Ce chapitre a présenté les trois expérimentations conduites dans le cadre de la validation du système MLA. Chaque expérimentation visait à vérifier une des facettes du système :
— la capacité du système à séparer les gestes selon un étiquetage vérifiable par un humain à l’aide des descripteurs et des algorithmes choisis,
— la possibilité d’obtenir une séparation nette des données en deux clusters, correspondant au degré de réussite du geste,
— la capacité du système à assister l’enseignant dans sa tâche d’apprentissage d’un geste par l’analyse de ses besoins d’observation et démonstrations afin de déterminer et opérationnaliser les :
— descripteurs représentatifs du geste,
— propriétés de séparation des gestes acceptables de ceux qui ne le sont pas.
Ces expérimentations ont ainsi permis de valider les hypothèses suivantes :
— H1: Il est possible de regrouper les gestes selon leurs propriétés cinématiques communes.
— H3: Il est possible de séparer les gestes en fonction de propriétés attendues et identifiées au préalable par l’expert.
— H4 : Il est possible de corriger chaque défaut du geste de l’apprenant, en lui indiquant les défauts majeurs à corriger en premier. Un défaut majeur est identifié par la plus grande distance séparant le mouvement courant de l’apprenant, du groupe de gestes acceptables ayant éliminé ce défaut.
Les hypothèses non-validées sont les suivantes :
— H2 : Il est possible de séparer les gestes des apprenants en deux groupes correspondant à une dichotomie geste réussi / geste raté afin de déterminer, pour une situation d’apprentissage donnée, les propriétés d’un ensemble fini de gestes réussis.
6.4 synthèse des contributions 157
— H5: L’utilisation du système MLA basée sur l’hypothèse4permet d’améliorer l’apprentissage du geste par rapport à une situation sans le système MLA.
— H6: L’utilisation du système MLA en tant qu’assistant à l’enseignant permet d’améliorer l’apprentissage du geste par rapport à une situation sans MLA, et à une situation avec MLA et sans enseignant.
La première expérimentation a permis de montrer qu’il était possible d’obtenir une séparation acceptable (au sens des métriques calculées) des gestes de l’appre-nant, en fonction des caractéristiques propres aux gestes observables par un humain.
Bien qu’il ait été possible d’obtenir une séparation correcte dans la deuxième expéri-mentation, cette séparation ne correspondait pas à la dichotomie geste réussi / raté.
Plusieurs pistes ont été évoquées pour expliquer ce résultat, par exemple l’absence d’une expertise du geste considéré, l’utilisation de descripteurs uniquement basés sur des propriétés cinématiques du geste. La troisième expérimentation a permis de vérifier si le système était capable d’assister un enseignant dans sa tâche d’ensei-gnement d’un geste en intégrant ses besoins d’observation en tant que propriétés caractérisant les gestes d’une part, et permettant de regrouper les gestes acceptables et les gestes présentant les défauts préalablement identifiés d’autre part. Il y a eu une amélioration du geste dans tous les cas d’utilisation du système MLA (expert seul, système seul, expert assisté du système), avec une amélioration sur les quatre défauts considérés pour l’utilisation du système en autonomie. Cependant, il n’y a pas eu de différences significatives dans l’amélioration du geste entre les groupes.
L’amélioration de la distance par rapport au centre de la cible n’était cependant pas corrélée avec l’amélioration des défauts du geste. Ces résultats sont en accord avec ceux de la littérature (LeNaour, Hamonet Bresciani2019; Ashford, Bennett et Davids 2006), qui montrent que l’amélioration du geste implique une perte de précision quant à l’objectif visé, dans le cadre du geste de lancers.
Les résultats obtenus au cours de la troisième expérimentation montrent que le système permet l’apprentissage du geste de manière autonome, ou d’assister l’expert dans sa tâche d’évaluation du geste. Cependant, dans le contexte de l’expérimenta-tion, l’amélioration du geste n’était pas significativement meilleure (au sens des tests statistiques effectués) selon les différents groupes de participants. L’agrandissement de la population, afin d’obtenir des résultats plus fiables, ainsi que le test du système sur un autre geste, permettraient de confirmer ou d’infirmer ces tendances.
Quatrième partie C O N C L U S I O N
7
B I L A N E T P E R S P E C T I V E S
Ce travail de thèse s’inscrit dans le cadre de la conception et l’utilisation d’Environ-nements Informatiques pour l’Apprentissage Humain afin d’aider à l’apprentissage de gestes. Les EIAH dédiés à l’apprentissage de gestes existants sont souvent li-mités dans leur capacité à être réutilisés dans des contextes applicatifs variés. La recherche de la généricité d’un tel système doit se faire dès sa conception, et il doit en particulier être en mesure de proposer une intégration aisée de la connaissance experte. Ainsi, notre objectif a été de créer un EIAH générique au regard du domaine considéré, permettant d’assister l’apprenant dans sa tâche d’apprentissage du geste, et l’enseignant dans son analyse du mouvement et sa restitution à l’apprenant.
7.1 synthèse des contributions
Nous avons proposé un EIAH dédié à l’apprentissage de gestes et conçu de manière à être générique. Cet EIAH est divisé en deux grandes parties. La pre-mière permet d’importer, de filtrer et d’extraire des descripteurs à partir de fichiers de mouvements au format BVH (BioVision Hierarchy). La chaîne de traitement proposée n’agit que sur les descripteurs extraits du mouvement, et non sur le mou-vement en lui-même, corrigeant ainsi les irrégularités directement sur les valeurs des descripteurs. En effet, la correction de ces erreurs en amont nécessiterait de faire des hypothèses quant aux causes des problèmes présents au sein des données.
Particulièrement adaptée aux gestes possédant au moins une accélération soudaine (comme les gestes de lancers), elle permet également de ne conserver automatique-ment qu’une partie du mouveautomatique-ment, appeléeMotion of Interest (MoI), afin d’éviter une segmentation manuelle dans le cas où plusieurs gestes similaires sont à traiter.
L’extraction des descripteurs requis se fait à l’aide de structures de données internes adaptées à l’export au format JSON.
La deuxième partie du système permet la comparaison des mouvements de l’apprenant à ceux de l’expert. L’affichage des différences entre ces mouvements apporte une aide à l’enseignant conseillant l’apprenant en vue de l’amélioration de son geste. Le système permet d’afficher et de quantifier l’importance des défauts du geste de l’apprenant, et permet d’établir une stratégie de conseil en ciblant les défauts à corriger en premier. Les données de l’expert, servant de base pour la comparaison, peuvent être regroupées à l’aide de techniques de clustering, afin d’identifier les propriétés des groupes constitués : (i) majoritairement de gestes acceptables ou (ii) majoritairement des gestes non acceptables. La visualisation des données de l’apprenant et de l’expert permet de rapidement déterminer quels sont les défauts les plus proéminents dans les gestes de l’apprenant, et ainsi de proposer une correction adaptée. L’intégration des conseils donnés par l’expert pour chacun des défauts identifiés est également possible et permet, dans une certaine mesure, d’utiliser le système en autonomie.
161
162 bilan et perspectives
Les expérimentations menées ont permis de tester plusieurs aspects du système.
La première expérimentation, concernant le lancer d’une balle dans deux corbeilles différentes, a montré qu’il était possible de séparer les données à l’aide de descrip-teurs basés sur la vitesse dans le cas de ce lancer. La deuxième expérimentation, utilisant le geste du Bottle Flip Challenge, cherchait à vérifier s’il était possible d’ob-tenir une séparation correspondant au degré de réussite du geste, tout en utilisant des descripteurs basés sur la vitesse. Les résultats n’ont pas été concluants sur le degré de réussite, bien qu’un regroupement acceptable a été obtenu. La troisième expérimentation, portant sur le lancer de fléchettes, avait pour objectif de vérifier la capacité du système à être utilisé afin de prodiguer des conseils pertinents au regard des défauts du geste des apprenants. Les participants à l’expérimentation ont été séparés en trois groupes : (a) un groupe où seul l’expert analysait le geste et donnait des conseils pour son amélioration, (b) un groupe où l’expert pouvait s’appuyer, si besoin, sur le système afin de donner des conseils et (c) un groupe où l’expert restituait les conseils donnés par le système. L’analyse s’est effectuée sous deux angles principaux : l’amélioration de l’objectif du geste (distance des fléchettes par rapport au centre), et l’amélioration du geste en lui-même (distance des données de l’apprenant par rapport au centroïde des bon gestes de l’expert). Ainsi, bien que la précision n’ait pas augmenté, une amélioration du geste a été constatée sur chaque aspect du geste considéré (en termes de correction de défauts), ainsi que sur le geste dans sa globalité au fur et à mesure de l’expérimentation. L’utilisation du système par un expert pour l’assister dans sa tâche d’enseignement a également conduit à une amélioration du geste. Cependant, aucune différence significative au regard de l’amélioration du geste n’a été obtenue entre les différents groupes, ne permettant pas ainsi de conclure quant à la valeur ajoutée apportée par le système dans le cadre d’une session courte d’apprentissage de cette tâche.
Ce travail présente des limites, et ouvre la porte à de nombreuses perspectives d’ingénierie et de recherche.