1.
INTRODUCTION
Ce travail est réalisé dans le cadre d’un projet de recherche au sein du laboratoire
GDAC de l’Université du Quebec A Montréal avec une équipe pluridisciplinaire, dont
des experts logiciens, cogniticiens et dans le domaine des systèmes tutoriels intelligents.
Ce projet vise à construire un système tutoriel intelligent pour l’apprentissage du
raisonnement logique. Le but est de pouvoir aider les humains à accroître leur capacité
cognitive, leur rigueur intellectuelle, leur aptitude à faire des abstractions et leur sens
critique.
1.1. Problématique
Considérons une situation dans laquelle nous sommes devant une maison et le
propriétaire Mr X nous affirme que si l’on lance une pierre sur l’une des fenêtres de sa
maison, cette dernière se brisera; une semaine plus tard, Mr X nous appelle pour nous
dire que des enfants se sont amusés dans sa cour et ont lancé par accident une pierre sur
l’une de ses fenêtres. Instinctivement, nous conclurons que cette fenêtre s’est brisée.
Cette faculté de pouvoir conclure est appelée raisonnement qui est selon Peter A. [2], un
processus d’inférence permettant de tirer des conclusions à partir de faits, d’observations
et ou de déclarations. Considérant la même situation ci-dessus, supposons maintenant
qu’une autre semaine après, Mr X nous contacte pour nous dire qu’il vient de constater
que l’une de ses fenêtres est brisée. De manière instinctive nous conclurons que des
pierres ont été lancées ce qui est un raisonnement erroné car d’autres événements
peuvent avoir causé cet incident. Cette conclusion erronée est ce que l’on appelle en
logique un sophisme. Nous avons augmenté le poids de la première partie de
l’information (si on lance une pierre sur une fenêtre) que nous avait fournie Mr X. Il
existe d’autres types de raisonnement erronés que nous verrons en détail plus tard dans ce
mémoire. Des erreurs de raisonnement peuvent menés à des actions dangereuses ou non
prudentes. Imaginons le cas où il s’agissait plutôt d’une personne qui soit entrée par
effraction dans la maison, Mr X ne s’étant pas rendu compte déduit que c’est sûrement
une pierre qui a été lancée par une personne alors qu’un malfrat se trouve actuellement
dans la maison avec lui. Rare
Selon [1], le raisonnement est une partie intégrante de plusieurs autres processus
humains comme la perception (résultat d’une combinaison inductive entre les senseurs et
la mémoire), la catégorisation, la compréhension, la prise de décision, la résolution de
problèmes. Afin d’éviter de tirer des conclusions erronées, être de meilleurs raisonneurs,
il est important d’apprendre les règles de raisonnement valides et invalides qui découlent
de la logique. Savoir raisonner est donc une connaissance cruciale qui s’applique à la vie
de tous les jours et étant nécessaire à la survie et à l’estime de soi. Or ce raisonnement
logique qui peut sembler facile à acquérir de prime à bord, est un processus cognitif non
trivial et difficile à acquérir. En effet, de nombreuses expériences en sciences cognitives
montrent que des erreurs systématiques sont courantes dans l'usage du raisonnement
logique chez l'humain [3, 4]. Un certain nombre de questions se posent sur la manière
d'améliorer les compétences de l'humain dans ce domaine : Quels sont les éléments
impliqués dans l'apprentissage des compétences en raisonnement logique ? Quelles sont
les stratégies pour favoriser le développement de la compétence logique ? Est-il possible
d’envisager un cadre automatique pour accompagner les humains dans cette tâche ?
Quels sont les moyens que nous disposons à cet effet ? Les systèmes tutoriels intelligents
(STI) peuvent-ils aider? Est-ce qu’un tel système peut soutenir le raisonnement logique ?
Quelles seraient alors les caractéristiques d'un tel STI? Sera-t-il extensible à d’autres
types de raisonnement et de logique ? Rame
1.2. Hypothèse de solution
D’un point de vue scientifique, pourquoi vouloir construire un système capable de
soutenir l'apprentissage du raisonnement logique? D'une part, cette idée se fonde sur les
constats suivants :
- Une partie importante de la connaissance humaine relève du traitement de
l'information par des raisonnements [7],
- Le raisonnement logique occupe une place importante dans nos mécanismes de
raisonnement [8],
- Le raisonnement logique humain est plus souvent non classique que classique [10],
- En tant que machine cognitive en situation de lutte pour sa survie, l'humain tend à
faire des erreurs systématiques dans ses raisonnements logiques [8, 3],
- Ces erreurs étant dues à l'emploi de stratégies de découverte (inductives,
analogiques, adductives) dans un contexte de justification [10].
- Apprendre à raisonner logiquement, c'est apprendre comment fonctionne le
traitement cognitif de l'information, tout en apprenant les lois et procédures valides
du raisonnement logique, de manière inséparable [10].
- Les mécanismes cognitifs humains sont le produit de modules cérébraux
relativement autonomes mais également en interaction étroite entre eux.
D'autre part, les Systèmes Tutoriels Intelligents (STI) ont fait avancer la
compréhension de l'apprentissage en général [21, 22], mais ont aussi fait leurs preuves
quant à leur capacité de soutenir l'apprentissage du raisonnement en sciences,
mathématiques, et même en logique [18, 19, 20]. Ils offrent plusieurs services dont le
suivi du raisonnement de l'apprenant, la détection et le diagnostic des erreurs, et même
des démarches remédiatives à ces erreurs. Cependant, il existe des STI pour
l'apprentissage des sciences, mais très peu pour la logique. Les rares projets de STI de
logique ne sont principalement que des banques d'exercices sans base de connaissances
et sans modèle de compétence [16,17]. Nous pouvons formuler deux limites des STI
proposés en logique :
- Ils ne se fondent pas sur une élicitation des connaissances et structures logiques
essentiels au raisonnement, limitant ainsi leur portée explicative du raisonnement de
l'apprenant ;
- Ils ne se fondent pas sur des théories fondamentales de l'erreur de raisonnement
[16].
Nous nous proposons donc de développer un système tutoriel intelligent pour
l’apprentissage du raisonnement logique qui, en plus d’offrir les différents services cités
plus haut, lèvera les deux limites observés. Le système doit être capable de diagnostiquer,
accompagner l’apprenant efficacement dans son apprentissage du raisonnement, donner
des feedbacks constructifs, identifier les erreurs que font les apprenants et les corriger.
Rale
1.3. Objectifs :
Ce travail de maîtrise vise à construire un premier prototype de MUSE-Logique, un
système tutoriel capable de raisonner et pouvant aider au développement de la
compétence en raisonnement logique. Pour y arriver, plusieurs sous-objectifs doivent être
atteints :
- Élaborer une architecture du système basé sur l'architecture classique d'un STI [15] ;
- Éliciter et implémenter les structures du raisonnement notamment les règles
d'inférences valides et invalides (représentation de la connaissance du domaine [14])
;
- Intégrer des services fondamentaux, notamment le mécanisme de diagnostic cognitif
et les structures de connaissances sous-jacentes. A ce niveau, la nécessité d'intégrer
un catalogue des erreurs et d'utiliser un modèle probabiliste (réseau Bayesien [13])
mettant en liens les éléments de connaissances et de performances liés au
raisonnement, a été établi au sein de l'équipe Muse. Nos services de diagnostic
cognitif seront construits sur ces éléments ;
- Élaborer une stratégie de support métacognitif durant l'apprentissage afin
d'encourager l'autocorrection et la réflexion. A ce niveau, nos premières hypothèses
font entrevoir l'usage des méta-structures (ex : treillis de Boole pour la logique
propositionnelle) de la logique pour le traçage et la visualisation du raisonnement.
L'apprenant pourra à travers ces méta-structures observé l'évolution de son propre
raisonnement. On parle alors d'ouverture du modèle apprenant, une pratique
reconnue comme favorisant la métacognition [11, 12] ;
- Implémenter des règles tutorielles construites à partir des stratégies de tutoring qui
ont prouvées leurs efficacités [6] et sont largement utilisées dans des
environnements d’apprentissage. Nous nous aiderons également des règles
fondamentales de pédagogie. Rase
- Implémenter et évaluer MUSE-Logique pour le raisonnement déductif et la logique
propositionnelle dans un premier temps, puis par la suite intégrer les autres formes
de raisonnement logique (inductif, abductif etc…) ainsi que la logique des prédicats
et la logique flou.
L'intelligence artificielle est au cœur de ce projet car le système visé devra être avant tout,
un système expert logicien capable de produire des raisonnements valides et de les
expliquer, en tenant compte du modèle de l'apprenant et du contexte. Ce système de par
sa généricité, pourra être étendu à d’autres logiques et servira également de support au
développement d’autres types de raisonnement logique. Rave
1.4. Méthodologie
Pour le développement de ce système (Muse-Logique), nous avons eu la chance
d’avoir accès à l’expertise et la connaissance nécessaire. Bien évidemment, Le domaine
de l’ingénierie n’est pas négligé car la gestion du projet, le design, la conception et le
développement du STI se sont faits sur une approche pratico pratique d’ingénierie. Ainsi,
la méthodologie adoptée pour le développement de Muse-Logique est la méthode agile
([Link] Cette méthodologie était notre premier choix parce
qu’il a été prouvé que des projets réalisés en suivant cette méthode sont généralement des
projets réalisés dans un environnement de grande qualité et aboutissent presque toujours à
des résultats de grande qualité [5]. Sa particularité est que, premièrement elle est axée
principalement sur le facteur humain qui est l’agent principal du projet et deuxièmement
elle offre une gestion de temps et des livrables flexibles afin de prendre en compte les
nouveaux besoins au fur et à mesure. Cette dernière particularité est effectivement ce que
nous cherchons dans le projet car ce projet étant réalisé dans un cadre de recherche, est
caractérisé par de nouveaux besoins pouvant surgir à tout moment et qui ont tendance à
être modifier au fil du temps. Rame
A cet effet, nous procédons par étapes, c'est-à-dire fixons des objectifs à court
terme et commençons le développement sans perdre de temps. Chaque fois que l'objectif
fixé est atteint, on passe au prochain sachant que l’on pourra y revenir et ainsi de suite
jusqu'à ce que le but ultime soit atteint. En plus de la méthode agile, nous avons adopté
une approche participative, car ce projet implique toutes les parties prenantes nécessaires
pour déboucher sur un système valide et efficace tant du point de vue de son contenu que
de sa pédagogie. Muse-Logique est donc développé avec la participation conjointe des
informaticiens spécialistes des EIAH (Environnements informatiques pour
l'Apprentissage Humain) ainsi que des experts du domaine de la logique et de la
psychologie du raisonnement. L'ensemble des composants développés sont à cet effet
validés et argumentés par ces experts tout au long du processus.
1.5. Organisation du mémoire
Ce mémoire présente donc le développement de Muse-Logique, un système tutoriel
intelligent pour l’apprentissage du raisonnement logique. Il comporte 7 Chapitres dont le
premier est l’introduction. Le chapitre II présente la cadre théorique du mémoire à savoir,
la logique, le raisonnement logique et son apprentissage. Dans ce chapitre, nous
examinerons de plus près le raisonnement logique en tant que concept fondamental dans
notre étude. Le chapitre III présente le concept de STI, son intérêt, le pourquoi de son
choix mais également un état de l’art des systèmes tutoriels d’apprentissage du
raisonnement de la logique existants en s’attardant sur leurs points faibles. Après cet état
de l’art, nous présentons dans le chapitre IV les éléments d’architecture et de conception
de notre nouveau système, comment les différents modèles communiquent, les techniques
qui permettent au système de pouvoir raisonner, les éléments qui font de notre système
un système générique. Le chapitre V expose les stratégies de développement de Muse-
logique. Dans ce chapitre une attention particulière sera portée sur l’implémentation à
proprement dite, les techniques utilisées pour permettre au système de raisonner,
l’encodage des connaissances en logique, les résultats et des scénarios de
fonctionnement. Dans le chapitre VI nous présenterons les résultats des tests et
évaluations interne effectués sur le prototype et de Muse. Enfin, le 7ème et dernier
chapitre expose les perspectives et les travaux futurs que nous visons pour le projet. Rare
Liste des capitales de quelques pays :
Capitale Pays
Ottawa Canada
Washington D.C. USA
Paris France
Oslo Norvège
Panama Panama
Yaoundé Cameroun
Pékin Chine
Lisbonne Portugal
Pretoria Afrique du Sud
Caire Egypte
Rome Italie
Brasilia Brésil
Un tableau de raccourcis
Raccourci Sélection
Maj+ Haut Une ligne vers le haut
Maj+ Bas Une ligne vers le bas
Maj+ Gauche Le caractère à gauche du point d'insertion
Maj+ Droite Le caractère à droite du point d'insertion
Maj+ Ctrl+ Haut Du début du paragraphe au point d'insertion
Maj+ Ctrl+ Bas Du point d'insertion à la fin du paragraphe
Maj+ Ctrl+ Gauche Du début du mot au point d'insertion
Maj+ Ctrl+ Droite Du point d'insertion à la fin du mot
Fiche 1 : Alignement fait d’espaces
Sigle Nombre d’étudiants
INF1026 50
INF2355 35
DIC283 12
MHT 27
Fiche 2 : Alignement fait de tabulations
Sigle Nombre d’étudiants
INF1026 50
INF2355 35
DIC283 12
MHT 27
L’automne
L’automne est l'une des quatre saisons de l’année dans les zones tempérées. L'automne
suit l'été et précède l'hiver. Il existe plusieurs définitions de l'automne : astronomique (de
part et d'autre de l'équinoxe d'automne), météorologique (demi-saison se trouvant entre
les saisons chaude et froide), et calendaire (dont les dates varient selon les pays). Dans
l’hémisphère nord, l'automne se situe entre le troisième et le dernier trimestres de l'année
et dans l'hémisphère sud, il se situe entre le premier et le deuxième trimestres de l'année.
L'automne se caractérise par une baisse progressive des températures. Cette saison est
notamment marquée par un temps devenant progressivement plus nuageux, pluvieux et
venteux, parfois neigeux en fin de saison. Mais l'automne peut encore donner de belles
journées ensoleillées et douces notamment en début de saison. Plus tard dans la saison
jusqu'à la mi-novembre dans l'hémisphère nord ou jusqu'à la mi-mai dans l'hémisphère
sud, après les premières gelées, peut se produire ou pas du tout selon les années une
période de temps ensoleillé et radouci, qu'on appelle en Europe l'été de la Saint-Martin
(fêté le 11 novembre) et en Amérique du Nord l'été indien.
En automne, les arbres à feuilles caduques se préparent à passer en dormance pour l'hiver
et font des réserves qui serviront à la production des bourgeons lors de la montée de sève
au printemps. Ils se débarrassent de leurs feuilles fines et souples qui risquent de geler ce
qui les rendrait non fonctionnelles. L'arbre récupère les substances utiles présentes dans
les feuilles, les stocke et/ou les recycle afin de les réutiliser au début du printemps.
Les feuilles, perdant leur chlorophylle - substance responsable de leur couleur verte -,
prennent la couleur d'autres pigments préalablement présents mais qui étaient cachés par
la présence de chlorophylle. Elles se colorent alors en jaune ou orange (présence de
caroténoïdes), ou même rouge (présence d'anthocyanes).
Dans l'hémisphère nord, l'automne est la saison des récoltes, notamment des cultures d'été
: maïs, tournesol, etc. et des fruits de toutes sortes : pommes, poires, coings, etc., des
fruits secs châtaignes, noix et noisettes, etc. et des raisins. En France par exemple, le ban
des vendanges a été longtemps l'événement marquant de l'automne. C'est aussi la saison
des labours.
Tableau Date
Date INF1026 INF2160
09-05-16 30 40
16-11-16 50 60
05-09-16 80 70
Tableau Températures
Moyenne des
températures
Janvier Mai Septembre
Montréal -10 20
24
Ottawa -9 28 22
Québec -15
24
17