Un agent recruteur

met la valeur 1 au param`etre SPC et au param`etre PWR du geste. Il v´erifie ´ ega-lement qu’aucune expression faciale n’est pr´esente dans la s´election de signaux et ins`ere une orientation de la tˆete vers le haut. Pour le mˆeme acte du langage mais avec une attitude soumise, la combinaison avec la probabilit´e la plus haute est une expression faciale positive, pas de gestes des bras et une tˆete orient´ee vers le bas. Le mod`ele intervient de la mˆeme fa¸con que pr´ec´edemment. Ces exemples sont montr´es Fig. 4.6.

Dans la section suivante, nous d´ecrivons l’application de recruteur virtuel que nous avons d´evelopp´ee grˆace `a notre mod`ele ainsi qu’une ´evaluation de ce syst`eme.

4.6 M

ISE EN ŒUVRE ET ÉVALUATION

:

RECRUTEUR VIRTUEL Afin de r´ealiser une premi`ere ´evaluation de notre travail, nous avons int´egr´e notre mod`ele d’attitude dans une application concr`ete. En collaboration avec Zoraida Cal-lejas, nous avons propos´e une architecture de recruteur virtuel capable de faire varier ses attitudes, `a travers son comportement non-verbal et verbal, en fonction de la dif-ficult´e voulue pour l’entretien et du niveau d’anxi´et´e de l’utilisateur [Callejas et al., 2014]. Ce recruteur virtuel a pour but de fournir une plateforme d’entrainement aux entretiens d’embauche `a destination de jeunes en insertion professionnelle. Nous avons ensuite ´evalu´e la capacit´e de ce recruteur `a produire des comportements qui expriment des attitudes en r´ealisant une ´etude en ligne conduite en anglais.

4.6.1 Un agent recruteur

Les entretiens d’embauche sont un excellent cadre de d´emonstration pour l’ex-pression d’attitude. Tout d’abord, les entretiens d’embauche continuent d’ˆetre la m´ethode de s´election de candidats la plus utilis´ee [Macan, 2009], et la pr´eparation de ces entretiens joue un rˆole important dans la qualit´e de la performance du postu-lant. Diff´erentes ´etudes ont montr´ees les b´en´efices de l’entrainement pour ce genre d’entretiens. Par exemple, dans [Huffcutt et al., 2011], les auteurs ont montr´e que l’entrainement aux entretiens et que l’exp´erience d’entretiens pr´ec´edents avaient un effet positif sur l’assurance du postulant et r´eduisait son anxi´et´e. Dans [Tross and Maurer, 2008], les auteurs ont trouv´e que l’accompagnement permettait aux pos-tulants de produire des r´eponses plus structur´ees, de d´evelopper des comp´etences

4

Figure 4.6: Capture d’´ecran d’un agent exprimant diff´erentes attitudes pour l’acte illocutoire Informer : Dominante (haut) et Soumise (bas).

4

d’entretien fondamentales comme les comportements de regard et la capacit´e de r´ e-pondre aux questions usuelles. De pr´ec´edents travaux ont montr´e que l’entrainement des jeunes adolescents aux techniques d’entretiens ´etait b´en´efique pour leur carri`ere [Creed et al., 2008].

Le syst`eme que nous proposons permet aux jeunes de pouvoir s’entrainer avec des entretiens de diff´erentes difficult´es, dans lesquels un agent conversationnel joue le rˆole du recruteur. Dans [Huffcutt et al., 2011], les auteurs expliquent que la personnalit´e du recruteur a un impact significatif sur les performances des postulants. Ceux-ci ont une exp´erience plus difficile avec un recruteur plus ferm´e et/ou moins agr´eable.

Il devient alors important, lorsque l’on con¸coit un recruteur virtuel de lui donner la capacit´e de mettre le postulant plus ou moins `a l’aise afin de le faire travailler sur diff´erents niveaux de difficult´e. Dans cette section, nous d´ecrivons le recruteur virtuel que nous avons d´evelopp´e [Callejas et al., 2014] en utilisant le mod`ele computationnel d’attitude d´ecrit dans la section pr´ec´edente. Ce recruteur est capable de reconnaitre le niveau d’anxi´et´e de l’utilisateur afin d’adapter la difficult´e de l’entretien en mo-difiant son attitude sociale envers le postulant. Ce changement d’attitude se traduit par des actes illocutoires et un comportement verbal et non-verbal diff´erent. Dans notre mod´elisation de l’expression d’attitudes, nous nous sommes int´eress´es unique-ment au comporteunique-ment non-verbal, cependant, dans le but de pouvoir ´evaluer le mod`ele en situation, nous avons collabor´e avec Zoraida Callejas au d´eveloppement d’un mod`ele de dialogue capable d’adapter ´egalement le contenu verbal en fonction des attitudes.

4.6.2 L’architecture

L’architecture de cet agent, bas´ee sur la plateforme VIB/Greta, suit l’architecture d’agent SAIBA [Kopp et al., 2006] et est montr´ee Figure 4.7. En lieu et place de l’Intent Planner, nous avons unDialog Manager, qui se charge de calculer le prochain acte illocutoire et l’attitude `a adopter par l’agent. LeBehavior Planner de cet agent SAIBA est celui que nous avons augment´e avec le r´eseau Bay´esien et pour finir nous utilisons le Behavior Realizer de la plateforme VIB/Greta. Des composants additionnels viennent compl´eter cette architecture. Un d´etecteur du niveau d’anxi´et´e de l’utilisateur est connect´e au Dialog Manager, un Natural Language Generator permet de g´en´erer les phrases de l’agent et un module de text-to-speech permet de

4

Figure 4.7 : Architecture du recruteur virtuel

Figure 4.8 : Strat´egies du recruteur virtuel

4

Figure 4.9 : Fonctionnement du Dialog Manager

produire la voix de celui-ci. Le Dialog Manager choisit `a chaque tour de parole quelle strat´egie (r´econforter ou mettre en difficult´e) adopter face `a l’utilisateur en fonction du niveau d’anxi´et´e de celui-ci et de la difficult´e voulue pour l’entretien (de 1 `a 6). Ce processus est d´epeint dans la figure 4.8. Nous n’avons pas cherch´e `a int´egrer une solution particuli`ere de d´etection d’anxi´et´e, nous partons du principe que cette valeur nous est fournie entre 0 et 1 afin que nous puissions d´eterminer trois cat´egories discr`etes, basse (en-dessous de 0,25), moyenne (entre 0,25 et 0,75) et haute (au-dessus de 0,75). Par exemple, il est possible de calculer ce niveau en analysant les signaux audiovisuels ou physiologiques de l’utilisateur [Baur et al., 2013]. La plate-forme SSI fournit d’ailleurs un ensemble d’outils permettant de mesurer les ´emotions et les attitudes d’un utilisateur `a travers sa voix et son comportement non-verbal [Wagner et al., 2013]. LeDialog Manager, `a travers sa strat´egie, choisit le prochain tour de parole et l’attitude mais c’est le Natural Language Generator qui choisit le contenu de la phrase en fonction de l’attitude. Cette phrase est ensuite envoy´ee, sous la forme d’un fichier FML [Heylen et al., 2008], auBehavior Planner qui utilise notre r´eseau Bay´esien afin de choisir le comportement non-verbal de l’agent pour r´ealiser ce tour de parole. Pour terminer, ces signaux sont envoy´es au Text-To-Speech et au Behavior Realiser qui vont produire l’animation finale de l’agent. Dans les sections suivantes, nous d´etaillons comment fonctionnent le Dialog Manager et le Natural

Dans le document The DART-Europe E-theses Portal (Page 91-96)