• Aucun résultat trouvé

L E CHOIX D ’ UNE MÉTHODOLOGIE POUR LA CRÉATION D ’ UN MODÈLE COMPUTATIONNEL

Dans le document The DART-Europe E-theses Portal (Page 69-72)

4 Attitudes dans une conversation dyadique

4.1 L E CHOIX D ’ UNE MÉTHODOLOGIE POUR LA CRÉATION D ’ UN MODÈLE COMPUTATIONNEL

Bien qu’il existe des sc´enarios o`u les comportements des personnages virtuels soient contrˆol´es enti`erement par un humain (i.e. des avatars), un des enjeux dans le domaine des agents virtuels intelligents est de leur donner la capacit´e de r´eagir et de produire des comportements de fa¸conautonome. L’autonomie implique de concevoir des m´ecanismes de d´eclenchement de ces comportements. Cela est rendu possible par le d´eveloppement de mod`eles computationnels qui vont ˆetre utilis´es pour calculer les comportements d’un agent en fonction d’un ensemble de param`etres. Diff´erents types de mod`eles existent. Certains produisent de la parole en fonction de ce qui a ´et´e dit pr´ec´edemment [McTear, 2004], d’autres calculent l’´etat ´emotionnel d’un agent virtuel [Dias and Paiva, 2005] et d’autres encore sont utilis´es pour d´eterminer la prochaine action `a r´ealiser [Nouri and Traum, 2014]. Dans notre travail, l’objec-tif est de d´evelopper un mod`ele permettant de calculer les signaux non-verbaux `a utiliser afin d’exprimer une attitude. Pour construire ce type de mod`ele, diff´erentes approches ont ´et´e propos´ees.

4

4.1.1 Différentes approches

La premi`ere approche consiste `a cr´eer un ensemble de r`egles comportementales

`

a partir de la litt´erature sur le comportement humain. Ces r`egles, de la forme SI ALORS, d´ecrivent l’impact de param`etres (tels que l’´etat interne de l’agent) sur le d´eclenchement de r´eactions (par exemple : SI amical ALORS sourire). L’agent Laura [Bickmore and Picard, 2005] utilise ce type d’approche. Le syst`eme se souvient du nombre de fois qu’un utilisateur a interagi avec Laura. Plus ce nombre est ´elev´e, plus Laura montre des signes amicaux avec l’utilisateur. Elle se tient plus proche de l’´ecran, fait plus de sourires ou encore plus de gestes (voir chapitre 3). Cette approche

`

a base de r`egles a l’avantage de permettre un d´eveloppement flexible du mod`ele. Il est possible d’introduire de nouvelles r`egles sans remanier tout le corpus de r`egles.

On peut ´egalement corriger des r`egles existantes. Cependant cette approche peut conduire `a un mod`ele tr`es d´eterministe qui manque de variabilit´e. Si une r`egle peut ˆ

etre appliqu´ee, elle le sera. Par cons´equent, si une mˆeme s´equence devait ˆetre rejou´ee elle le serait de la mˆeme fa¸con. De plus, lorsque le mod`ele contient peu de r`egles, il est ais´ement compr´ehensible, mais d`es lors que le nombre de r`egles devient important, il perd en lisibilit´e, ce qui peut amener `a l’introduction de r`egles contradictoires.

Une autre approche consiste `a utiliser des m´ethodes d’apprentissage sur un cor-pus de donn´ees afin d’en extraire le mod`ele ; par exemple, `a partir d’un corpus de vid´eos d’interactions. Les vid´eos sont annot´ees suivant un sch´ema d’annotation et les donn´ees de l’annotation sont ensuite utilis´ees pour apprendre le mod`ele. Cette m´ethode est utilis´ee dans [Buisine et al., 2006] notamment o`u les auteurs comparent la perception qu’ont des utilisateurs entre des ´emotions exprim´ees dans des vid´eos et des ´emotions exprim´ees par un agent reproduisant ces mˆemes ´emotions grˆace `a un mod`ele construit sur des annotations provenant de ces mˆemes vid´eos. Les au-teurs se sont bas´es sur un corpus existant mais il est ´egalement possible de cr´eer ses propres vid´eos. Comme dans [Chollet et al., 2014] o`u les auteurs ont particip´e `a l’enregistrement de simulations d’entretiens d’embauche qu’ils ont annot´ees par la suite. Les annotations ont ensuite ´et´e fournies `a un algorithme d’apprentissage qui a produit un r´eseau Bay´esien d´ecrivant les probabilit´es d’observer certaines s´equences de comportements en fonction de l’attitude d’un agent. Ces approches permettent d’obtenir des mod`eles qui proposent de la variabilit´e dans les comportements g´

e-4

COMPUTATIONNEL

n´er´es. En utilisant ces approches probabilistes, on ajoute une part d’al´eatoire dans la s´election des comportements. Elles offrent ´egalement un grand contrˆole sur les param`etres puisqu’il est possible de choisir le sch´ema d’annotation que l’on sou-haite. Cependant, le travail de s´election du sch´ema ad´equat peut ˆetre difficile afin de s’assurer que celui retenu convienne au probl`eme que l’on cherche `a repr´esenter.

Ces approches sont aussi couteuses en temps et en ressources. Afin d’obtenir des r´esultats pertinents et un mod`ele performant, il est n´ecessaire de collecter un assez grand nombre de donn´ees `a fournir `a l’algorithme d’apprentissage. Dans le cas d’une collecte de donn´ees par annotation de vid´eos, le travail de codage minutieux rend la tˆache fastidieuse pour une seule personne et il faut alors pouvoir obtenir l’aide d’autres personnes. Une autre solution pour la collecte de donn´ees consiste `a d´el´ e-guer la cr´eation et l’annotation du corpus aux utilisateurs d’une plateforme en ligne.

Cette technique, de plus en plus populaire pour collecter des donn´ees, est connue sous le nom de Crowdsourcing [Yuen et al., 2011].

4.1.2 Crowdsourcing

La m´ethode deCrowdsourcing permet le contrˆole des param`etres de l’annotation, mais elle permet ´egalement de collecter ais´ement un grand nombre de donn´ees. Cette technique permet de distribuer, grˆace `a Internet, une tˆache `a un grand nombre d’uti-lisateurs grˆace `a des plateformes accessibles en ligne. Une des plateformes la plus connue est Amazon Mechanical Turk qui propose un syst`eme de r´emun´eration (tr`es peu ´elev´ee) aux participants d’une tˆache [Mason and Suri, 2012]. Il est ´egalement possible d’utiliser des plateformes gratuites ou de concevoir sa propre plateforme.

C’est notamment l’approche qui a ´et´e utilis´ee dans [Ochs et al., 2012] pour construire un mod`ele de g´en´eration de diff´erentes types de sourires pour un agent virtuel. La tˆache demand´ee aux utilisateurs ´etait de configurer les sourires d’un agent virtuel en manipulant des param`etres de l’expression de sourires. Nous avons choisi d’uti-liser cette approche pour notre collecte de donn´ees. Elle permet de contrˆoler les param`etres que nous souhaitons utiliser et permet ´egalement de collecter un grand nombre de donn´ees. De plus, nous allons pouvoir demander aux utilisateurs de confi-gurer directement le comportement non-verbal de l’agent virtuel au lieu d’essayer de faire correspondre des comportements humains.

Dans les sections suivantes, nous pr´esenterons la plateforme en ligne que nous

Dans le document The DART-Europe E-theses Portal (Page 69-72)