Premier Volet de Recherche

Les agents ont été largement utilisés dans des environnements de formation à des fins différentes. La modélisation multi-agents est probablement l'outil le plus utilisé dans ces environnements. Cependant, certains systèmes ont mis l'accent sur l’implication des agents dans l'évaluation des apprenants par rapport à leur capacité d'intelligence et d'autonomie. L’approche orientée agents consiste à décomposer les problèmes en agents autonomes capables d’interactions au sein d’une organisation. Les propositions de méthodologies, dans la phase d’analyse du système, se concentrent sur les concepts organisationnels visant à décrire l’activité du système. Pour cerner ces aspects organisationnels, l’identification des rôles est primordiale, elle constitue un préambule à la plupart des propositions méthodologiques rencontrées.

Le modèle de l’organisation multi-agents que nous proposons (voir figure 22) repose sur la définition des agents à partir des rôles qu’ils peuvent tenir. Le rôle permet tout à la fois de

167

représenter la fonction qu’accomplie l’agent et la position qu’il tient dans une organisation (Collinot et Drogoul, 1996).

Après avoir identifié les rôles nécessaires à l’application, il s’agit de les décrire en termes de responsabilité. Une fois l’ensemble des rôles définis, chacun est affecté à un type d’agent. Le résultat de cette étape consiste à affecter un ensemble de rôles à un type d’agent.

Dans la mise en œuvre des agents en tant qu’évaluateurs indépendants, deux contributions nous apparaissent significatives. La première de ces contributions est d’ordre méthodologique. Elle concerne la proposition d’une démarche spécifique et d’un cadre d’évaluation de compétences disparates par l’utilisation de la logique floue. La seconde est centrée sur la proposition, la formalisation et l’implémentation d’un modèle d’évaluation basé sur la négociation reposant notamment sur les décisions individuelles des agents.

9.2.1 Contribution méthodologique

Généralement, tous les systèmes tutoriels intelligents intègrent un mécanisme d’évaluation des apprenants permettant d’évaluer les connaissances acquises par ceux-ci dans le but de réguler leur apprentissage. Seulement, tous les systèmes d’évaluation développés ne s’intéressent pas à la motivation de l’apprenant afin qu’il n’abandonne pas l’apprentissage, à partir de ce point nous avons fondé notre réflexion sur le développement d’un système d’évaluation tenant compte des cas tangent (proches de la moyenne de validation) dans le but de préserver leur motivation et de les encourager à continuer l’apprentissage. Notre contribution méthodologique décrite dans le chapitre 6 consiste à proposer un modèle d’évaluation basé sur trois étapes suivantes :

Etape 1 : identification des compétences du domaine d’étude

Dans cette étape il s’agit d’identifier et de caractériser les compétences requises du domaine de compétence. Une fois identifiées, les compétences sont subdivisées en sub-compétences par une analyse orienté but jusqu’à n’obtenir que des actions pouvant être réalisées par l’apprenant sur l’interface du système. Par exemple, dans le domaine de la résolution des problèmes mathématiques écrits, quatre compétences ont été identifiées : 1- compréhension du problème, 2- élaboration d’un plan de résolution, 3- l’exécution du plan et 4- révision de la solution. Ces compétences sont considérées comme les compétences principales qu’un apprenant doit maitriser pour résoudre un problème écrit. Ensuite d’autres compétences sont déduites à partir de celles-ci.

Etape 2 : évaluation des compétences

Dans notre approche d’évaluation, chaque compétence du domaine d’étude est représentée par une ou plusieurs actions à réaliser par l’apprenant. Cependant, la difficulté de ces actions diffère d’une action à une autre, ceci nous a amené à considérer trois

168

niveaux de difficulté (facile, moyen et difficile). Nous avons dédié un agent à chaque type de compétence, l’agent est responsable de l’évaluation de la capacité de l’apprenant à maitriser cette compétence grâce à l’intégration d’un module de logique floue dans le système d’évaluation de l’agent. A partir de là, il existe autant d’agents que de compétences dans notre système d’évaluation.

Etape 3 : l’évaluation globale de l’apprenant

A la réception de toutes les évaluations propres aux agents évaluateurs, l’agent agrégat analyse individuellement chacune d’elles et calcule éventuellement le score moyen obtenu par l’apprenant. Trois décisions peuvent être prises, 1- l’apprenant a réussi son test, 2- l’apprenant a échoué au test ou 3- l’évaluation finale nécessite une négociation.

Notre contribution se situe dans la proposition de ce modèle d’évaluation qui permet d’abord d’identifier les compétences, de les diviser en sous compétences en suivant une analyse orientée but pour aboutir aux actions à réaliser par l’apprenant sur l’interface du système. L’évaluation de ces compétences est réalisée individuellement par des agents qui peuvent utiliser des algorithmes d’évaluation différents selon les spécificités de chaque compétence. Ce type d’évaluation est proposé pour surpasser les évaluations classiques qui se contentent d’évaluer les compétences en une seule étape rendant la tâche difficile pour diagnostiquer à quelle étape ou compétence l’apprenant rencontre des problèmes. Une deuxième contribution relève de l’utilisation de la négociation dans la dernière étape du modèle. Cette négociation permet de repêcher certains apprenants afin qu’ils ne se sentent pas lésés par notre système, ces apprenants sont caractérisés par l’obtention d’un score moyen proche du score de validation. La validation de notre approche d’évaluation a été réalisée par trois expériences où nous avons essayé de mettre en évidence chaque avantage séparément.

9.2.2 _{Contribution par la proposition d’un modèle de négociation}

La négociation que nous proposons permet de statuer sur la réussite de la mission d’un joueur dans la campagne de lutte contre les rongeurs. Cette négociation reflète la collaboration des évaluateurs dans les institutions d’éducation pour favoriser les élèves ayant un score moyen proche du score de validation de l’examen ou du test. Généralement, tous les systèmes d’évaluation utilisent un score seuil pour statuer sur la validation du test, ceci discrimine les apprenants ayant un score moyen proche du seuil de validation. Est-ce qu’un apprenant ayant un score moyen égal à 9.9 possède significativement moins de connaissances qu’un apprenant ayant un score moyen égal à 10 ?

Cette négociation est rendu possible par l’attribution des bonus que nous avons proposée. Chaque agent évaluateur décide d’attribuer les bonus suivant les résultats obtenus par le joueur, ensuite il construit sa table de satisfaction qu’il utilisera dans la négociation.

169

Cette contribution permet d’ouvrir de nouveaux horizons dans les systèmes d’évaluation dans le sens où elle permet d’éviter une décision statique (réussite si score > 10 et échec si score < 10) elle permet aussi de prendre en considération une catégorie d’apprenants proches de la réussite. La troisième expérience à été réalisée dans le but de confirmer la préservation de la motivation par l’usage de la négociation.