1.3. Simuler pour construire ..................................................................................................................... 12
2.1.4. Simuler pour apprendre ..................................................................................................................... 12
2.1.5. Simulations libres et simulations pédagogiques ................................................................................ 12
2.2. Contrôle pédagogique et scénario........................................................................................... 13
2.2.1. Définition du contrôle pédagogique .................................................................................................. 13
2.2.2. Définition de la notion de scénario .................................................................................................... 14
2.2.3. Les modes de contrôle pédagogique dans un scénario ...................................................................... 15
3. Types de connaissances et modèles de représentations ..................................................... 17
3.1. Les types de connaissances en sciences de l’éducation ......................................................... 17
3.1.1. Les propositions de Romiszowski ..................................................................................................... 18
3.1.2. Les propositions de Tennyson ........................................................................................................... 18
3.1.3. Les propositions de West................................................................................................................... 18
3.1.4. Les propositions de Merrill................................................................................................................ 19
3.1.5. Les propositions de J-M.Hoc............................................................................................................. 19
Bilan ............................................................................................................................................................ 20
3.2. Les types de connaissances en EIAH...................................................................................... 20
3.2.1. Les proposition de Paquette............................................................................................................... 21
3.2.2. Connaissances et simulation : les propositions de Joab..................................................................... 23
3.2.3. Les propositions de Ciocoiu, Ploix et Michau ................................................................................... 24
Bilan sur les modèles de connaissances en EIAH ....................................................................................... 25
3.3. Une méthode de représentation des connaissances............................................................................... 26
4. Le diagnostic en systèmes physiques .................................................................................. 31
4.1. Introduction.............................................................................................................................. 31
4.2. Petit Glossaire........................................................................................................................... 31
3
4.2.1. Processus ........................................................................................................................................... 32
4.2.2. Modèle............................................................................................................................................... 32
4.2.3. Défaillance......................................................................................................................................... 32
4.2.4. Causes de défaillance......................................................................................................................... 32
4.2.5. Défaut ................................................................................................................................................ 32
4.2.6. Symptôme.......................................................................................................................................... 33
4.2.7. Diagnostic (détection, localisation et identification de défauts) ........................................................ 33
4.2.8. La localisation de défauts .................................................................................................................. 33
4.3. L’idée de base de la transposition........................................................................................... 33
4.4. Le choix de la méthode du diagnostic..................................................................................... 34
4.4.1. Le principe de la procédure de diagnostic ......................................................................................... 35
4.4.2. La procédure de diagnostic................................................................................................................ 36
4.5 Bilan ........................................................................................................................................... 40
5. Les propositions................................................................................................................... 41
5.1. Introduction.............................................................................................................................. 41
5.1.1. Enrichir le contrôle pédagogique ? .................................................................................................... 41
5.1.2. La solution proposée.......................................................................................................................... 42
5.1.3. Le modèle de la proposition .............................................................................................................. 43
5.2. Un formalisme pour la représentation des connaissances dans les scénarios..................... 44
5.2.1. Les types des connaissances dans le modèle ..................................................................................... 45
5.2.1.1. Connaissances contextuelles........................................................................................................... 46
5.2.1.2. Connaissances déclaratives............................................................................................................. 46
5.2.1.3. Connaissances procédurales ........................................................................................................... 46
5.2.1.4. Connaissances stratégiques............................................................................................................. 47
5.2.1.5. Connaissances extraites du simulateur ........................................................................................... 47
5.2.2. Le formalisme de représentation proposé.......................................................................................... 47
5.3. La transposition du diagnostic................................................................................................ 49
5.3.1. La transposition ................................................................................................................................. 49
5.3.2. La modélisation ................................................................................................................................. 50
5.3.3. La résolution...................................................................................................................................... 51
5.4. Bilan .......................................................................................................................................... 52
6. L’expérimentation ............................................................................................................... 53
6.1. Première expérimentation : l’exemple du schéma électrique .............................................. 53
6.1.1. Définition du scénario ....................................................................................................................... 53
6.1.2. La modélisation ................................................................................................................................. 54
4
6.1.3. La résolution...................................................................................................................................... 56
6.2. L’exemple de « Manœuvre de liaison omnibus » .................................................................. 56
6.2.1. La modélisation ................................................................................................................................. 59
6.2.2. La résolution...................................................................................................................................... 62
6.3. Bilan .......................................................................................................................................... 62
7. Conclusions et perspectives................................................................................................. 65
7.1. Bilan du projet.......................................................................................................................... 65
7.2. Apports et perspectives............................................................................................................ 65
Bibliographie ........................................................................................................................... 67
Annexe : les simulateurs des réseaux électriques .................................................................. 71
1. Introduction................................................................................................................................. 71
2. Les caractéristiques .................................................................................................................... 71
2.1. C’est quoi un simulateur de réseau électrique ...................................................................................... 71
2.2. Principe de fonctionnement .................................................................................................................. 72
2.3. Les scénarios ........................................................................................................................................ 74
3. L’évaluation des compétences des opérateurs.......................................................................... 75
3.1. L’enjeu de la méthode d’apprentissage ................................................................................................ 75
3.2. Le problème de la certification des formations des opérateurs............................................................. 75
3.3. Les solutions......................................................................................................................................... 76
3.4. Bilan ..................................................................................................................................................... 76
5
6
1. Introduction
1.1. Contexte et problématique
De nos jours, la simulation prend une place de plus en plus importante au sein des
Environnements Informatiques d’Apprentissage Humain (EIAH). Le recours à la simulation
est devenu indispensable dans un grand nombre de disciplines, que se soit en milieu
universitaire ou industriel. L’atout principal de ce mode d’apprentissage est d’assurer une
meilleure acquisition des connaissances, en favorisant une approche découverte/construction
des connaissances complétant les modèles traditionnels de transmission de connaissances.
Manipuler librement un simulateur ne suffit pas pour assurer l’apprentissage. L’introduction
de la notion de scénario dans les simulateurs permet de rationaliser leur utilisation
pédagogique en fournissant au formateurs un moyen de guider ou de vérifier le processus
d’acquisition des connaissances ou des compétences chez l’apprenant.
Pour vérifier qu’un apprenant a acquis les connaissances visées par un scénario
d’apprentissage, les modèles existants ne proposent généralement qu’une trace de son
parcours pour lui fournir de l’assistance ou pour juger de sa réussite. Si lors d’un parcours, un
apprenant s’aperçoit qu’il ne maîtrise pas les connaissances nécessaires pour mener à bien le
scénario, il ne dispose pas de moyen d’effectuer un diagnostic permettant d’identifier les
connaissances qui lui font défaut si ce n’est en communiquant avec son formateur.
L’automatisation d’un tel diagnostic et son intégration logicielle au sein d’un simulateur sont
des points peu abordés dans la littérature, et l’on peut constater une certaine carence des
modèles et des méthodes existants. Pourtant une telle solution améliorerait certainement le
processus d’apprentissage, en apportant à l’apprenant un véritable assistance pédagogique
dans l’utilisation d’un simulateur, mais également en réduisant le temps d’assistance du
formateur.
1.2. Objectifs et méthodologie
Ce projet s’inscrit dans le cadre de la poursuite des travaux de l’équipe ARCADE (Atelier de
Réalisation et de Conception d’Applications Destinées à l’Education) du laboratoire CLIPS,
concernant l’amélioration des fonctionnalités des environnements d’apprentissage basés sur la
simulation.
7
L’objectif général de ce projet de DEA est de :
(1) proposer un modèle permettant d’exprimer des scénarios de suivi de l’activité de
l’apprenant en liant les tâches à réaliser aux connaissances nécessaires à leur accomplissement
(2) fournir une méthode permettant d’établir de façon automatique un diagnostic en
terme de connaissances lors d’une manipulation incorrecte du simulateur
Ce sujet a été proposé de façon conjointe avec le Laboratoire d’Automatique de Grenoble
(LAG) de l’INPG représenté par Stéphane PLOIX et Florence MICHAU, qui s’intéresse aux
apports de l’automatisme dans le contexte de la résolution de problèmes. Notre collaboration
s’est cristallisée sur l’hypothèse suivante :
Il existe aujourd’hui des techniques éprouvées de diagnostic pour vérifier le fonctionnement
des systèmes physiques. Ces techniques permettent de détecter des défauts et d’établir de
façon automatique un certain nombre d’hypothèses sur l’origine de ces défauts. Dans quelle
mesure ces méthodes sont-elles transposables à un processus d’apprentissage humain où
l’apprenant représenterait le système physique et où l’origine des défauts représenteraient les
carences de l’apprenant et termes de connaissances ?
Dans le cadre de ce projet, nous avons également collaboré avec la société CORYS-TESS,
afin d’évaluer la validité de notre proposition, en réalisant des expérimentations dans un
contexte industriel.
1.3. L’organisation du rapport
Suite à cette introduction, le rapport est organisé de la façon suivante :
•
Le deuxième chapitre présente un état de l’art sur les notions de simulation et de scénario,
nécessaires pour comprendre de façon précise la problématique du projet.
•
L’objectif du troisième chapitre est de réaliser une étude bibliographique sur la
classification des connaissances, afin d’identifier les types nécessaires à notre proposition.
•
Dans le chapitre quatre, nous présentons une analyse détaillée des méthodes de diagnostic
en systèmes physiques, ainsi qu’une synthèse présentant les apports possibles de la
transposition de ces méthodes au diagnostic de suivi de l’activité d’un apprenant.
8
•
Le chapitre cinq développe notre proposition ; il définit d’une part un formalisme de
représentation des connaissances dans les scénarios, et d’autre part une méthode de
résolution pour appliquer le diagnostic sur ces scénarios.
•
L’expérimentation et la vérification de notre proposition sont développées dans le chapitre
six, à travers la présentation de deux exemples de mise en pratique du modèle proposé.
•
L’annexe définit un bilan de nos visites et de notre expertise avec les simulateurs de
réseaux électriques, en collaboration avec la société CORYS-TESS.
9
10
2. Simulation et scénario
Nous allons présenter dans ce chapitre un rappel historique ainsi que les définitions
nécessaires pour aider à identifier la problématique du sujet, en nous appuyant sur les travaux
réalisés au sein de l’équipe ARCADE. Nous nous intéresserons en particulier aux termes
simulations, contrôle pédagogique et scénario.
2.1. Simulation et pédagogie
2.1.1. Introduction
Le terme simulation signifie imiter ou feindre. De nos jours, nous ne pouvons pas douter des
apports et du potentiel éducatif des simulations. Selon Cortes [Cortes 1999] les simulations
permettent de :
•
Réaliser des expériences ou des entraînements qu’il serait difficile d’effectuer en
laboratoire, pour des raisons de sécurité ou de coût. En effet, le travail sur un système réel
peut être trop coûteux ou trop long, dangereux pour l’homme, l’environnement ou le
matériel et être source d’angoisse pour le débutant. Dans une simulation, on peut
introduire des situations d'extrême gravité pour entraîner l'apprenant à réagir, changer
l'échelle de temps pour améliorer la compréhension, simplifier ou altérer une réalité pour
mieux l'étudier.
•
Accélérer ou ralentir le temps d’une expérimentation pour mieux observer.
•
Donner à chaque apprenant sa propre copie de l’appareil ou du système simuler, ce qui
n’est pas possible sur des expérimentations réelles.
•
Travailler sur une réduction du monde réel offrant une vue idéale et complète de la réalité.
On peut répartir les objectifs de la simulation en trois catégories [Arcade 1999], simuler pour
comprendre, pour construire et pour apprendre :
2.1.2. Simuler pour comprendre
Cette démarche est utilisée aujourd'hui à grande échelle dans tous les domaines scientifiques
ou techniques tels que l'étude de phénomènes météorologiques, astronomiques, nucléaires,
épidémiologiques, etc. L'approche consiste ici à progresser dans la compréhension d'un
phénomène réel en proposant un modèle (le plus souvent numérique), et en comparant d'une
11
part, les résultats produits par une simulation de ce modèle et d'autre part, les phénomènes
constatés dans le monde réel.
2.1.3. Simuler pour construire
Un autre type d'application très courant consiste à utiliser l'outil informatique pour simuler un
nouvel objet avant de le créer véritablement. Cet usage sert le plus souvent à proposer et
valider des solutions variées pour un problème donné, en évitant de toutes les réaliser
concrètement. On peut citer comme exemples : les logiciels de simulation de prêts financiers,
les logiciels de conception assistée permettant de créer des maquettes d'appareils, de
dispositifs techniques ou de bâtiments.
2.1.4. Simuler pour apprendre
La simulation est aujourd 'hui de plus en plus utilisée dans le processus d'apprentissage. Elle
peut concerner des domaines aussi variés que :
•
L'apprentissage de pratiques médicales, avec par exemple, un certain nombre de projets
qui ont pour but l'apprentissage de la manipulation d'outils chirurgicaux en faisant appel à
des techniques de réalité virtuelle ;
•
L'apprentissage de la conduite d'engins ou d'avions. On doit insister ici sur les notions de
généricité et de configurabilité, et sur la nécessité pédagogique du réalisme (utilisation de
son, d'images de synthèse) ;
•
L'apprentissage de matières scientifiques. Par exemple, simuler des phénomènes
dynamiques liés à l’exécution des programmes pour l’apprentissage de l’algorithmique.
Ces exemples montrent bien la variété d'utilisation de la simulation dans le processus
d'apprentissage. On peut remarquer que selon les contextes, et en fonction des objectifs
pédagogiques, il peut être fait appel à des techniques plus ou moins sophistiquées telles que la
réalité virtuelle ou le recours au multimédia.
2.1.5. Simulations libres et simulations pédagogiques
Pourquoi utiliser la simulation dans le processus d'apprentissage ? Il existe un certain nombre
de raisons qualifiées d'affectives : l'attrait de la simulation pour l'apprenant, l'augmentation de
sa motivation, une meilleure compréhension des phénomènes, une plus grande aptitude à
l'adaptation pour des problèmes similaires dans d'autres contextes.
12
Bien que les simulations soient pédagogiquement valorisées, utilisables dans différents
contextes et dans différents cadres de formation, leur efficacité dans l’apprentissage dépend
des objectifs pédagogiques fixés, des activités demandées à l’apprenant et des orientations
données. L’utilisation libre d’une simulation par l’apprenant ne garantit pas l’apprentissage. Il
est nécessaire de donner à l’élève des buts concrets et la simulation doit permettre de guider
l’apprenant vers le but qui lui a été fixé, comme le fait un formateur présent durant une
expérience de laboratoire [Cortes 1999].
Dans une situation classique d’apprentissage (présence dans le même lieu physique des
apprenants et du formateur), le formateur peut fixer les objectifs et orienter l’apprenant lors de
sa manipulation de la simulation. Par contre, dans l’utilisation autonome d’une simulation, le
système devrait être capable de proposer les objectifs, de guider l’apprenant vers les objectifs
et de vérifier si les objectifs sont atteints.
Il devient alors nécessaire de pouvoir contrôler pédagogiquement l’activité de l’apprenant lors
de ses manipulations de la simulation et de fournir un ensemble d’outils dédiés à ce contrôle.
Dans ce cadre Cortes [Cortes 1999] définit la simulation pédagogique comme un programme
qui imite partiellement le comportement d’un système réel ou abstrait, et qui inclut un certain
contrôle pédagogique. Dans le cadre de ce travail, nous nous intéresserons uniquement à ce
type de simulation qui se situe dans la catégorie « simuler pour apprendre », en excluant
toutes les autres catégories de simulation où il n’existe pas de contrôle pédagogique de
l’apprenant.
2.2. Contrôle pédagogique et scénario
2.2.1. Définition du contrôle pédagogique
Un contrôle pédagogique peut être réalisé par le formateur, par le logiciel pédagogique ou de
façon couplée par le logiciel et le formateur. Nous nous intéresserons ici au contrôle assuré de
façon automatique par le logiciel et à l’exploitation des résultats collectés par un tel type de
contrôle.
La simulation peut être utilisée à différents moments d'un processus de formation :
découverte, acquisition, évaluation. Selon les cas, le contrôle pédagogique peut être mis en
œuvre pour :
•
fournir à l'élève un guidage et une assistance appropriés en cours d'apprentissage,
13
•
donner à l'élève un bilan de son savoir-faire, avec des remédiations éventuelles,
•
faciliter le suivi par le formateur en lui donnant un compte-rendu de l'activité de l'élève,
•
obtenir une évaluation synthétique du travail de l'élève.
Notre objectif à terme est ici de définir un contrôle qui permette de dresser un bilan des
savoirs et savoir-faire de l’apprenant en indiquant les remédiations possibles. Lors de la
manipulation d’une simulation à but, un apprenant peut échouer parce qu’un certain nombre
de connaissances lui fait défaut. Nous voulons favoriser la détection de ces carences afin de
faciliter le suivi de l’apprenant par le formateur qui pourra ensuite proposer les stratégies de
remédiation qui s’imposent.
Pour cela deux grands types de contrôle sont envisageables, selon que l'on s'intéresse à la
manière dont l'élève enchaîne les activités ou bien à sa façon d'aborder une activité donnée.
Du fait que nous intéressons au mode d’apprentissage basé sur des exercices à but, nous
privilégierions le premier type de contrôle le contrôle qui se concentre sur la manière
d’enchaîner les activités.
Un exercice à but peut être défini comme suite : à partir d'un état initial, l'apprenant doit
manipuler la simulation pour atteindre un état final demandé. L'exercice peut être plus ou
moins complexe selon l'objectif fixé : régler un contrôle, réaliser une configuration, exécuter
une procédure opératoire, réparer un système … L'auteur peut éventuellement fixer des
contraintes que l'élève devra respecter pendant la manipulation de la simulation (par exemple,
garder une variable à l'intérieur d'une certaine plage de valeurs).
Un exercice à but et son contrôle nous conduit à la notion de scénario.
2.2.2. Définition de la notion de scénario
Un scénario s’applique à un exercice à but accompagné d’un contrôle pédagogique. Le
contrôle pédagogique consiste alors à vérifier la réussite de l’élève, à suivre sa progression à
l’intérieur des étapes intermédiaires de résolution et à détecter la survenue de situations
particulières. Nous définissons (fig 2.1) ainsi un scénario tel qu’il est proposé dans OASIS
(Outils Auteur de Simulations Interactives avec Scénarios) définit à la base du modèle MARS
[Pernin 1996] par :
•
une situation initiale, devant laquelle sera placé l'élève au démarrage de l'exercice (état
initial de la simulation et consigne de l'exercice) ;
14
•
une séquence d'étapes à franchir par l'élève ; la dernière étape correspond à l'objectif final
à atteindre par l'élève. Une étape est décrite par la situation à atteindre, la consigne et la
réactivité associée (aide disponible, retours d'information et actions à réaliser en cas
d'échec ou de réussite) ;
•
un ensemble de situations particulières à surveiller. Ce peut être le cas de situations
obtenues suite à des erreurs typiques, des situations d'impasse, des situations de danger ou
au contraire des situations dénotant une approche particulièrement soignée de la question
que l'on souhaite encourager… Ces situations (appelées contrôles) peuvent être à
surveiller pendant toute la durée de l'exercice (contrôle global) ou seulement à l'intérieur
d'une étape particulière (contrôle lié à une étape). Il convient de décrire la situation à
surveiller et la réactivité associée (conduite à tenir lorsque cette situation se produit).
Figure 2.1 : le scénario de contrôle pédagogique dans OASIS
2.2.3. Les modes de contrôle pédagogique dans un scénario
En fonction de la méthode pédagogique et de l’objectif de la formation, les exercices peuvent
être proposés selon deux modes de travail, le mode apprentissage et le mode évaluation.
•
Le mode apprentissage : on accompagne l'élève dans sa progression, étape par étape.
L'élève reçoit la consigne globale de l'exercice, puis la consigne de la première étape. Une
aide pertinente pour cette étape est accessible (si elle a été prévue par l'auteur). Lorsqu'il
pense avoir réussi l'étape, l’élève demande la vérification de son travail et reçoit
l’évaluation correspondante. Dès qu'une étape intermédiaire est réussie, la consigne de
l'étape suivante est affichée. L'élève peut à tout moment recommencer une étape ou passer
à la suivante (le système plaçant alors la simulation comme s’il venait de réussir l’étape).
S'il atteint une situation surveillée, le retour d'informations et l'action prévus sont alors
mis en œuvre.
15
•
Le mode évaluation : l'élève résout globalement l'exercice en temps limité, sans aide ni
retour d'information. Seule la consigne globale de l'exercice est fournie au départ. Pendant
que l'élève travaille, le système de contrôle pédagogique vérifie la progression selon les
étapes attendues, détecte la survenue de situations à surveiller et établit un rapport sur ces
différents points. L’élève ne reçoit aucune information en cours de route, mais seulement
une évaluation globale lorsqu’il demande la vérification finale de son travail. Ce mode de
scénario est très utilisé dans les domaines industriels dans lesquels les apprenant doivent
être capable de réaliser exactement la même chose avec les systèmes réels, et cela avec
toute responsabilité et sans avoir besoin d’aide.
Dans le cadre de ce travail de DEA, nous nous intéresserons uniquement au second mode. En
effet, notre postulat initial consiste à étudier la transposition des méthodes de diagnostic des
systèmes physiques vers de méthodes d’évaluation d’un apprenant en situation de
manipulation de simulation. Nous limiterons donc notre approche aux techniques de
diagnostic et d’évaluation, en écartant dans un premier temps les problèmes liés à la
remédiation pédagogique, que ce soit pendant ou après la manipulation de la simulation.
Après avoir examiné dans ce chapitre les aspects liés au contrôle de simulation, nous allons
maintenant nous intéresser aux différentes techniques de représentation des connaissances.
16
3. Types de connaissances et modèles de
représentations
Dans ce chapitre, nous allons faire un état de l’art des différentes méthodes de typage des
connaissances. Nous allons les présenter en étudiant deux approches : celle issue du domaine
des sciences de l’éducation et celle issue du domaine des environnements informatiques
d’apprentissage assisté par ordinateur. Puis, par la suite, nous examinerons les caractéristiques
d’un modèle de représentation des connaissances.
Nous nous baserons sur cet état de l’art pour répondre à nos exigences en termes de
terminologie. En effet, ce problème s’avère critique du fait du nombre important des
définitions rencontrées ainsi que des différences entre les contenus et les contextes de ces
définitions.
3.1. Les types de connaissances en sciences de l’éducation
Les sciences de l’éducation représentent l’un des premiers domaines à s’être intéressé au
typage des connaissances. L’objectif est de définir des classifications associées d’une part aux
stratégies pédagogiques et d’autre part correspondant aux connaissances visées par
l’apprentissage humain. Par la suite, les recherches effectuées dans le domaine de
l’informatique se sont basées sur ces travaux.
« A la fin des années soixante, principalement aux Etats-Unis se développe la psychologie
cognitive et l'intelligence artificielle telles que nous les connaissons aujourd'hui. [Bruner,
1973] contribue de façon substantielle à démontrer la validité, sur le plan psychologique, du
concept de construction interne et de représentation des connaissances. [Newell et Simon,
1972] développent, sur cette même base, une représentation de l'activité de résolution de
problèmes, pendant que [Minski, 1975] définit le concept de "frame" comme élément essentiel
pour comprendre la perception, et aussi comme moyen de réconcilier la vision déclarative et
la vision procédurale des connaissances [Winograd, 1985]. » [Paquette 1998].
Ce résumé nous semble intéressant car il illustre la variété des approches qui ont débouché sur
des définitions très variées et très différentes des types de connaissances.
17
3.1.1. Les propositions de Romiszowski
Afin de définir une méthode pour évaluer les performances attendues suite à un apprentissage,
Romiszowski [Romiszowski 1981] distingue deux catégories d’habileté : d’une part le
souvenir et d’autre part la compréhension de l’apprenant qu’il associe respectivement à des
connaissances factuelles et à des connaissances conceptuelles.
•
Les connaissances factuelles : correspondent à la définition d’objets, d’évènements et de
notions. On distingue les connaissances factuelles à propos d’objets, d’événements, de
personnes et les connaissances factuelles sur comment procéder (les procédures) ;
•
Les connaissances conceptuelles : on distingue les concepts spécifiques permettant de
reconnaître les instances pour identifier un phénomène et de le définir, et d’autre part les
règles ou principes qui permettent de relier les concepts et les faits de façon à pouvoir
prédire ou expliquer un phénomène.
3.1.2. Les propositions de Tennyson
Concernant les activités d’apprentissage, Tennyson [Tennyson et Rasch, 1990] distingue trois
types de connaissances :
•
Les connaissances déclaratives : impliquent une attention à l’information du domaine et
référent au “connaître que”. Par exemple, en soulignant les mots clefs dans un texte, nous
distinguons l’information qui nous fait connaître le texte ;
•
Les connaissances procédurales : impliquent un “savoir comment” utiliser les concepts,
règles et principes du domaine (le sens de procédure) ;
•
Les connaissances contextuelles : impliquent “savoir quand et pourquoi” utiliser les
concepts, règles et principes d’un domaine.
3.1.3. Les propositions de West
West définit presque les mêmes types de connaissances que Tennyson, mais cela d’une autre
façon [West 1991] :
•
Les connaissances déclaratives : elles peuvent être représentées en mémoire par un réseau
associatif de propositions regroupant les faits et les concepts; les réseaux pouvant être de
nature sémantique ou épisodique ;
18
•
Les connaissances procédurales : ce sont les savoir-faire se présentant sous la forme
d’instructions à exécuter selon un certain ordre et à certaines conditions, et peuvent définir
des processus ;
•
Les connaissances conditionnelles : elles consistent à savoir quand ou pourquoi utiliser
une procédure; elles ont la forme suivante: « si ces conditions sont respectées, alors faire
telle et telle chose ».
3.1.4. Les propositions de Merrill
Merrill [Merrill 1994] suppose que les résultats de l’apprentissage peuvent être classifiés en
un nombre limité de catégories qui mettent en jeu deux dimensions : leurs performances et
leurs types de contenu. Les types de contenu de ces résultats d’apprentissage peuvent être :
•
Un fait : il représente l’association entre une date et un événement, ou un nom et une
partie.
•
Un concept : il représente un ensemble d’objets, d’événements ou de symboles qui
partagent un certain nombre de caractéristiques communes.
•
Une procédure : est un ensemble d’étapes permettant de conduire une action ou de définir
un processus.
•
Un principe : est une relation de cause à effet dans un processus (ex : l’eau gèle à 0°C
c’est un principe).
3.1.5. Les propositions de J-M.Hoc
D’après [J-M.Hoc 1998] il existe deux types de connaissance :
•
Connaissance déclarative : c’est un savoir expérimental. Ce type de connaissance fait
référence aux connaissances factuelles que nous pouvons raconter oralement. Ces
connaissances se caractérisent par le fait qu’elles sont chez nous en mémoire à long terme
et sont organisées en réseaux.
•
Connaissance procédurale : c’est en général un savoir-faire. Ce type de connaissances est
communicable implicitement. Elles peuvent se réaliser si un ensemble de conditions est
remplie, ce qui donne l’action.
Il définit aussi la structure d’une procédure : une procédure est un système d’opérations
exécutables pour réaliser une tâche. Il existe trois opérations de base :
1. transformation : c’est le fait de transformer l’état d’un environnement interne ou externe ;
19
2. identification : identifier les propriétés pertinentes de l’environnement pour choisir
l’opération adaptée ;
3. sélection d’opération : c’est le fait de sélectionner l’opération suivante.
Figure 3.1 : Exemple de la structure d’une procédure
L’auteur insiste également sur le fait qu’une procédure a souvent le but d’effectuer des
transferts d’un dispositif familier vers un dispositif nouveau.
Bilan
Les classifications des connaissances telles qu’elles sont abordées dans le domaine des
sciences de l’éducation et de sciences cognitives ont comme but de définir les résultats d’un
apprentissage ou de définir les connaissances visées par l’apprentissage afin de leurs associer
les meilleurs stratégies pédagogiques. Dans notre cas précis, nous voulons définir une
démarche qui améliore les stratégies pédagogiques existantes en nous basant sur les
connaissances utilisées et produites par l’apprentissage. Les stratégies avec lesquelles nous
pouvons nous servir de ces connaissances ne sont pas du tout évoquées. Les classifications de
Tennyson et West, nous semble les plus aptes à satisfaire nos besoins de représentation des
connaissances du fait qu’elles paraissent plus claires et plus proches du domaine des
environnement informatique d’apprentissage humain.
3.2. Les types de connaissances en EIAH
Les classifications des types des connaissances issues de travaux de recherche dans le
domaine des Environnements Informatiques d’Apprentissage Humain ont pour but
20
d’améliorer la performance des outils logiciels utilisés (groupewares, simulateurs,…). Elles
sont limitées et peu nombreuses, et cela du fait que la plupart des solutions proposées
s’intéressent à produire de la connaissance et pas à l’utiliser pour améliorer l’efficacité de
l’apprentissage. Nous abordons ici les propositions qui nous semblent les plus intéressantes.
3.2.1. Les proposition de Paquette
Paquette [Paquette 1998] propose une classification qui se base principalement sur les
propositions de Merrill. Le système de représentation des connaissances MOT (Modélisation
par Objets Typés) propose une terminologie détaillée permettant le traitement de la globalité
des connaissances associées à un système d’apprentissage.
Le modèle repose sur la notion d’agent : l’apprenant, le formateur, l’expert de contenu, le
gestionnaire pédagogique et le concepteur sont les agents qui peuvent interagir avec le
système d’apprentissage. Paquette établit également une classification des connaissances dans
un système de connaissances complexes. Dans ce système, les trois types de connaissances
abstraites de Merrill (concepts, procédures et principes) vont se combiner en des systèmes
plus complexes de connaissances structurées, les faits étant considérés comme le produit
d’une combinaison de ces types de connaissances. (fig. 3.2).
21
Systèmes conceptuels
(Systèmes de concepts et de faits)
Concepts
Procédures
Connaissances
procédurales
Connaissances
conceptuelles
Méthodes
(Systèmes
regroupant
processus,
systèmes
conceptuels
et principes
de contrôle)
(savoir
quoi)
Exemples
Traces
(savoir
comment)
Processus
Faits
Principes
causaux
(savoir pourquoi)
Enoncés
Principes
d’action
(savoir quand)
(Systèmes
regroupant
procédures et
des principes
de contrôle)
Connaissances stagtégiques
Principes
Théories
(Systèmes de principes causaux
et de systèmes conceptuels)
Figure 3.2 : Classification des connaissances : faits et connaissances abstraites
Paquette définit également quatre types de systèmes composés : les systèmes conceptuels, les
théories, les processus et les méthodes.
•
Les systèmes conceptuels : ce sont des systèmes de connaissances constitués d'un nombre
plus ou moins grand de concepts mis en relations sous la forme d'un réseau sémantique.
Chaque concept est généralement un schéma conceptuel dont les attributs peuvent être
d'autres schémas conceptuels, des procédures ou des principes.
•
Les théories : ce sont des systèmes de connaissances regroupant plusieurs principes
causaux (les lois ou les théorèmes) établissant des relations entre les termes (définitions)
du domaine ;
•
Les processus : ce sont essentiellement des systèmes regroupant plusieurs procédures
pouvant se dérouler séquentiellement ou en parallèle. Ces procédures sont déclenchées en
fonction de connaissances stratégiques correspondant soit à des règles de décision
(déterministes) soit à des règles heuristiques qui réglementent ces procédures. Un
processus décrit également les entrées et les sorties des procédures qui le composent ;
•
Les méthodes : sont des systèmes de plus grande envergure regroupant à la fois des
processus, des principes méthodologiques ou des stratégies, ainsi que des systèmes
conceptuels : réseaux de concepts, taxonomies, systèmes d'interprétation.
22
Ces définitions sont à la base de la définition du système MOT de représentation des
connaissances et qui sera détaillé dans la section suivante.
3.2.2. Connaissances et simulation : les propositions de Joab
Afin de proposer une méthodologie de conception de Systèmes d’Aide à l’Exploitation des
Simulateurs d’Entraînement (SAESE), Michelle Joab [Joab 1999] distingue sept types de
connaissances qui peuvent intervenir lors de la manipulation d’une simulation.
•
Connaissances de simulation
•
Connaissances d’évaluation
•
Connaissances de maintenance
•
Connaissances de résolution
•
Connaissances de classification des situations.
•
Connaissances tutorielles
•
Connaissances explicatives
Cette approche propose une méthodologie qui se base principalement sur les apports de
l’intelligence artificielle. La figure (fig. 3.3) nous montre que :
•
Le simulateur requiert des connaissances de simulation, pour produire le fonctionnement
du dispositif ;
•
Le module expert utilise des connaissances de résolution pour résoudre l’exercice posé au
stagiaire ;
•
Le module stagiaire demande des connaissances d’évaluation pour diagnostiquer l’état des
connaissances du stagiaire et des connaissances de maintenance pour la mise à jour ;
•
Le module pédagogique nécessite des connaissances de classification des situations pour
construire un cursus, des connaissances explicatives pour produire une aide au stagiaire et
des connaissances tutorielles pour conduire la session de simulation.
23
SIMULATEUR
Interface apprenant
- Connaissances de simulation
Module du stagiaire
- Connaissances d’évaluation
- Connaissances de maintenance
Module expert
- Connaissances de résolution
Opérateurs
Module pédagogique
- Connaissances de classification des situations.
- Connaissances tutorielles
- Connaissances explicatives
TUTEUR INTELIGENT
Figure 3.3 : Bases de connaissances d’un SAESE
3.2.3. Les propositions de Ciocoiu, Ploix et Michau
Dans le but de réaliser un environnement d’apprentissage coopératif pour élèves ingénieurs
Ciocoiu, Ploix et Michau [Ciocoiu, Ploix et Michau 2001] proposent un environnement qui
décrit une base de connaissances munie de fonctions permettant la création et la gestion d’un
graphe de connaissances. Elle propose également des fonctions permettant la navigation dans
ce graphe afin de faciliter la tâche d’analyse et d’organisation coopératifs des méthodes de
résolutions d’un problème en l’argumentant (en terme de connaissances) dans le cadre des
projets courts proposés aux élèves ingénieurs. Les auteurs proposent des outils de
représentations qui permettent non seulement d’organiser un travail coopératif en définissant
et en attribuant les tâches, mais qui incitent également les élèves ingénieurs à réfléchir et à
préciser les informations et connaissances qui ont été nécessaires à chacune des tâches.
24
Figure 3.4 : le modèle de tâche de la proposition de [Ciocoiu]
La méthode peut être utilisée par les étudiants dans le processus de résolution des problèmes.
Elle présente plusieurs avantages :
•
elle fournit une représentation permettant de décomposer le problème en sous-tâches
•
chaque sous-tâche peut être traitée de la même façon que la tâche principale
•
elle permet de distinguer les connaissances produites des connaissances utilisées
Dans ce cadre, les auteurs définissent la notion d’« unité de sens » : une unité de sens peut
être une connaissance ou une information selon qu’elle appartient à un patrimoine ou non,
cette appartenance devant être approuvée par au moins une communauté scientifique.
Ces unités de sens peuvent être déclaratives procédurales ou bien stratégiques :
•
Les unités de sens déclaratives : ce sont les unités de sens qui répondent généralement aux
questions précédées des pronoms interrogatifs : Quoi ? Que ? Qui ? et Qu’est-ce ?. En
règle générale, il s’agit de définitions ou de descriptions ;
•
Les unités de sens procédurales : ce sont les unités de sens qui répondent aux questions
précédées du pronom interrogatif : Comment ?. En règle générale, il s’agit de méthodes ou
de procédures ;
•
Les unités de sens stratégiques : ce sont les unités de sens qui répondent aux questions
précédées du pronom interrogatif: Pourquoi ?. En règle générale, il s’agit de principes.
Bilan sur les modèles de connaissances en EIAH
Nous avons souligné que les propositions de Paquette concernant le typage des connaissances
sont relativement abordables, et notamment la façon avec laquelle représente un système de
connaissances complexes. S’il nous semble très bien fait d’un point de vue schématique, le
modèle proposé semble trop complexe à mettre en œuvre du fait de la difficulté de disposer de
solutions logicielles intégrant toutes les couches présentées dans ce système. Notre objectif
25
est de proposer un modèle réalisable en terme de développement, donc ici, intervient le
problème de mise en pratique d’une méthodologie qui facilite l’utilisation des scénario et qui
apporte de l’aide à un apprenant en situation d’apprentissage et qui trouve des difficultés pour
déterminer les causes d’un éventuel échec dans le parcours du scénario.
Les travaux de Joab proposent une typologie s’appuyant sur une démarche issue du monde de
l’intelligence artificielle. Le classement proposé fait apparaître des types de connaissances qui
sont aussi implicites lors de la manipulation d’une simulation, et qui ne peuvent pas être
exploitées facilement avec une solution logicielle. Sa proposition se base sur une approche
issue de l’intelligence artificielle. Or notre objectif voulu, se base sur une démarche tout à fait
contradictoire : se servir de l’automatique pour exploiter les connaissances mises en jeu dans
une simulation.
La proposition de Ciocoiu nous semble plus proche de nos objectifs. D’une part, elle se base
sur une démarche issue de l’automatique, et d’autre part elle porte sur la distinction de trois
types d’unités de sens (déclaratives, procédurales, déclaratives). Elle permet également
d’identifier l’appartenance d’une connaissance à un type donné. Pour ces raisons, nous nous
baserons principalement sur cette dernière proposition.
3.3. Une méthode de représentation des connaissances
Afin de rendre possible le traitement et l’utilisation des connaissances dans une situation
d’apprentissage quelconque, il parait utile d’identifier non seulement les types des
connaissances utilisés (comme nous l’avons fait au chapitre précédent), mais également de
décrire les relations qui permettent de les associer grâce à un modèle ou à l’aide de schémas.
Dans cette perspective, nous nous référons au modèle MOT déjà cité plus haut. Ce système de
Modélisation par Objets Typés proposé par [Paquette 1998], n’a pas été à l’origine
spécialement conçu pour être utilisé avec des simulateurs.
L’hypothèse principale à la base du système de représentation MOT est de rendre possible la
représentation de modèles complexes, à l’aide d’un petit nombre de types de connaissances et
de liens entre ces connaissances. Ces systèmes peuvent être aussi bien des systèmes
conceptuels, des processus (incluant la coopération entre agents), que des méthodologies ou
des théories. Ce système reprend la typologie de connaissances définie plus haut distinguant
26
d’une part les faits et d’autre part les connaissances abstraites (principes, procédures et
concepts).
Pour représenter les connaissances, le modèle MOT fait appel à un domaine spécifique de
connaissance (la géométrie), et propose de représenter les concepts sous forme de rectangles,
les procédures sous forme d’ovales et les principes sous formes de polygones. MOT définit
différents types de liens pour relier les connaissances :
•
l’instanciation (I)
•
la spécialisation (S)
•
la composition (C)
•
lien de précédence (P)
•
lien d’intrant/extrant (I/E) (c'est-à-dire Entrée/Sortie)
•
lien de réglementation (R).
Si l’instanciation, la spécialisation et la composition ont la même signification que dans
l’approche par objet en UML, le lien de précédence définit la question de l’ordre de
précédence entre les sous-procédures et procédures, les intrants/extrants représentent les
entrées et les sorties (données) d’une procédure ou d’un concept, le lien de réglementation
interagit pour réglementer la participation de plusieurs agents dans un même système.
La figure suivante récapitule les types de connaissances et les liens possibles à appliquer
ainsi que le résultat éventuel de l’association de ce lien à tel ou tel type de connaissance :
27
Figure 3.5: Symbolisme graphique du système MOT
A titre d’exemple, dans cette figure le premier lien (C) composition définit le fait qu’un
concept peut : 1- amener à produire un autre concept et également un exemple de ce concept.
2- être utilisé pour définir et réaliser une procédure. 3- peut être utilisé pour définir un
concept.
Afin de rendre plus fiable l’utilisation de ce système de représentation des règles d’intégrités
sont élaborées :
•
Une instance peut être une instance d’un concept, d’une procédure ou d’un principe. Elle
peut aussi être intrant ou extrant d’une procédure, mais elle n’est impliquée dans aucun
autre type de lien.
•
Un concept peut-être une sorte de concept, peut se composer d’autres concepts, de
procédures ou de principes; il peut-être intrant ou extrant d’une procédure.
•
Une procédure peut être une sorte de procédure, se composer de procédures ou de
principes de contrôle, ou encore précéder une autre procédure ou un principe.
•
Un principe peut être une sorte de principe, peut régir une procédure ou un concept, se
composer d’autres principes ou de procédures et aussi précéder (ou suivre) une procédure.
28
Afin de faciliter la compréhension de ce système, nous présentons ci-dessous un cas
d’utilisation appliqué à un exemple de rédaction d’un document textuel dans une situation où
il existe trois types de participants (agents) : l’agent coordinateur, les agents rédacteurs et
l’agent éditeur.
Cahier de
charge
C
I/E
Plan et
gabarit
C
R
Principes
de conception
collaborative
I/E
C
C
Agent
coordonateur
Faire le plan
C
Rédiger un
texte en
équipe
Documents
initiaux
I/E
Répartir les
sections
I/E
Plan de
réalisation
C
Agent
rédacteur
I/E
Rédiger les
sections
C
I/E
Brouillon
R
Principes
de rédaction
I/E
Réviser et
reformuler
I/E
Version
finale
Agent
éditeur
C
I/E
Principes
d’édition
Éditer et
imprimer
Figure 3.6 : un processus de rédaction avec trois types d’agents
Cet exemple nous montre l’efficacité du système MOT pour représenter les connaissances
utilisées et produites dans le cadre d’une tâche déterminée. Si cette tâche faisait l’objet d’une
simulation, il serait possible de modéliser les connaissances mises en jeu dans la simulation et
de définir un scénario d’apprentissage de la tâche en question (ici la rédaction d’un document
textuel), tout en reliant connaissances, tâches et transitions entres tâches.
Le modèle MOT nous donne déjà quelques pistes sur la représentation des connaissances dans
le cadre d’une simulation. Même si d’un point de vue réalisation, l’intégration dans le cas
d’un simulateur peut paraître très complexe, l’auteur ne définissant pas de méthode et de
solution logicielle pour mettre en œuvre le modèle.
29
30
4. Le diagnostic en systèmes physiques
4.1. Introduction
Le diagnostic en système physique représente un domaine de recherche très développé et se
base principalement sur des démarches issues du monde des mathématiques. Il s’intéresse en
général à la résolution des problèmes de dysfonctionnement dans les systèmes physiques et
principalement en automatique.
Un diagnostic est un ensemble d’hypothèses sur l’état des composants d’un système physique,
hypothèses permettant de lever les conflits observés sur ce système (comportements
anormaux), et d’identifier les défaillances qui ont causé ces conflits.
Capteurs de comportements ou
d’états du système
Défaillances dans le
système / composants
défaillants
d’
Variables connues du
système
Diagnostic
Figure 4.1 : Le diagnostic en systèmes physiques
Comme l’illustre la figure ci-dessus, le diagnostic d’un système physique peut être considéré
comme une boîte noire recevant en entrée des informations sur le comportement ou l’état des
composants du système physique (qu’il s’agisse d’un moteur électrique, d’un circuit
électrique, d’une combinaison de plusieurs moteurs, etc.). A partir de ces informations
matérialisées par un ensemble de variables connues, on produit en sortie un rapport portant
sur les composants défaillants qui ont pu causé les pannes. Il existe plusieurs méthodes pour
réaliser une telle opération. Dans le cadre de notre collaboration, nous avons choisi la
méthode proposée par le laboratoire LAG, méthode basée sur une solution mathématique.
4.2. Petit Glossaire
Pour se familiariser avec la terminologie utilisée chez les automaticiens dans ce domaine, il
s’avère utile de faire le point sur les définitions de quelques nouveaux termes. En nous basant
31
sur les travaux de [S.Ploix et S.Giuliani 2000] et [F.Ly Z.S.Abazi J.B.Leger 1999], nous
proposons les définitions des termes suivants.
4.2.1. Processus
C’est un ensemble de phénomènes organisés dans le temps rapportés à un même système
physique et qui peuvent concerner plusieurs composants de ce système.
4.2.2. Modèle
Le modèle d'un système physique est une description schématique de sa structure physique
avec en plus les modèles de chacun de ses constituants.
4.2.3. Défaillance
Puisque la notion de défaillance est fondamentale en diagnostic, elle réclame une grande
rigueur lors de sa définition. La défaillance fait référence à l'état d’un système physique ne
remplissant plus les fonctions pour lesquelles il a été conçu ou bien alors à l’altération ou la
cessation de l'aptitude d'une entité spécifique à accomplir une fonction requise. Après la
défaillance d’une entité, celle-ci est souvent en état de panne. La défaillance correspond au
passage d’une entité d’un état de fonctionnement normal à un état de fonctionnement anormal
ou de panne. Elle peut aussi être définie comme suit :
•
Anomalie fonctionnelle au sein d'un système physique.
•
Etat d'incapacité d’un composant du système à réaliser une fonction normale de façon
adéquate.
•
Interruption permanente de la capacité d'un système à assurer une fonction requise dans
des conditions opérationnelles spécifiées.
4.2.4. Causes de défaillance
Ce sont les circonstances liées à la conception, la fabrication ou à l'emploi et qui ont entraîné
la défaillance.
4.2.5. Défaut
La notion de défaut est voisine de celle de défaillance : un défaut représente un écart entre une
caractéristique réelle d’une entité et la caractéristique voulue, cet écart dépassant des limites
32
d'acceptabilité. Un défaut dans le système n’affecte pas en général l’aptitude du système à
accomplir une fonction requise. Par conséquent, un défaut ne conduit pas toujours à une
défaillance. De ce fait, le défaut est vu comme une opinion sur le bon fonctionnement. Par
contre une défaillance conduit systématiquement à un défaut.
4.2.6. Symptôme
Un symptôme est caractérisé par un ensemble d'observations en provenance d'un système
physique ; elles peuvent être brutes ou synthétisées en une information plus facilement
exploitable. Un symptôme est donc un signe distinctif d'un état fonctionnel anormal : il révèle
donc la présence de défaillances.
4.2.7. Diagnostic (détection, localisation et identification de défauts)
L'opération de diagnostic est souvent décomposée en plusieurs étapes, la première d'entre
elles est baptisée "détection de défaut", elle définit la génération de symptômes à partir des
observations et des modèles de comportement disponibles. La détermination des défauts
apporte davantage d'informations que la détermination des défaillances pour remonter aux
éléments défaillants d'un système physique.
4.2.8. La localisation de défauts
C’est le deuxième niveau du diagnostic, déclenché par une procédure de détection, consistant
à déterminer de manière plus approfondie les composants défaillants, ou c’est le raisonnement
s'appuyant sur les symptômes mis en évidence lors de la phase de détection pour en déduire
les composants défaillants.
4.3. L’idée de base de la transposition
L’idée de ce travail, développé conjointement avec S.Ploix et de F.Michau du Laboratoire
LAG, se fonde sur les similitudes existant entre le traitement des défauts dans un système
physique et le traitement des défauts dans un système humain d’apprentissage. Nous
proposons donc de transposer les méthodes de diagnostic des systèmes physiques pour les
appliquer au diagnostic des systèmes d’apprentissage. La figure ci-dessous illustre les
analogies existant entre les deux modèles.
33
Diagnostic d’un système physique
Diagnostic d’un système d’apprentissage
Figure 4.2 : Transposition du diagnostic (système physique/système d’apprentissage)
Cette transposition s’appuie sur une décomposition en différents niveaux auxquels
correspondent les différentes opérations nécessaires pour réaliser ce diagnostic.
Nous comptons utiliser cette transposition pour enrichir le concept de scénario
d’apprentissage basé sur un modèle de tâches, en vue de détecter les défaillances dans les
connaissances de l’apprenant lors de sa manipulation. Pour ce faire, il a fallu proposer un
nouveau modèle de tâches qui inclue et classe de façon transparente les différents types de
connaissances pouvant intervenir lors de la manipulation de ce scénario. Ce modèle va nous
permettre d’appliquer un diagnostic sur ce système d’apprentissage.
4.4. Le choix de la méthode du diagnostic
Pour mettre en œuvre un diagnostic sur un système physique, nous sommes amenés à
appliquer une procédure bien précise, divisée en étapes clairement identifiées. Il n’existe pas
de méthode généraliste pour réaliser ce diagnostic, le choix de la procédure à appliquer
dépendant de la nature du système physique diagnostiqué. Dans le cadre de notre
collaboration avec le LAG, nous avons opté pour une méthode fondée sur une approche
matricielle développée au sein de ce laboratoire, sachant qu’il existe d’autres méthodes
graphiques plus complexes. Ce choix a été justifié d’une part par la fiabilité de la méthode qui
34
a été testée au LAG, et d’autre part par l’aptitude de l’approche matricielle à être mise en
œuvre rapidement, dans l’optique de vérifier la validité et la fiabilité de notre proposition.
4.4.1. Le principe de la procédure de diagnostic
Afin d’établir un diagnostic de son fonctionnement, un système physique en état de marche
(par exemple un moteur électrique) doit subir des tests de cohérence. Ces tests vont
éventuellement révéler l’existence de symptômes dont nous pourrons déduire l’existence de
défaillances. Enfin de ces défaillances, pourront être déduits les défauts de certains
composants (Cf. figure 4.2).
Toute procédure de diagnostic repose donc sur la notion de test de cohérence qui permet de
comparer :
•
d’une part les informations constatées sur l’état du système et les données recueillies à
partir des capteurs installés sur des composants choisis du système physique (ces
composants doivent correspondre à ceux désignés dans les modèles de comportements
normaux et de comportements anormaux types déjà connus auparavant sur ce systèmes)
•
d’autre part des modèles de comportements normaux et anormaux types
Figure 4.3 : Le principe du diagnostic
Si l’on reprend l’exemple du moteur électrique, un capteur peut être un capteur de vitesse, un
capteur de tension, etc. et une information recueillie peut être l’état de la partie électrique d’un
moteur, ou l’état du convertisseur, etc.
35
Après avoir effectué les tests de cohérence et repéré la présence de conflits, un raisonnement
diagnostique est mis en œuvre à l’aide d’une méthode mathématique basée sur le traitement
matriciel. L’application du diagnostic permet d’aboutir à un résultat présentant un ensemble
de possibilités d’éléments défaillants, classées par ordre de vraisemblance, de la plus probable
à la moins probable. De façon générale, étant donné la complexité des systèmes physiques
analysés, le diagnostic ne peut délivrer de certitudes et se restreint à cet ensemble classé de
probabilités.
En règle générale, les mesures prises par les capteurs contrôlant les différents composants du
système sont enregistrées de façon permanente. La procédure de diagnostic s’applique donc à
l’ensemble des mesures prises par les différents capteurs. Les comportements observés sur le
système ne sont pas déduits directement des mesures, mais à partir de relations
mathématiques appelées relations de redondance analytique. Ces relations sont elles-mêmes le
produit d’un ensemble de relations analytiques élémentaires, chacune d’entre elles étant
calculée à partir d’un capteur unique. Cette approche permet une meilleure détection des
comportements anormaux, notamment ceux matérialisés par les mesures conjointes d’un
ensemble de capteurs ayant les mêmes caractéristiques physiques.
4.4.2. La procédure de diagnostic
Nous allons maintenant illustrer la procédure de diagnostic à l’aide de l’exemple présenter par
[S.Ploix 2001]. Dans cet exemple, il s’agit de détecter les éventuels composants défaillants
d’un moteur électrique (machine à courant continu) en état de marche.
Figure 4.4 : Exemple d’un moteur électrique
Le Modèle d’un système = union des modèles élémentaires
Soit Ψi l’ensemble des indices des modèles élémentaires intervenant dans Ml (le modèle du
système), alors Ml s’écrit :
36




M l =  U Ri , I D i , ∧ h ( C k ) 
k∈ U Ωi
i∈Ψ l
 i∈Ψ l

i ∈Ψ l


∆


Ri = Ri  p , θ , x , y%, z 


Paramètres certains
Paramètres incertains
Variables physiques (potentiellement mesurables)
Information sur une variable physique (mesure,…)
Variables / paramètres de défaut
Les capteurs choisis nous donnent la définition du modèle élémentaire d’information de
chacun (ou la relation analytique élémentaire), ceux-ci vont constituer ensemble le modèle du
système, et nous donnent les relations de redondances analytiques possibles pour effectuer les
tests de cohérence. Dans cet exemple nous avons choisi 9 capteurs, ce qui donne le modèle du
système suivant :
A titre d’exemple, les deux modèles M4 et M’4 représentent la charge mécanique et M6 le
courant produit par le générateur. A chaque modèle élémentaire correspond une formule
physique précise. Le terme BF indique a priori le Bon Fonctionnement de chaque modèle
élémentaire. La notation ¬AN(x) (pour Non ANormal) indique que l’état du composant x
peut être considéré comme normal.
La seconde étape consiste à déduire les relations de redondances analytiques ;
- Définition : Une relation de redondance analytique (RRA) est un ensemble de relations
élémentaires ne faisant intervenir que des variables connues.
37
A partir de l’appartenance au même domaine de valeurs physiques (c'est-à-dire que une partie
des modèles élémentaires réagie ensemble avec un certain nombre de variables physiques
fixes), et à l’aide d’une méthode matricielle (détaillée dans [S.Ploix 2001]), nous avons pu
détecter l’existence de 8 RRA (relation de redondance analytique), ces RRA sont présentées
dans le tableau suivant selon les modèles élémentaires qui les identifient une par une :
Figure 4.6 : Tableaux des RRA
La troisième étape de la procédure consiste à effectuer un test de cohérence pour chaque
RRA, en faisant référence aux comportements normaux attendus pour chaque RRA, à la base
de l’ensemble des capteurs qui constituent cette RRA, pour détecter l’existence de conflits ou
non.
Supposons que les tests ont révélé la signature suivante :
RRA
1
2
3
4
5
6
7
8
Pas de conflit (N)
Conflit (C)
N
N
C
N
C
C
C
N
Figure 4.7 : Tableau des conflits observés
La quatrième étape de la procédure consiste à détecter les défaillances qui ont causé les
conflits observés en se basant sur le tableau des RRA et le tableau des conflits observés. Nous
déduisons le tableau suivant :
Figure 4.8 : Tableau du diagnostic
La figure (fig 8.3) nous montre d’après les conflits observés sur les RRA 3,5,6 et 7 et de leur
correspondance avec les modèles élémentaires qui les définissent, que :
38
•
les modèles élémentaires M3, M4 et M6 interviennent avec les 4 RRA où nous avons
détecté les conflits. Alors mathématiquement ces modèles représentent la cause la plus
probable des conflits observés du faite qu’il interviennent le plus.
•
Après en deuxième rang, il y a les modèles M2 et M9, ils interviennent dans 3 par mis les
4 RRA où nous avons observés des conflits.
•
Ensuite en troisième rang, le modèle M7 et M8 interviennent dans deux RRA par mis les
4 RAA où nous avons observé conflits.
•
Et enfin le modèle M1 et M5 sont les moins probables par mis tout les modèles, ils
interviennent dans une RRA par mis les 4 qui ont révélées des conflits.
Par conséquent, nous avons pu appliquer le diagnostic sur ce système physique et le résultat
sera présenté sous forme d’une liste classée par ordre de vraisemblance, du plus probable au
moins probable comme dans le tableau suivant :
Figure 4.9 : Résultats du diagnostic
Ici l’ordre 1 correspond au plus haut degré de vraisemblance, et au sein de chaque niveau, les
modèles possèdent le même degré de probabilité. Cet algorithme de diagnostic n’offre donc
pas la possibilité d’établir une classification des modèles appartenant au même niveau de
vraisemblance.
Le résultat sera exploité de la façon suivante : en premier lieu, on effectuera la recherche et la
restitution des défauts concernant les composants du niveau le plus probable (1), c’est-à-dire
la partie mécanique du moteur (M3), la charge mécanique (M4) et l’intensité du courant du
générateur qui alimente le moteur (M6). Si aucun défaut de ce niveau n’est détecté, on
vérifiera les composants du second niveau, et ainsi de suite.
39
4.5 Bilan
La procédure de diagnostic décrite ci-dessus est fondée sur une approche logique et
probabiliste. Basée sur un enchaînement d’étapes clairement défini, elle permet d’aboutir à un
résultat fiable. Si nous désirons transposer ce type d’approche au diagnostic d’apprentissage,
nous devons toutefois noter les points suivants :
•
toutes les mesures effectuées sur les capteurs du moteur sont enregistrées de façon
permanente (disponibilité simultanée des mesures). Or, dans un scénario d’apprentissage
le contrôle de l’activité de l’apprenant peut être effectué de deux façons :
-
par un suivi synchrone : à chaque étape que l’apprenant ne réussit pas à franchir, le
déroulement normal du scénario est stoppé pour le rediriger vers une autre étape ou lui
proposer autre chose. Dans ces conditions, il n’est pas possible de disposer des «
mesures » qui pourraient être effectuées lors des étapes suivantes et il devient
impossible d’appliquer l’algorithme du diagnostic en respectant la contrainte de
disponibilité simultanée des mesures.
-
par un suivi différé : l’apprenant termine complètement le scénario et après avoir
terminé, une évaluation de tout son parcours est effectuée pour diagnostiquer les
éventuelles causes d’échec. Dans ce cas, l’application de l’algorithme reste possible.
•
Le résultat du diagnostic peut donner une multitude de possibilités classées par ordre de
vraisemblance et dont le résultat n’est jamais certain. Ce caractère non déterministe paraît
être compatible avec les environnements d’apprentissage dans lesquels les systèmes
d’évaluation ne peuvent se risquer à donner des avis définitifs sur l’acquisition effective
des compétences
40
5. Les propositions
5.1. Introduction
5.1.1. Enrichir le contrôle pédagogique ?
Comme nous l’avons évoqué au chapitre 2, le but d’un scénario est d’assister l’apprenant dans
un contexte de résolution de problème. Basé sur une enchaînement d’étapes et de contrôles
jusqu’à un objectif final (fig 2.1), le modèle proposé permet d’assister ou de contrôler
l’apprenant dans l’exécution de ces tâches. Dans le contexte de ce DEA, notre objectif est
d’enrichir ce modèle essentiellement procédural en liant les tâches contrôlées aux objectifs
pédagogiques exprimés en termes de connaissance.
Lors des séances de manipulations d’une simulation, les formateurs sont la plupart du temps
physiquement présents avec les apprenant pour leur fournir une assistance. Cette assistance
peut par exemple consister à identifier les connaissances qui leurs font défaut lors d’une
fausse manipulation, comme « tu dois réviser telle partie de tel guide pratique, pour pouvoir
accomplir telle tâche ». Ce type d’assistance est lourde, coûteuse et exige de disposer d’un
nombre suffisant de formateurs. Il existe donc un réel besoin de fournir aux formateurs des
outils permettant d’assurer en partie de façon automatique ce type d’assistance. En effet, s’il
paraît possible de fournir un certain niveau d’assistance automatique, en revanche il semble
difficile de simuler et remplacer la totalité de la présence d’un formateur ou de son
expérience.
Dans le cadre des formations en autonomie où l’apprenant est confronté seul à une situation
d’apprentissage (sans formateur), la manipulation d’un scénario d’apprentissage peut lui faire
prendre conscience qu’il ne maîtrise pas de façon satisfaisante les connaissances nécessaires
pour accomplir la tâche attendue. Dans ce cas, un outil automatique d’assistance pourra
avantageusement détecter les connaissances qui lui font défaut. Cette assistance permettre
d’améliorer le processus d’apprentissage et rendre l’apprenant plus productif et plus efficace.
Or pour le moment, la majorité des propositions faites dans ce domaine n’intègrent pas ce
type d’outil dans les scénarios, essentiellement à cause de la complexité des modèles à mettre
en oeuvre et des méthodes associées. Seules quelques propositions issues du monde de
l’intelligence artificielle proposent une aide à l’exploitation des simulateurs sans pour autant
41
intégrer notion de scénario. Nous pouvons également noter ici que notre proposition se base
sur une approche très différente en s’appuyant sur une transposition de méthodes issues du
monde de l’automatique.
La complexité évoquée auparavant vient de plusieurs facteurs :
•
les connaissances qui peuvent intervenir lors de la manipulation d’un scénario sont très
variées et de types différents,
•
une même connaissance peut intervenir dans plusieurs étapes d’un scénario et souvent de
façons non ordonnée,
•
le passage d’une étape à une autre nécessite souvent des connaissances multiples
•
le problème de la définition d’une connaissance : qu’est ce qu’une connaissance ? quel
sont les types des connaissances ? comment représenter les connaissances dans un
scénario ? comment relier activités de l’apprenant (son passage d’une étape à une autre) et
connaissances mises en jeu dans un scénario,
•
la possibilité d’implémenter au niveau informatique la solution proposée
5.1.2. La solution proposée
Pour résoudre les problèmes évoqués, nous proposons un modèle pour la représentation des
connaissances dans les scénarios, ainsi qu’un outil intégrable à un scénario. Cet outil a pour
but de détecter les défaillances dans les connaissances de l’apprenant à l’origine d’une fausse
manipulation, en comparant le comportement réel de l’apprenant et le comportement attendu
de sa part.
Notre modèle pour la représentation des connaissances dans un scénario se base sur la
définition des différents types de connaissances qui interviennent lors de la manipulation d’un
scénario. Il montre comment distinguer les connaissances, donne un formalisme pour leur
représentation en différents couches et montre comment relier connaissances et activités de
l’apprenant lors de la manipulation d’un scénario.
La méthode proposée pour aider l’apprenant à identifier les défaillances dans ses
connaissances lors de l’exécution incorrecte d’un scénario, se base sur la transposition du
diagnostic en système physique pour l’appliquer sur un système d’apprentissage. Comme
nous l’avons montré dans le chapitre 4, cette transposition parait cohérente au vu des
42
analogies que nous avons définies entre les deux types de systèmes. Il nous reste à identifier
la méthode et les contraintes qui doivent être respectées pour mettre en œuvre la transposition.
Nous notons que notre proposition se limitera aux scénarios en mode évaluation pour les
raisons que nous avons évoquées dans la section 4.5 (problème de la disponibilité simultanée
des mesures). Les scénarios en mode apprentissage ne sont pas concernés par cette
transposition.
5.1.3. Le modèle de la proposition
Notre proposition se base sur l’intégration d’un outil qui ajoute à la fonction d’édition de
scénario la possibilité de représenter les connaissances de l’apprenant lors de la manipulation
de ce scénario. Pour pouvoir bénéficier de cette approche, nous proposons le modèle
permettant au concepteur de produire des simulateurs qui intègrent cette solution (fig.5.1)
Figure 5.1 : le Modèle de la proposition
Lors de la manipulation d’un scénario en mode évaluation, l’apprenant progresse dans le
scénario en franchissant des étapes successives. La transition entre les étapes nécessite qu’un
certain nombre de connaissances bien définies soient acquises par l’apprenant. Au fur à
mesure que l’apprenant franchit les étapes dans le scénario en manipulant l’interface du
simulateur, le module qui gère les scénarios recueille les informations sur chaque transition et
garde la trace du parcours de l’apprenant, en distinguant les transitions passées avec succès et
43
celles où l’apprenant a échoué. Après la fin de la manipulation du scénario, l’algorithme de
diagnostic fournira à l’apprenant une liste des défaillances dans ses connaissances classées par
ordre de vraisemblance depuis la plus probable jusqu’à la moins probable. Ce résultat sera
calculé grâce à une base de données référençant les connaissances nécessaires pour terminer
le scénario avec succès (comportement attendu).
L’objectif de cette solution est d’apporter davantage d’interactivité aux simulateurs en
assistant les formateurs et les apprenants dans le processus d’apprentissage.
5.2. Un formalisme pour la représentation des connaissances dans les
scénarios
Comme nous l’avons vu dans le chapitre 2, le scénario d’apprentissage tel qu’il est présenté
dans OASIS se base sur une situation initiale dans laquelle est placé l'élève au début du
scénario (état initial et consigne de scénario) et une séquence d'étapes à franchir par l'élève
se terminant par une dernière étape correspondant à l'objectif final à atteindre par l'élève. Une
étape est composée d’un état de la simulation à atteindre et d’un ensemble de situations
particulières à surveiller. Ce peut être le cas de situations obtenues suite à des erreurs
typiques, des situations d'impasse, des situations de danger ou au contraire des situations
dénotant une approche particulièrement soignée de la question et que l'on souhaite
encourager. Ce modèle ne s’intéresse pas à représenter les connaissances mobilisées par
l’apprenant pour passer d’une étape à une autre, alors qu’il nous semble important de pouvoir
représenter ces connaissances en les liant avec ces transitions (fig 5.2).
Figure 5.2 : Représentation des connaissances dans une étape d’un scénario
Nous voulons ici modéliser les connaissances requises pour franchir une étape d’un scénario,
en définissant les connaissances qui correspondent à un comportement-type attendu de la part
44
de l’apprenant. Ces connaissances peuvent être de plusieurs types et peuvent intervenir dans
un ordre non déterminé et non obligatoirement explicite pour l’apprenant. En généralisant,
chaque étape du scénario peut être représentée de manière identique. La définition des
connaissances requises pour accomplir les étapes d’un scénario doit être effectuée par des
formateurs experts du domaine à l’aide des concepteurs des simulateurs.
Comme le montre la figure ci-dessus, nous proposons donc un modèle permettant la
représentation des connaissances dans les scénarios, en étendant le modèle proposé dans
OASIS. Notre modèle distingue cinq types principales de connaissances et relie ces
connaissances avec l’activité de l’apprenant.
5.2.1. Les types des connaissances dans le modèle
Lors de la manipulation d’un scénario, l’apprenant va mobiliser un certain nombre de
connaissances pour effectuer les tâches attendues. Certaines de ces connaissances ont déjà été
acquises avant de commencer le scénario, à partir de cours d’enseignement, de travaux dirigés
ou pratiques, de lectures constructives ou de situations similaires d’apprentissage. Mais pour
réaliser les tâches définies par le scénario, l’apprenant doit également faire appel à des
connaissances davantage liées au contexte de la simulation et aux objectifs du scénario ; il
doit comprendre la consigne de départ de ce scénario et il doit disposer des connaissances
accessibles directement depuis l’interface du simulateur avant ou lors de la manipulation du
scénario.
Afin de pouvoir exploiter et représenter ces connaissances, nous proposons la définition
suivante de la notion de connaissance dans notre contexte :
« Une connaissance prend la définition macroscopique du terme, du fait une connaissance ne
peut pas se résumer en l’équivalence d’un mot mais se définit par l’équivalence de la
compréhension, de l’idée ou du savoir qu’elle procure ».
Par exemple, dans le domaine de l’électricité, le terme « tension » ne peut pas être représenté
seul comme connaissance, car il ne définit pas une idée qui peut aider à la résolution d’un
scénario, il ne procure pas un savoir et n’assure pas une compréhension qui peut soutenir
l’action de l’apprenant. Par contre « savoir calculer la tension dans un circuit » représente une
connaissance qui aide l’apprenant dans la résolution de son scénario. Nous distinguerons donc
45
cinq types de connaissances : contextuelles, déclaratives, procédurales, stratégiques et
connaissances abstraites du simulateur.
5.2.1.1. Connaissances contextuelles
Les connaissances contextuelles concernent la (ou les) consignes du scénario, les informations
liées au contexte de la simulation et les conditions à respecter lors du scénario, comme par
exemple : « tourner ce bouton avant de tourner celui là ». La consigne dépend du contexte de
la simulation et de l’objectif du scénario, une consigne peut être seule ou composée de sousconsignes élémentaires, et peut être selon le contexte :
•
une seule consigne donnée au départ et valable pour tout le scénario.
•
une consigne globale au départ s’appliquant à la totalité du scénario et des sous consignes
à chaque étape du scénario.
•
uniquement des consignes élémentaires : après avoir franchi une étape, une autre consigne
doit être respectée pour la prochaine étape. Ce mode est peu utilisé.
5.2.1.2. Connaissances déclaratives
Ce sont les unités de sens qui répondent généralement aux questions précédées des pronoms
interrogatifs : Quoi, Que, Qui et Qu’est-ce. Il s’agit en général de définitions et de
descriptions. Ce type de connaissance fait référence aux connaissances factuelles que nous
pouvons présenter oralement. Ces connaissances se caractérisent par le fait qu’elles sont chez
nous en mémoire à long terme. Par exemple : « Un condensateur est constitué de deux
conducteurs dont les surfaces en regard sont proches l'une de l'autre et séparées par un
isolant. Les deux conducteurs constituent les armatures du condensateur, l'isolant est son
diélectrique ».
5.2.1.3. Connaissances procédurales
Ce sont les unités de sens qui répondent aux questions précédées du pronom interrogatif :
Comment. Elles représentent en général un savoir-faire formulé en termes de méthodes ou de
procédures. Ce type de connaissances est communicable implicitement et peuvent se réaliser
si un ensemble de conditions est remplie. Par exemple : « Pour fermer tel disjoncteur, il faut
s’assurer que les appareils sont éteints, débrancher les appareils et puis fermer le disjoncteur
». Bien que ce type de connaissances soit complexe à décrire, il est très largement utilisé et
46
correspond à un objectif essentiel du processus d’apprentissage consistant à vérifier la mise en
pratique effective des connaissances.
5.2.1.4. Connaissances stratégiques
Ce sont les unités de sens qui répondent aux questions précédées du pronom interrogatif:
Pourquoi. Il s’agit en général de principes. Par exemple : « loi d’Ohm : à température
constante, la tension aux bornes d'un conducteur ohmique est proportionnelle à l'intensité du
courant qui le traverse ». Ainsi, ce type de connaissances peut servir de base à la définition de
la stratégie de la résolution du scénario lorsque il existe une multitude de choix à faire.
5.2.1.5. Connaissances extraites du simulateur
Ces connaissances sont très importantes pour accomplir un scénario, et définissent les
connaissances relatives au simulateur accessibles à travers l’interface manipulée. Elles
peuvent concerner l’identification des objets à manipuler ou l’identification de l’état de
certains composants du simulateur pouvant être utiles à la manipulation du scénario. Par
exemple « connaître que un condensateur est représenté sur l’interface su simulateur par
deux petites plaques parallèles ».
5.2.2. Le formalisme de représentation proposé
En nous basant sur les définitions précédentes, nous proposons le formalisme suivant pour
représenter les connaissances dans les scénarios (fig 5.3). Un scénario possède toujours un
état initial, des états à franchir et un état final à atteindre, la manipulation du scénario se base
sur une ou plusieurs consignes :
47
Contextuel
Consigne
Principale
Déclaratif
Procédural
K2
Consigne
élémentaire
K3
K2
K1
K5
Stratégique
K4
Connaissances
extraites du simulateur
Kn
K6
K7
Actions
K n+1
Agir
Agir
Etats
Etat initial
K4
T1
E1
T2
Agir
E2
En
Tn
Etat final
Figure 5.3 : Le formalisme de représentation de scénario
Notre modèle propose une représentation du scénario en couches afin de pouvoir représenter
le plus clairement possible les différents composants interagissant avec le scénario. Dans cette
figure, nous remarquons que :
•
Les connaissances contextuelles, déclaratives, procédurales, stratégiques et les
connaissances extraites du simulateur sont représentées au sein d’une couche spécifique.
•
K1, k2, … représentent les connaissances ; chacune est classée dans le niveau qui lui
correspond.
•
E1, E2,… représentent les états par lesquelles l’apprenant doit passer pour atteindre
l’objectif du scénario.
•
T1, T2,…représentent les transitions entre états et correspondent aux étapes du scénario.
C’est en s’appuyant sur un nombre défini de connaissances que l’apprenant décide d’agir
pour passer d’un état à un autre, c'est-à-dire pour franchir une étape.
•
Une même connaissance peut intervenir dans plusieurs étapes du scénario.
Dans cette proposition, le modèle de tâches qui représente les états sur lesquels l’apprenant
doit passer est similaire à celui proposé par OASIS, l’apprenant commence par un état initial
48
et transite entre états jusqu'à l’état final. Le contrôle qui peut être associer à chaque transition
(étape) n’est pas exprimé ici et ça veut pas dire que nous l’avons exclut.
A titre d’exemple pour passer de l’état initial à l’état (E1), l’apprenant doit en premier lieu
connaître la consigne, puis s’appuyer sur les connaissances K1, K2, K3 et K4 qui sont des
connaissances procédurales, déclaratives et contextuelles, mais également sur la connaissance
K7 extraite du simulateur.
Comme nous l’avons précisé pour le modèle de diagnostic en systèmes physiques présenté au
chapitre précédent, il n’est pas possible d’établir de priorité entre les connaissances
(procédurales, contextuelles et déclaratives) nécessaires au franchissement d’une étape. Ceci
ne correspond sans doute pas au raisonnement de l’apprenant pour lequel les connaissances
sont structurées de façon hiérarchique (la compréhension de la consigne prime sur les autres
types de connaissances). Cette limitation devra être étudiée dans des recherches à venir.
Ce formalisme nous semble plus au moins complet, reste à vérifier s’il peut être utilisé avec
n’importe quel scénario que se soit du mode apprentissage ou du mode évaluation. Or la
transposition du diagnostic des systèmes physiques ne s’applique que sur les scénarios du
mode évaluation.
5.3. La transposition du diagnostic
En se basant sur le modèle précèdent, présenté en dessus (fig 5.1) nous allons définir
comment appliquer la nouvelle approche sur un système d’apprentissage basé sur les
scénarios.
5.3.1. La transposition
Nous avons vu au chapitre 4 que la première étape de l’algorithme du diagnostic consiste à
détecter l’existence de symptômes après avoir effectué des tests de cohérences. Ces tests
doivent être définis en précisant les modèles élémentaires du système (Mi) et les RRA
associées.
Dans le système physique, les modèles élémentaires représentent les capteurs et le résultat du
diagnostic va nous révéler des défaillances dans ces modèles élémentaires. Dans un système
d’apprentissage (scénario), le but de l’application de diagnostic consiste à mettre en évidence
des éventuelles défaillances dans les connaissances de l’apprenant lors de ses manipulations.
49
Nous considérerons donc les modèles élémentaires comme les connaissances mises en jeu
dans le scénario.
Dans un système physique, les RAA correspondent à des ensembles de relations élémentaires
ne faisant intervenir que des variables connues et sont calculées à l’aide de méthodes de calcul
matriciel. Dans un système d’apprentissage, nous avons établi en collaboration avec le
laboratoire LAG, que les RRA correspondront aux transitions entre les états du scénario.
En nous basons sur les remarques de ressemblances, entre un système physique et un système
d’apprentissage, nous avons déduit en collaboration avec le laboratoire LAG, le fait que dans
ce cas de systèmes d’apprentissage, les RRA représentent directement, les transitions entre
états du scénario, du fait que les connaissances sont associées directement à ces transitions. Or
dans les système physique les RRA représentent l’association d’un ensemble de modèles
élémentaires (après calcul matriciel)-chapitre 4-.
Dans un système physique, les mesures effectuées sur les capteurs étant réalisées en
permanence et de façon simultanée, le diagnostic reste à tout moment cohérent en prenant en
compte la totalité des informations disponibles. Il n’en va pas de même dans le modèle que
nous proposons où les RRA correspondant aux transitions entre états ne sont disponibles
qu’au fur et à mesure de l’avancement de l’apprenant. De ce fait, un diagnostic ne pourra être
effectué de façon cohérente que sur les scénarios basés sur le mode évaluation n’interrompant
pas l’activité de l’apprenant dans sa progression (comme c’est la cas en mode apprentissage).
Une fois ces précisions apportées sur la définition des modèles élémentaires et des RRA,
l’application de l’algorithme de diagnostic reste identique à celle avec les systèmes physiques.
Pour examiner plus en détail l’application de cette méthode de diagnostic sur un scénario,
nous allons analyser les deux étapes de modélisation et de résolution.
5.3.2. La modélisation
La modélisation est identifiée en deux parties :
La première partie consiste à modéliser le scénario, en représentant les connaissances mises
en jeu à l’aide de notre formalisme de représentation des connaissances dans les scénarios.
Cette modélisation nous donnera un schéma complet du scénario avec les connaissances.
50
Considérons un apprenant en train de manipuler un scénario en mode évaluation. Afin de
détecter les défaillances dans ses connaissances lors d’une fausse manipulation, nous
procédons à appliquer le diagnostic sur ce scénario, pour le faire la deuxième partie est
d’identifier les connaissances mises en jeu dans ce scénario ainsi que les RRA qui
correspondent aux transitions entre états. Dans cette partie nous reprenons exactement le
schéma de modélisation du scénario avec les connaissances mises en jeu, et obtenu comme
montrer ci haut dans la première partie, il sera après, très facile d’identifier les RRA et les
connaissances mis en jeu dans ce scénario.
Identifier les modèles élémentaires (connaissances mises en jeu dans le scénario) ainsi que les
RRA correspondant aux transitions entre états dans le schéma qui présente le formalisme de
représentation (fig.5.3), donnera les résultats suivants :
- Les RRA seront T1, T2, ….., Tn
- Et les connaissances seront : la consigne globale, la consigne élémentaire, K1 , K2, ….., Kn.
Pour illustrer comment faire l’étape suivante (la résolution), nous allons se servir de ces
résultats juste pour appliquer cette étape sur le cas général et par conséquent montrer le
principe. Plus de précisions seront données dans le chapitre suivant (expérimentations).
5.3.3. La résolution
Après l’étape de la modélisation qui permet d’identifier les RRA et les modèles élémentaires,
nous procédons à l’application de l’algorithme en respectant les mêmes étapes que celles
décrites pour les systèmes physiques. Ces étapes seront les suivantes :
•
définition du tableau des RRA : dans ce tableau, les RRA (transitions) figureront dans les
colonnes, et les connaissances (modèles élémentaires) dans les lignes ;
•
remplissage du tableau en cochant les cases où la connaissance est nécessaire à la
transition (franchissement de l’étape).
•
définition du tableau des conflits observés fondé sur les transitions où l’apprenant n’as pas
réussi le passage.
•
déduction du tableau du diagnostic puis de la liste des défaillances dans les connaissances
de l’apprenant classées par ordre de vraisemblance, de la plus probable à la moins
probable.
51
A titre d’exemple, la matrice des RRA de l’exemple précédent sera la suivante :
Après nous définissons le tableau des conflits observés, par exemple : l’apprenant n’as pas su
passer la transition T1 et T 2, alors nous fondons la désignation du tableau du diagnostic
seulement sur ces deux RRA où l’apprenant a fait des fausses manipulations, et nous
déduisons les défaillances comme montrer dans la section 4.4.2.
5.4. Bilan
Nous avons proposé une transposition des méthodes de diagnostic en système physique vers
le diagnostic sur un scénario d’apprentissage. Malgré certaines restrictions que nous avons
soulignées, le modèle proposé paraît cohérent. Mais, il reste à prouver son efficacité dans le
contexte d’une expérimentation dans des situations concrètes d’apprentissage. C’est ce que
nous allons aborder dans le chapitre suivant où nous présenterons deux exemples réels
d’expérimentation des formalismes proposés.
52
6. L’expérimentation
Après avoir défini notre modèle, nous allons détailler deux exemples de mise en pratique de
notre proposition. La première expérimentation a été réalisée en collaboration avec le
laboratoire LAG, et la seconde, menée en collaboration avec le laboratoire LAG et la société
CORYS-Tess, nous a offert la possibilité d’être confronté à un cas réel rencontré dans
l’industrie. Cette deuxième expérimentation, qui concernait plus précisément la formation à la
conduite de réseaux électriques, nous a amenés à étudier des simulateurs existants ainsi que le
contexte de leur utilisation au sein d’un centre de formation de EDF à Bugey près de Lyon
(détails sur l’annexe).
6.1. Première expérimentation : l’exemple du schéma électrique
6.1.1. Définition du scénario
Pour notre première expérimentation, nous avons choisi de commencer par un exemple basé
sur un scénario simple, contenant peu d’étapes et ne faisant appel qu’à un nombre limité de
connaissances. Nous nous sommes tournés vers un exemple d’école concernant l’électricité,
domaine dont les connaissances nous étaient plus ou moins familières. Il s’agit donc de
simuler le fonctionnement du schéma électrique suivant :
Figure 7.1 : le schéma électrique
Nous disposons donc d’un circuit électrique, alimenté grâce à deux sources d’énergie : V1=
10 v et V2=1000 v. Il est possible de basculer sur l’un ou l’autre des sources d’énergie à
l’aide de l’interrupteur IT3. Comme le montre le schéma, le circuit est composé de trois
53
résistances R1=20 Ω, R2=1000 Ω et R3=20 Ω, et également de deux autres interrupteurs IT1
et IT2.
Supposons le scénario défini par la consigne et la stratégie suivantes :
Consigne :
Stratégie :
Le circuit présenté est
actuellement alimenté
par une source de
10V. Pour des raisons
techniques, cette
source ne sera plus
disponible dans
quelques minutes.
Votre tâche est donc
de basculer sur 1000V
en respectant quelques
contraintes.
L'apprenant devra
atteindre l'objectif
en veillant à :
- ne pas basculer les
interrupteurs dans
un ordre
quelconque
- ne pas passer sous
1000V avant
d'avoir mis les
interrupteurs en
bonne position
Objectif
opérationnel:
I1 doit être ouvert
I2 doit être fermé
I3 doit être en
position 1000V
7.2 : Consigne et stratégie de résolution
A l’état initial, dans le circuit V0=10 v (IT3 à 10 v), IT1 est fermé et IT2 est ouvert.
Logiquement pour arriver à l’état final il existe trois étapes; qui nous amènent à parcourir
quatre états, ces états définissent le scénario comme suit :
Etat 0 : V0= 10 v, IT1 fermé et IT2 ouvert. (Initial)
Etat 1 : V0= 10 v, IT1 fermé et IT2 fermé.
Etat 2 : V0= 10 v, IT1 ouvert et IT2 fermé.
Etat 3 : V0= 1000 v, IT1 ouvert et IT2 fermé. (Final)
Nous allons modéliser ce scénario en utilisant le modèle de transposition que nous avons
proposé, en représentant les connaissances requises pour passer d’un état à un autre.
Les états seront identifiés par des triplets de valeurs reflétant les valeurs de V0, IT1 et IT2
54
Ainsi (10,F,O) correspond à une source égale à 10V, IT1 fermé et IT2 ouvert. Les
connaissances sont annotées avec des lettres afin de faciliter leur traitement lors de
l’application du diagnostic.
Le modèle de ce scénario après modélisation selon notre proposition sera comme ci-dessous
(fig.7.3)
Contextuel
savoir que fermé
IT2 est autorisé
consigne
savoir que ouvrir
IT2 est autorisé
déduire que passé sur
1000 v est autorisé
savoir identifier
un interrupteur
Déclaratif
savoir appliquer la
loi d’ohm sur un circuit
Procédural
savoir simplifier un
schéma électrique
savoir appliquer les
lois de l’électricité
Stratégique
Connaissances
extraites du simulateur
connaître l’état
initial
Actions
Agir
Agir
Etats
Etat initial
(10,F,O)
E1
T1
Agir
E2
T2
(10,F,F)
T3
(10,O,F)
Etat final
(1000,O,F)
Figure 7.3 : La modélisation du scénario du schéma électrique
La figure ci-dessus représente la modélisation du scénario que nous avons défini sur le
schéma électrique. Il modélise les connaissances mises en jeu dans ce scénario et nous montre
comment relier les connaissances d’un apprenant à son activité. Cette approche est cohérente
en terme de représentation des connaissances : pour passer par exemple de l’état initial au
second état, l’apprenant doit : connaître la consigne, distinguer l’état initial, savoir appliquer
la loi d’Ohm, savoir identifier un interrupteur et enfin savoir que fermer IT2 est autorisé.
Nous distinguons dans ce scénario neuf connaissances et trois transitions entre états. Les
connaissances sont classées à chaque fois dans le niveau correspondant. L’annotation des
connaissances à pour objectif de faciliter l’utilisation de l’algorithme de diagnostic.
55
Comme nous l’avons détaillé dans le chapitre précédent, l’application du diagnostic sur un
scénario nécessite la définition des RRA. Ces RRA correspondent aux transitions entre états
et sont au nombre de trois dans notre exemple. Les modèles élémentaires du système
correspondent aux connaissance set sont au nombre de neuf. Nous pouvons donc déduire le
tableau des RRA suivant à partir de la modélisation effectuée précédemment.
A partir de ce tableau, nous pouvons dire que le passage avec succès de la transition T1 ne
peut pas supposer à lui seul que les connaissances A, B, E, F et I qui lui sont associées sont
acquises, du fait que par exemple, la connaissance F est utilisée aussi dans la transition T2.
Exemple : Si nous détectons un conflit sur T2 et T3 et pas sur T1, nous pourrons construire un
tableau du diagnostic qui sera identique à celui des RAA mais avec seulement les lignes T2 et
T3.
Le diagnostic va donner le résultat suivant : les connaissances G et H possèdent le plus haut
degré de vraisemblance, et viennent ensuite au deuxième rang les connaissances C, D et F.
Dans cet exemple, nous avons pu constaté que le diagnostic du parcours d’un apprenant
donnait sensiblement les même résultats que ceux fournis par un expert.
Nous pouvons donc considérer que notre proposition donne des résultats satisfaisants dans ce
type d’exemple, ce qui permet d’en valider la fiabilité avec des scénarios peu complexes ne
faisant pas appel à un grand nombre de connaissances.
6.2. L’exemple de « Manœuvre de liaison omnibus »
Dans le cadre de notre collaboration avec le LAG, nous avons effectué une visite au centre de
formation de EDF situé à Bugey près de Lyon. Cette visite nous a permis de prendre
connaissance des méthodes pédagogiques utilisées pour la formation des agents de EDF. Ce
56
type de formation est basé principalement sur la manipulation de simulateurs de réseaux
électriques (voir annexe). La formation s’appuis sur des séances de manipulation libre sur le
simulateur, mais également sur des séances guidées pendant lesquelles un scénario est
proposé à l’apprenant. Cette dernière approche permet d’assurer un meilleur apprentissage des
procédures à mettre en œuvre dans les situations réelles et de tester plus efficacement le
niveau atteint par chaque agent.
Dans ce cadre, EDF a mis au point une méthode « papier » permettant la description de tous
les scénarios nécessaires à la formation des agents travaillant dans les services de maintenance
des réseaux électrique. Chaque scénario est défini par deux fiches, la première fournissant sa
description générale et la seconde décrivant les étapes de son déroulement.
Afin de tester la validité de notre proposition, nous avons choisi un de ces scénarios les plus
complexes faisant appel à un grand nombre de connaissances. Vu la complexité de ce
domaine, la modélisation de ce scénario a été réalisée avec l’aide d’un expert du centre de
formation.
Ce scénario concerne « La manœuvre de liaison Omnibus », où Omnibus désigne un type de
liaison entre les composants d’un réseau électrique. Le scénario tel qu’il est décrit sur les deux
fiches est le suivant :
57
Fiche1 : Description « Manœuvre de liaison Omnibus »
Objectif :
•
•
•
•
Utiliser la liaison omnibus.
Différencier Disjoncteur et interrupteur.
Connaître les définitions de tronçon et section de barre.
Appliquer la règle des changements de barres.
Domaine abordé :
•
Changement de barres.
Pré requis :
•
•
Connaissances de l’exploitation des jeux de barres en régime normal.
Conditions des manœuvres des sectionneurs.
Application :
•
•
•
•
•
CCRT §4.5. Manœuvre de changements de barres, poste à 3 jeux de barres.
CGM p.33. Liaison Omnibus.
CGM p.29 Utilisation des sectionneurs
CGM §4.1.2, 4.1.3 Disjoncteur-Interepteur
CGM 4.1.5 Jeux de barres : tronçon, section.
Objets d’observation :
•
•
Respect de la méthode globale.
Vérification des consignes de manœuvre sur la fiche.
•
Vérification de position du disjoncteur omnibus avant manœuvre des sectionneurs
d’aiguillage.
Remarques : le CGM et le CCRT représentent deux manuels de référence chez EDF. Le CGM
(code général des manœuvres) définit les règles communes à tous les électriciens, le CCRT
définit les règles opératoires dans un réseau électrique (comment effectuer une opération).
58
Fiche2 : le Déroulement
Nous allons mettre hors tension le tronçon 1 B 255 kV à Ouville.
Je passe les ordres suivants à Ouville 225 kV :
- Ouvrir le disjoncteur de tronçonnement de barre 1- mise hors tension du tronçon 1B.
! Compte-rendu
Je passe les ordres suivants à Ouville :
- préparer la liaison omnibus sur tronçon 1B et 2 A, ou au pas à pas.
- Fermer le Sectionner d’Aiguillage barres 2 A de l’omnibus.
- Fermer le Sectionner d’Aiguillage barres 1 B de l’omnibus.
! Compte-rendu
- Fermer le disjoncteur de la liaison omnibus – mis sous tension tronçon 1 B.
! Compte-rendu
En vu de rendre libre d’aiguillage le tronçon de barres n° 2 B 225 kV.
Je passe les ordres suivant à Ouville 225 kV :
- Passer sur jeu de barres n° 1 les départs Vieux Chênes, Beville, Azay ou au pas à pas.
- Fermer les sectionneurs d’aiguillage barres 1 des départs Vieux Chênes, Beville,
Azay.
- Ouvrir les sectionneurs d’aiguillage barres 2 des départs Vieux Chênes, Beville, Azay.
! Compte-rendu
- Passer le couplage B 225 kV de barre 2 sur barre 1, ou pas à pas.
- Ouvrir le disjoncteur Couplage B 225 kV (3noeud)
! Compte-rendu
- Ouvrir le sectionneur d’aiguillage 21 Couplage B 225 kV.
- Ouvrir le sectionneur d’aiguillage 3 Couplage B 225 kV.
- Fermer le sectionneur d’aiguillage 1 Couplage B 225 kV.
- Fermer le sectionneur d’aiguillage 3 Couplage B 225 kV.
! Compte-rendu
- Fermer le disjoncteur Couplage B 225 kV(liaison, passage à 2 nœuds).
! Compte-rendu
En vus de mettre hors tension le tronçon de barres 2b 225 kV
Je passe les ordres suivants à Ouville 225 kV
- Ouvrir le disjoncteur de tronçonnement barre 2 225 kV (mise hors tension du tronçon
2 B 225 kV.
! Compte-rendu
Remarques : le déroulement du scénario précise ce qui doit se passer dans la réalité et est
découpé en étapes. La personne qui passe les ordres est le dispatcher (le chef) ; il passe ces
ordres à l’opérateur (l’agent), qui les exécute. A chaque fin d’étape, un compte rendu de ce
qu’a fait l’opérateur est établi afin de garder la trace de ces actions.
Pour modéliser ce scénario, il a fallu identifier les connaissances nécessaires pour appliquer
chaque action du scénario. Ces connaissances, référencées dans la fiche descriptive, sont
59
détaillées dans le CCRT et le CGM. Elles sont formulées sous forme de paragraphes de telle
sorte que chaque paragraphe définit une connaissance et peuvent être du type procédural,
déclaratif ou stratégique. Un paragraphe peut contenir jusqu’à plusieurs lignes.
Le scénario contenant de nombreuses étapes (12), nous présentons ci-dessous le schéma de la
modélisation sous la forme de trois sous schémas s’enchaînant de façon séquentielle (fig.7.4),
(fig.7.5) et (fig.7.6).
Figure 7.3 : la modélisation du scénario « Manœuvre de liaison Omnibus »
(sous schéma n°1)
60
(sous schéma n°2)
(sous schéma n°3)
61
Dans cette modélisation, les connaissances sont référencées selon la page ou le paragraphe où
ils se trouvent dans le CCRT et le CGM. Les identificateurs K1, K2, K3,… T1, T2, T3,…
permettent de manipuler symboliquement les connaissances et les transitions.
Dans le précédent schéma de modélisation, il existe 12 transitions et 10 connaissances qui
sont mises en jeu dans ce scénario. La première étape de la procédure du diagnostic consiste à
construire le tableau des RRA à partir du schéma de la modélisation. Comme le montre le
tableau suivant, nous obtenons 12 RRA et 10 modèles élémentaires correspondant aux
connaissances mises en jeu :
En fonction des conflits observés dus à des mauvaises manipulations sur le scénario, nous
pourrions facilement déduire de ce tableau le tableau de diagnostic et désigner les défaillances
les plus vraisemblables dans les connaissances de l’apprenant à l’origine des mauvaises
manipulations.
6.3. Bilan
L’expérimentation que nous avons réalisée à travers ces deux exemples nous confirme la
validité de notre proposition. Le formalisme de modélisation pour la représentation des
connaissances dans les scénarios a prouvé un certain niveau d’efficacité. Il est applicable avec
la majorité des scénarios tels qu’ils sont définis dans le modèle OASIS. Toutefois, le modèle
proposé exige d’identifier toutes les connaissances correspondant à chaque transition entre
états, ce qui est relativement complexe et nécessite la présence d’un expert du domaine, pour
pouvoir
62
Concernant la partie diagnostic de la proposition, nous remarquons qu’elle a donné
théoriquement des résultats satisfaisants, similaires à ceux que peut donner un expert du
domaine.
Il reste à tester l’implémentation effective du modèle proposé avec un simulateur. Dans le
cadre de notre collaboration avec le laboratoire LAG, un étudiant en DEA double cursus
Automatique a réalisé une maquette (réalisation avec MATLAB sous Windows) pour chacun
des exemples présentés ici, ce qui a permis de valider les résultats théoriques présentés ici,
vus les résultats satisfaisants remarquées.
63
64
7. Conclusions et perspectives
Dans ce projet de DEA, nous nous somme intéressés à l’apprentissage à l’aide des simulateur,
et plus particulièrement à la possibilité d’enrichir les fonctionnalités de suivi de l’apprenant.
A terme de ce travail, nous effectuons un bilan de nos travaux.
7.1. Bilan du projet
Notre problématique de départ était la suivante : lors de la manipulation d’un scénario
d’apprentissage, un apprenant peut échouer parce qu’un certain nombre de connaissances lui
fait défaut.
Nous avons désigné comme objectif de proposer un modèle qui favorise la détection de ces
carences afin de faciliter le suivi de l’apprenant par le formateur, qui pourrait par la suite
proposer les stratégies de remédiation qui s’imposent.
Nous avons réalisé un état de l’art conséquent portant à la fois sur les modèles de
représentation de scénario, sur les modèles de représentation et de classification des
connaissances, et nous avons également effectué une étude détaillée sur les caractéristiques du
diagnostic en systèmes physiques.
Nous avons proposé une solution qui répondait aux objectifs que nous nous étions fixés. Cette
solution se base sur deux étapes principales la modélisation et la résolution.
Afin de valider notre proposition, nous l’avons expérimenté dans deux contextes. Le premier
correspondait à un exemple d’école et le second à une situation industrielle concrète
relativement complexe. Les résultats de ces expérimentations ont été satisfaisants.
Une maquette a été réalisée au sein du Laboratoire LAG par un stagiaire en DEA double
cursus automatique et a permis de valider les résultats attendus.
7.2. Apports et perspectives
Nous avons proposé une solution théorique qui a été validée au moins partiellement sur des
exemples concrets et aussi par la réalisation de maquette. Cette solution propose l’intégration
d’un outil de diagnostic dans les scénarios d’apprentissages, afin de faciliter la détection des
65
carences dans les connaissances d’un apprenant rencontrant des difficultés lors de la
manipulation d’un scénario.
Une telle solution, si elle est intégrée par les concepteurs de simulateurs à grande échelle, peut
représenter des gains de productivité considérables en donnant une aide précieuse aussi aux
apprenants qu’aux formateurs.
Dans le cadre de la nécessité de certifier les formations assurées par des simulateurs au niveau
industriel qu’au niveau académique (voir annexe), notre solution également peut également
constituer une base de travail intéressante.
Enfin, nous pouvons remarquer que la difficulté essentielle de cette proposition réside dans le
fait qu’elle reste difficile à appliquer pour des scénarios complexes faisant appel à un très
grand nombre de connaissances.
Nous prévoyons dans le cadre de l’équipe ARCADE de continuer les travaux dans ce
domaine afin d’enrichir le modèle proposé.
66
Bibliographie
[Arcade 1999]
V. Guéraud, J-P. Pernin, J-M. Cagnat, G. Cortés
Environnement d’apprentissage basé sur la simulation, Propositions
d’outils auteur et expérimentations
Rapport de recherche, équipe ARCADE, CLIPS 1999.
[Bruner 1973]
J. Bruner.
Beyond the information given.
New York, Norton 1973.
[Cortes 1999]
Cortes Buitrago G.,
Simulations et Contrôle Pédagogique.
Thèse de doctorat, Université Joseph Fourier- Grenoble 1, 1999.
[Corys Document 1]
Exploiter le simulateur
SCAP -Dossier de spécificationDocument interne de la société CORYS T.E.S.S
[Corys Document 2]
Specification file
VUJPOSTE – Description of the interfaces –
Document interne de la société CORYS T.E.S.S
[C. Ciocoiu, S. Ploix
et F. Michau 2001]
C. Ciocoiu, S. Ploix et F. Michau
Environnement d’apprentissage coopératif pour élèves ingénieurs
Rapport de recherche. Laboratoire d’Automatique de Grenoble,
2001.
67
[F.Ly Z.S.Abazi
J.B.Leger 1999]
Terminologie Maintenance : bilan
Groupe de Recherche S.P.S.F. : Groupe de travail Maintenance
1999
http://www-lag.ensieg.inpg.fr/grp-spsf/bilan-maintenance.pdf
[J-M. Hoc 1998]
J-M Hoc
Types de connaissances et représentations
Cours traités de psychologie cognitive
http://tecfa.unige.ch/staf/staf-e/vanessa/staf15/psychocognitive.html
[Minski 1975]
M. Minski.
A framework for representing knowledge.
In P. H. Winston (ED.), THe psychology of computer vision. New
York: McGraw-Hill 1975.
[Newell et Simon
1972]
S. Newell & H. Simon.
Human problem solving.
Englewood Cliffs, NF: Prentice-Hall. 1972
[Paquette 1998]
Gilbert Paquette.
La modélisation par objets typés. Une méthode de représentation
pour les systèmes d’apprentissage et d’aide à la tâche.
Notes de recherches. Laboratoire LICEF. 1998.
[Pernin 1996]
PERNIN J-P.,
« MARS : un modèle opérationnel de conception de simulations
pédagogiques »,
Thèse de doctorat, Université Joseph Fourier-Grenoble 1,1996.
68
A. J. Romiszowski.
[Romiszowski 1981]
Designing Instructional System 1981.
Kogan Page London/Nichols Publising, New York, 415 pages.
[S.Ploix 2001]
Stéphane Ploix
Diagnostic des systèmes physiques - Méthodologies et quelques
méthodes -2001
http://www-lag.ensieg.inpg.fr/ploix/cours/diagnostic_files/Cours
diagnostic ISTG.pdf
[S.Ploix et
S.Giuliani 2000]
S.Ploix et S.Giuliani
Glossaire des termes usuels du diagnostic de défauts (étude)
Laboratoire LAG, INPGrenoble 2000.
http://wwwlag.ensieg.inpg.fr/ploix/glossaire/DiagnosticGlossaire.htm
[Tennyson et Rasch,
1990]
R. Tennyson.
Linking cognitive learning theory to instructional prescriptions.
Instructional Science, 17, pp. 369-385, 1990.
[West, 1991]
C. K. West, J. A. Farmer, P. M. Wolff.
Instructional Design, Implications from Cognitive Science.
Allyn and Bacon, Boston, 271 pages 1991.
[Winograd 1985]
T. Winograd.
Beyond the declarative/procedural controversy, in R.
J. Brachman & H. J. Lévesque (Eds), Readings in Knowledge
Representation. Morgan Kaufmann Publishers. 1985.
69
70
Annexe : les simulateurs des réseaux électriques
Dans cette annexe, nous allons présenter un compte rendu des travaux que nous avons menés
en collaboration avec la société CORYS T.E.S.S, les caractéristiques des simulateurs des
réseaux électriques développés par la société et principalement la fonction de scénario
proposée dans les fonctionnalités de ces simulateurs. Ainsi que les apports de notre travail
pour ce type de simulateurs.
1. Introduction
Implantée au cœur du polygone scientifique et technologique de Grenoble, CORYS T.E.S.S.
est spécialisée dans la conception et la réalisation d'outils pédagogiques pour la formation et
les études dans les secteurs de l’énergie, du transport et des procédés industriels. Elle propose
une gamme complète de solutions innovantes telles que simulateur, didacticiel multimédia,
formation et administration à distance. Ces services et outils de formation informatisés, sur
mesure et édités, bénéficient des nouvelles technologies du multimédia et de la simulation.
CORYS T.E.S.S. innove depuis 20 ans dans le secteur de l’énergie en proposant des
simulateurs adaptés aux besoins : de la production d’énergie au transport et à la distribution,
ce qui engendre la simulation de la production d’électricité nucléaire et thermique d’une part
et la simulation du transport et de la distribution d’électricité d’une autre part.
Compte tenu du contexte du DEA nous avons étudié seulement les simulateurs du transport et
de la distribution de l’électricité (simulateurs de réseaux électrique), afin de comprendre les
fonctionnalités offertes par la fonction de scénario dans ces simulateurs pour nous aider à
mieux comprendre les limites pratiques de notre proposition.
2. Les caractéristiques
2.1. C’est quoi un simulateur de réseau électrique
Un simulateur de réseaux électrique est une solution logicielle qui permet de comprendre les
principes de fonctionnement des installations simulées. Vu la complexité et la gigantesque
taille de ces installations (qui peuvent être un réseau complet d’un pays), la spécification et la
modélisation et la programmation des modèles qui assurent la réalisation de la simulation
71
exacte de la réalité représente des investissements de l’ordre de centaines de milliers d’Euro
pour chaque simulateur. Dans notre cas nous avons étudié des exemples de ces simulateurs :
- Simulateur de dispatching régional pour la région de Hebei (Chine).
- Simulateur générique de postes, technologie SCAP, avec EDF (France).
Ces deux simulateurs sont basés sur le même système et ils disposent la même interface et
presque les mêmes fonctionnalités. Un dispatching c’est là que des opérateurs spécialisés
surveillent et pilotent le réseau électrique, 24 heures sur 24. Pour cela, ils sont à l'écoute du
réseau afin d'ajuster les offres de production aux demandes de consommation. Le Réseau de
transport d'électricité comprend l'ensemble des lignes électriques à haute et très haute tension
et des postes de transformation qui relient les centrales de production d'électricité, les réseaux
de distribution, des sites industriels et même des réseaux électriques des pays voisins.
Vu la difficulté de la tâche demander de ces opérateurs, leur formation demande de plus en
plus de pédagogie et de pratiques, ce qui justifie l’importance de ces simulateurs.
2.2. Principe de fonctionnement
Afin de faciliter l’utilisation d’un simulateur, ceci a été conçu de telle sorte que l’opérateur
(l’élève) dispose d’un poste appelé « Poste Opérateur » et l’instructeur (le formateur) dispose
d’un poste appelé « Poste Instructeur ».
Opérateurs
Instructeur
Salle de Formation
Figure 6.1 : principe des simulateurs de réseaux électriques.
Le fonctionnement du poste opérateur dépend totalement du poste instructeur. La conduite est
réalisée à partir du poste opérateur sous la surveillance de l’instructeur qui visualise tout les
actions réalisées sur le poste opérateur en temps réel sur son poste instructeur.
72
Figure 6.2 : capture d’écran d'un simulateur de réseaux électrique (poste opérateur)
Le poste instructeur dispose des fonctionnalités suivantes : création et exécution de scénarios,
création et exécution d’exercices, gestion des mal fonctionnements, gestion des alarmes et
aussi les fonctionnalités de prise de mesures et de changement d’état des différents composant
du réseau. Le poste opérateur ne dispose que des fonctions d’exécutions d’exercices et de
scénarios et de prise de mesure par mis celles citées auparavant.
La mission de l’instructeur lors d’une session de formation est de conduire la séance
pédagogique durant laquelle il peut [Corys Document 1]:
•
Lancer, arrêter ou suspendre une simulation.
•
Modifier la vitesse de simulation.
•
Gérer les schémas d’initialisation de l’état initial du simulateur.
•
Confronter l’élève aux scénarios qui a réalisé hors simulation.
Il peut en simulation manoeuvrer les organes, condamner les organes, modifier les consignes,
les temporisations et créer des incidents. Notons que la simulation peut s’effectuer suivant
trois modes :
•
Mode libre : le simulateur réagit aux actions passées sur le poste instructeur et sur le poste
opérateur comme le réseaux réel.
•
Mode encadré : le simulateur réagit aux actions définies dans un scénario, ou aux actions
de l’opérateur si elle sont conformes aux actions prévues dans le scénario.
•
Mode cinéma : le simulateur effectue une suite d’actions définies dans un scénario sans
interruption possible de l’opérateur ou de l’instructeur.
73
2.3. Les scénarios
Un scénario peut être créé seulement par l’instructeur, [Corys Document 2] et peut être
exécuté par l’opérateur et l’instructeur. Un scénario est constitué d’un entête qui contient la
date de création, le nom et le schéma d’initialisation (du simulateur), il représente l’état de
départ du scénario. Il peut contenir plusieurs stages, chaque stage peut contenir une ou
plusieurs actions possibles sur des organes différents du simulateur. Des mal fonctionnements
peuvent être ajoutés pour qu’ils interviennent dans des délais précis et un stage peut contenir
un ou plusieurs chemin possible pour sa résolution. Pour passer à un stage il faut terminer le
précédent. La durée possible d’un stage peut être limitée par le temp. Un scénario peut être
exécuté soit en mode encadré soit en mode cinéma (avec la permission de l’instructeur) et la
consigne de départ est donnée à l’opérateur directement par l’instructeur en discutent.
Nous avons remarqué que malgré la complexité des scénarios que nous pouvons constituer à
l’aide du générateur de scénarios disponible, le contrôle pédagogique des actions réalisé par
l’apprenant (l’opérateur) se fait d’une manière très simple, à partir de l’IHM du simulateur au
fur à mesure de la validité des actions de l’apprenant sur l’interface. En cas de fausse action
l’apprenant n’as pas le choix de la refaire sauf avec accord de l’instructeur,
Figure 6.3 : le contrôle pédagogique de l’apprenant dans ces simulateurs
La figure (6.3) nous montre que le contrôle pédagogique de l’apprenant se fait d’une manière
assez simple. Dans le cadre de cette collaboration nous avons visité avec CORYS l’un des
centre de formation de EDF situé à Bugey près de Lyon, ce centre utilise un de ces
simulateurs de réseaux électriques (SCAP) pour la formation, nous avons assisté à des séances
de formations du personnel de EDF, ils étaient des opérateurs en cours de stage de recyclage,
ce centre accueil des stagiaire de toute la France, et l’utilisation de ce simulateur représente un
grand intérêt pour faciliter la tâche des instructeurs et pour permettre aux opérateurs de mettre
74
le point facilement sur tout les composant du réseaux électrique durant une ou deux semaines
de formation pour chaque section formée.
3. L’évaluation des compétences des opérateurs
3.1. L’enjeu de la méthode d’apprentissage
La figure (6.1) montre le cas réel de la façon avec laquelle se déroule une séance de formation
; les opérateurs sont sur leur poste opérateur, l’instructeur est sur son poste instructeur, les
opérateurs n’ont pas la possibilité de voir l’instructeur, qui lui peut voir et entendre la
discussion qui se déroule entre les opérateurs, la consigne de départ est donner par voie
normal (discussion), les opérateurs exécute en général des scénarios bien définie qui ont pour
but de donner une formation pratique sur la façon avec laquelle doit se dérouler une action
(notamment une série d’actions) dans un but bien précis et avec la vérification de certaines
conditions. En cas de fausse manipulation ou faute de coordination entre les opérateurs, le
scénario peut être arrêté par l’instructeur. Une période d’évaluation est faite chaque fin de
séance de formation en la présence des opérateurs afin de discuter les fautes commises. A ce
moment là les instructeurs et à l’aide de leur savoir-faire procède par expérience à déterminer
les défaillances probables dans les connaissances des opérateurs et à leurs favoriser la
documentation requise pour combler les connaissances capable de mettre à niveau leurs
compétences. Cette tâche malgré qu’elle soit réalisable, elle est très difficile à réaliser de telle
sorte que les instructeur sont face à deux niveaux d’évaluation : les compétences individuelles
des opérateurs et la compétence collective du groupe vis-à-vis aux missions qui seront
réalisées avec la participation de tout le groupe, elle représente aussi des pertes en termes de
durée de formation, et exige d’après les responsables de cette formation une amélioration des
outils du contrôle pédagogique et d’exploitation des scénarios afin de faciliter l’évaluation des
opérateurs.
3.2. Le problème de la certification des formations des opérateurs
Grâce à l'ouverture du marché de l'électricité, un consommateur éligible européen peut
acheter de l'Electricité partout en Europe.
L'électricité transite par les ouvrages de réseaux électriques, lignes haute et très haute tension
et postes de transformation. A tout instant, aiguiller le courant à travers ses installations et
assurer l'équilibre entre la demande d'électricité des consommateurs et l'offre des producteurs
75
devient de plus en plus une première occupation. La nécessaire coordination des flux
d'énergie met en œuvre le savoir-faire parfaitement maîtrisé du dispatching national et des
sept dispatching régionaux. Les opérateurs travaillent à partir de schémas informatisés des
zones qu'ils surveillent : ils ont sous les yeux la représentation de tous les ouvrages et leur état
de fonctionnement.
De cette façon, ils peuvent agir quasi instantanément en cas d'aléas ou de panne pour adapter
la configuration du réseau et permettre à tout moment le passage de l'électricité. En cas
d’incident causé par la faute d’un opérateur et qui occasionne des dommages par exemple
pour une société suisse d’électricité qui vende de l’électricité à des clients en Espagne, la
société suisse va demander des remboursements et à ce moment là c’est la formation des
opérateurs qui va être mise en cause. Cela montre la grande responsabilité d’un simple agent
opérateur et prouve que sa formation est devenue plus que jamais très exigeante. Pour cette
raison les centres de formation des agents de réseaux électriques cherchent à se doter d’une
certification de leurs formations à l’échelle international afin d’éviter d’éventuels problèmes
avec les sociétés qui gèrent les réseaux électriques.
3.3. Les solutions
La solution proposée pour certifier les formations des opérateurs, consiste à proposer des
cursus bien définis à la base d’un nombre fixe de scénario, par exemple pour certifier la
formation d’un agent opérateur il suffit de lui proposer des stages basés sur un nombre bien
défini de scénarios, le contenu de ces scénarios doit assurer d’apprendre les méthodes et
d’acquérir le savoir-faire nécessaire pour gérer avec toute responsabilité les tâches attendues
sur le terrain. Ces cursus de formation doivent eux aussi être certifiés par des organismes de
certification, afin de disposer de preuves de la pertinence des formations proposées en cas
d’incident.
3.4. Bilan
D’après la section 3.1 nous sommes convaincus de la nécessité d’introduire une démarche qui
aide les instructeurs dans leurs formations en améliorant les fonctionnalités des scénarios et
en premier lieu ; ajouter la fonctionnalité de la modélisation des connaissance de l’apprenant
dans un scénario d’apprentissage en se basant sur le contrôle de son activité afin d’améliorer
76
le rendement de la formation à l’aide des scénarios et par conséquent participer à
l’avancement des procédures de certification de ces formations.
77

version PDF

Transcription

Documents pareils

Synthèse des scénarios étudiés et justification

Météo France lance un simulateur de climat.

atelier creation video

Écrire un scénario

Fiche acteur et modalités d`utilisation dans le cadre du

MERELYBUI LD

EMERGENCY FIRST RESPONSE - ES-Asur

monter un club vidéo

Télécharger en PDF - Die Volkswirtschaft