OLIVIER TYE GINGRAS
INTÉGRATION ET EXPLOITATION D’OUTILS DE
VISUALISATION
Compréhension de situations complexes
Mémoire présenté
à la Faculté des études supérieures de l’Université Laval dans le cadre du programme de maîtrise en génie électrique
pour l’obtention du grade de Maître ès sciences (M. Sc.)
DÉPARTEMENT DE GÉNIE ÉLECTRIQUE ET DE GÉNIE INFORMATIQUE FACULTÉ DES SCIENCES ET GÉNIE
UNIVERSITÉ LAVAL QUÉBEC
2011
Résumé
La compréhension de situations complexes s’avère de plus en plus nécessaire, notamment dans les domaines militaires. En réponse à cette demande, le projet IMAGE, en cours à Recherche et Développement pour la Défense Canada – Valcartier, vise à développer un environnement interactif offrant des outils logiciels aidant à augmenter la vitesse et le niveau de compréhension de l’humain dans de telles situations. Il regroupe quatre grands modules : Scénarisation, Simulation, Exploration et Représentation. Le projet présenté dans ce mémoire a trait au développement d’un prototype pour la partie Exploration, qui regroupe principalement des outils de visualisation. Cette plateforme servira à des expérimentations en psychologie cognitive visant à mesurer l’augmentation de la compréhension offerte par ces outils.
L’humain étant au centre de l’environnement développé, certaines théories qui lui sont reliées, touchant notamment la psychologie cognitive, les interfaces personne-machine ainsi que la visualisation d’information, sont d’abord présentées. Une revue de diverses plateformes logicielles existantes, susceptibles d’offrir des fonctionnalités intéressantes pour l’implémentation, est également effectuée. Suite à une évaluation plus approfondie des outils retenus ainsi que plusieurs tests avec ces derniers, une première problématique, ayant trait au transfert de multiples flots de données XML partant du module Simulation vers le module Exploration, est alors abordée; la création de l’application ImageDataServer s’ensuit, faisant usage du framework ACE pour la gestion de multiples connexions et le traitement de données en parallèle. Suite à cette réalisation, des premiers jets de représentations visuelles, basés sur un scénario tactique de convoi militaire, sont développés à partir des données de simulation de ce scénario transférées vers Eye-Sys, une application de visualisation générique. Une scène 3D montrant l’évolution spatiale et temporelle ainsi que les interactions entre les agents de la simulation, véhicules militaires, explosifs et insurgés, y est mise en action grâce à des données provenant d’une base de données MySQL. La vue est également synchronisée à une application de simulation interactive, Multichronia, servant de point de contrôle principal pour l’utilisateur. Une évaluation des performances du système et une discussion sur divers aspects de développement complètent ce mémoire.
À mes parents, qui depuis toujours m’appuient dans mes projets, À mon amour Émilie, ma grande complice et mon soutien moral, À tous mes collègues, en particulier à Frédéric et François, merci pour votre support spécial.
Table des matières
Résumé ... i
Table des matières ... iii
Liste des figures ... v
1 Introduction ... 7
1.1 Contexte général ... 7
1.2 Projet IMAGE ... 8
1.2.1 Description et objectifs ... 8
1.2.2 Défis et préoccupations ... 10
1.2.3 Identification des besoins ... 11
1.2.4 Élaboration de scénarios ... 13
1.2.5 Expérimentations avec utilisateurs ... 15
2 État de l’art ... 17 2.1 Connaissance ... 17 2.1.1 Aspects théoriques ... 17 2.1.2 Cognition humaine ... 18 2.1.3 Compréhension ... 22 2.2 Complexité ... 24
2.2.1 Définition : complexe versus compliqué ... 24
2.2.2 Caractéristiques de la complexité ... 25
2.3 Ingénierie des systèmes ... 27
2.3.1 Profil des utilisateurs ... 28
2.3.2 Systèmes cognitifs ... 29 2.4 Exploration ... 33 2.4.1 Visualisation d’information ... 34 2.4.2 Techniques de visualisation ... 35 2.4.3 Considérations de design ... 44 3 Module Exploration ... 46 3.1 Plateformes logicielles ... 46 3.1.1 ACE ... 46 3.1.2 MySQL ... 48 3.1.3 Tableau Software ... 51 3.1.4 Eye-Sys ... 53 3.1.5 Multichronia ... 56 3.2 Explorations préliminaires ... 57
3.2.1 Simulation et transfert de données ... 57
3.2.2 Application Eye-Sys ... 59
3.2.3 ACE ... 65
3.2.4 Application Tableau Desktop ... 67
3.3 Tests et prototypes – Traitement des données ... 67
3.3.1 Plug-ins Eye-Sys ... 68
3.3.2 Prototypes COM / C++ ... 69
3.4 Application ImageDataServer ... 70
3.4.1 Gestion des connexions ... 71
3.4.3 Connexion et interactions COM avec Eye-Sys ... 75
3.5 Tests et prototypes – Visualisation ... 77
3.5.1 Plug-in « History Concatenator » ... 77
3.5.2 Scène tactique 3D ... 78
3.6 Migration vers la base de données MySQL ... 80
3.6.1 Mode de connexion à la base de données ... 81
3.6.2 Modifications logicielles ... 83
3.7 Vue tactique ... 85
3.7.1 Éléments visuels de la vue 3D principale ... 85
3.7.2 Panneaux informatifs et interface de contrôle ... 89
3.7.3 Graphique d’évolution ... 91
3.7.4 Vue « Distribution des simulations » ... 93
3.7.5 Exploration tactique finale ... 94
3.7.6 Vue tactique allégée (groupe contrôle) ... 95
3.8 Synchronisation avec Multichronia ... 96
3.8.1 Protocole de communication ... 97
3.8.2 Plug-in « Driver Regulator » ... 98
3.9 Amélioration des performances avec MySQL ... 99
3.9.1 Plug-in « MySQL Database » ... 100
3.10 Système de « logs » ... 101
4 Évaluation ... 104
4.1 Test du système intégré ... 104
4.1.1 Exemple d’utilisation ... 104
4.1.2 Débogage du scénario ... 106
4.2 Discussions ... 107
4.2.1 Améliorations possibles et recommandations ... 107
4.2.2 Plateforme Eye-Sys ... 112
5 Conclusion ... 115
6 Bibliographie ... 118
Liste des figures
Figure 1-1 : Diagramme conceptuel du projet IMAGE ... 9
Figure 1-2 : Environnement virtuel immersif CAVE ... 13
Figure 1-3 : Vues 2D du simulateur Pythagoras pour scénarios « pucerons » et « convoi » 14 Figure 2-1 : Modèle du système cognitif ... 18
Figure 2-2 : Patrons visuels ... 19
Figure 2-3 : Performance d’une tâche en fonction de l’allocation en ressources ... 20
Figure 2-4 : Principe de la triade ... 30
Figure 2-5 : Google Earth, représentation de trajets aériens et de densité de population ... 36
Figure 2-6 : Représentations hyperbolique et radiale ... 37
Figure 2-7 : Représentation circulaire imbriquée ... 37
Figure 2-8 : TreeMap (SequoiaView) ... 38
Figure 2-9 : Empreinte littéraire de la Bible ... 38
Figure 2-10 : Exemples de représentations sémantiques ... 39
Figure 2-11 : Vues globale et rapprochée d'une représentation de données par densité ... 40
Figure 2-12 : Diagramme « rivière » ... 40
Figure 2-13 : Représentation circulaire ... 40
Figure 2-14 : Visualisation à 2 dimensions temporelles ... 41
Figure 2-15 : Ligne du temps ... 42
Figure 2-16 : Mur en perspective ... 42
Figure 2-17 : Exploration tabulaire avec loupe sur les données ... 43
Figure 2-18 : Effet de distorsion ... 43
Figure 2-19 : Effet de flou ... 43
Figure 2-20 : Coordonnées parallèles ... 44
Figure 3-1 : Logo ACE ... 46
Figure 3-2 : Structure du framework ACE ... 48
Figure 3-3 : Logo MySQL ... 48
Figure 3-4 : Logo MySQL++ ... 49
Figure 3-5 : Hiérarchie de la classe mysqlpp::Connection ... 50
Figure 3-6 : Logo Tableau ... 51
Figure 3-7 : Saisies d'écran de Tableau Desktop ... 52
Figure 3-8 : Interface principale de Tableau Desktop ... 53
Figure 3-9 : Logo Eye-Sys ... 53
Figure 3-10 : Interface principale de Eye-Sys ... 55
Figure 3-11 : Saisie d'écran commentée de Multichronia ... 56
Figure 3-12 : Extrait d'un document XML de données de simulation ... 58
Figure 3-13 : Schéma conceptuel de Multichronia ... 59
Figure 3-14 : Exemples d’une scène de convoi ... 61
Figure 3-15 : Fenêtre de conception de la scène de convoi ... 61
Figure 3-16 : Exemple d'une vue analytique ... 61
Figure 3-17 : Hiérarchie partielle des classes d'interfaces COM Eye-Sys ... 62
Figure 3-18 : Fenêtre d'édition du plug-in Script ... 64
Figure 3-19 : Hiérarchie partielle des classes du SDK Eye-Sys ... 65
Figure 3-20 : Patron de design Reactor dans le contexte serveur/client ACE ... 66
Figure 3-22 : Extrait d'un programme test COM en C++ ... 70
Figure 3-23 : Diagramme de classes – partie Connexion ... 71
Figure 3-24 : Diagramme séquentiel – Démarrage ... 72
Figure 3-25 : Diagramme séquentiel – Connexion et réception de messages ... 73
Figure 3-26 : Diagramme de classes – partie Traitement ... 74
Figure 3-27 : Diagramme de classes – partie Eye-Sys / COM ... 76
Figure 3-28 : Propriétés du « History Concatenator » et historiques de données ... 78
Figure 3-29 : Saisie d'écran de la vue tactique préliminaire ... 79
Figure 3-30 : Configuration du plug-in « Database » ... 82
Figure 3-31 : Schéma partiel de la base de données IMAGE - Données tactiques ... 83
Figure 3-32 : Modèles 3D des agents de la simulation ... 86
Figure 3-33 : Éléments visuels de la vue 3D principale ... 87
Figure 3-34 : Icônes d'état des lanceurs de RPG ... 87
Figure 3-35 : Fenêtre de conception – LAV ... 88
Figure 3-36 : Fenêtre de conception – IED ... 89
Figure 3-37 : Fenêtre de conception – RPG ... 89
Figure 3-38 : Panneaux informatifs et de contrôle ... 90
Figure 3-39 : Panneaux d’informations de type « Data Gadget » ... 91
Figure 3-40 : Graphique d'évolution ... 92
Figure 3-41 : Fenêtre de conception - Graphique d'évolution ... 93
Figure 3-42 : Vue « Distribution des simulations » ... 93
Figure 3-43 : Agencement final de la vue tactique ... 95
Figure 3-44 : Vue tactique allégée ... 96
Figure 3-45 : Exemple type de messages envoyés par Multichronia ... 97
Figure 3-46 : Fenêtres de propriétés - Plug-ins « Driver » et « Driver Regulator » ... 99
Figure 3-47 : Fenêtre de propriétés du plug-in "MySQL Database" ... 100
Figure 3-48 : Exemple de contenu de la table « ExplorationTacticalLog » ... 101
Figure 3-49 : Fenêtre de conception – Scripts Tableau et logs ... 102
Figure 3-50 : Fenêtres de conception et de propriétés – Log des sélections ... 102
Figure 4-1 : Saisie d'écran du système intégré ... 105
Figure 4-2 : Organisation structurelle actuelle des objets Eye-Sys pour la visualisation ... 109
1 Introduction
1.1 Contexte général
De plus en plus d’organisations, civiles et militaires, de même que des chercheurs et scientifiques, doivent faire face à des situations ou des problèmes qualifiés de complexes. Ces situations sont caractérisées par des non-linéarités, des interactions, des hiérarchies, des boucles de rétroaction, des comportements émergents, etc. Les éléments composant une situation complexe sont souvent combinés les uns aux autres et font en sorte que l’humain, dû à ses capacités d’analyse limitées, a beaucoup de difficulté à comprendre les mécanismes qui gèrent ces situations. La gestion de la sécurité et des unités d’intervention lors de grands événements comme les jeux olympiques ou la planification d’un budget national de relance en temps de crise économique comptent parmi les exemples de telles situations auxquelles doivent faire face les gouvernements. La planification militaire, autant aux niveaux stratégique, tactique qu’opérationnel, comporte également plusieurs éléments de complexité. Dans les domaines scientifiques, on peut penser à l’étude de la propagation d’une maladie dans une population. L’étude des changements climatiques est également un problème complexe colossal sur lequel il est pratiquement impossible de faire des prédictions précises à cause du manque de compréhension et de l’ignorance d’innombrables interrelations qu’il comporte.
Un autre problème largement répandu est la difficulté à manipuler de très grandes quantités de données, souvent en raison de lacunes liées aux systèmes servant à les gérer. On peut penser par exemple à la recherche sur Internet où les limites des systèmes actuels font en sorte que certaines informations importantes ou utiles restent cachées sous une montagne de données redondantes ou non-pertinentes. L’extraction de connaissances de haut niveau à partir de très larges bases de données peut également être un défi de taille. Heureusement, certains logiciels apportant des solutions intéressantes à ce problème commencent à voir le jour. Dans ces derniers cas le simple accès à l’information n’est pas un problème mais ce n’est pas suffisant; il faut pouvoir la discriminer selon des critères de qualité, de type de données et de domaine d’application notamment.
Face à ces problèmes, le besoin de développer de nouveaux outils d’aide à la compréhension et à la décision se fait sentir, notamment dans le domaine militaire où les situations complexes sont nombreuses et variées.
1.2 Projet IMAGE
En réponse au type de problème décrit précédemment, IMAGE, un projet visant à créer un environnement dynamique et interactif offrant des outils génériques pour augmenter la compréhension de situations complexes variées, a été initié. IMAGE est un fonds d’investissement technologique (FIT) alloué à la section Système de Systèmes (SdS) au centre de Recherche et Développement pour la Défense Canada – Valcartier (RDDC-Valcartier) (Lizotte, et al. 2008).
1.2.1 Description et objectifs
Le diagramme de la Figure 1-1 montre les concepts faisant partie du projet IMAGE et les liens qui les unissent. Au centre du schéma, on retrouve des preneurs de décision, commandants ou gestionnaires de projets qui doivent faire face à une situation complexe quelconque, ainsi que des experts de divers domaines d’étude : scientifiques, ingénieurs, stratèges, historiens, psychologues, etc. Les outils proposés par IMAGE s’adressent principalement à ces personnes dans le cadre de divers types de situations comme la planification, le support ou l’entraînement.
Au départ, la représentation mentale de la situation complexe est floue et peu ou pas organisée. À l’extérieur du noyau, on retrouve les quatre grandes étapes de la démarche que suivront les experts, chacune supportée par des outils proposés par IMAGE :
Scénarisation : Il s’agit de l’étape de départ où, à partir de connaissances que l’on possède et d’hypothèses sur les liens unissant les entités, agents et composants faisant partie de la situation complexe, on définit un scénario, typiquement basé sur des modèles mathématiques que l’on pourra simuler et voir évoluer dans le temps à la prochaine étape. Suite aux analyses qui seront faites aux étapes suivantes du premier cycle d’analyse, le modèle défini initialement est sujet à subir des changements lors des cycles ultérieurs.
Simulation : Une fois les modèles définis, ils sont exécutés dans un simulateur en ayant comme objectif de reproduire une version synthétique dynamique de la situation complexe. On vise principalement à faire ressortir des comportements émergents et des interactions entre les modèles qui sont difficiles ou impossibles à prévoir lorsque étudiés individuellement ou en mode statique. Il existe plusieurs techniques de simulation présentées dans la littérature : data mining, data farming, computational steering, simulation cloning, etc. L’approche retenue pour IMAGE est interactive, c’est-à-dire que l’utilisateur a la possibilité de lancer plusieurs
Figure 1-1 : Diagramme conceptuel du projet IMAGE
simulations sur demande, de les interrompre et de les ré-exécuter. Il peut donc observer l’évolution de la simulation en cours d’exécution et a également la liberté de modifier la valeur de certains paramètres du modèle ou du scénario s’il le désire. Exploration : De grandes quantités de données sont générées par les simulations à
l’étape précédente, et l’Exploration en permet une analyse en profondeur. La principale fonction de cette partie est de convertir les données en une ou plusieurs représentations visuelles, permettant d’exploiter les capacités du système perceptuel de l’humain. Pour cela, diverses techniques de visualisation scientifique et de visualisation d’information peuvent être utilisées en fonction des types de données à analyser. Les développements du présent projet étant au cœur de cette partie, nous y reviendrons plus en détails dans les sections ultérieures.
Représentation : C’est à l’étape de Représentation que l’utilisateur formalise sa compréhension du modèle étudié et exprime sous forme visuelle le modèle mental de la situation complexe qu’il s’est forgé lors de son analyse à l’aide des outils de Simulation et d’Exploration. Cette représentation, typiquement sous forme de graphe conceptuel, a pour but de l’aider à synthétiser ses idées et aussi de les partager avec ses collaborateurs. La qualité du modèle obtenu ainsi que le niveau de confiance envers celui-ci amèneront souvent l’utilisateur à raffiner le ou les modèles définis à l’étape de Scénarisation.
Le tout se veut un processus itératif où, peu à peu, la représentation mentale des utilisateurs se précise, passant d’idées floues à des concepts bien définis, d’incompréhension à de nouvelles connaissances émergentes. Le but est à la fois d’augmenter le niveau de compréhension et d’accélérer le processus d’analyse grâce à des technologies innovatrices. Comme illustré sur le schéma, les outils sont liés et participent à un seul et même processus. Cette synergie entre les composants est primordiale pour l’atteinte des objectifs visés par le projet.
1.2.2 Défis et préoccupations
Au commencement du projet, quoique la description du projet et de ses objectifs était assez bien définie, plusieurs préoccupations liées au niveau de connaissance et à l’état de l’art
dans des domaines relatifs au projet ont été soulevées. Il a été déterminé qu’une bonne connaissance des outils et technologies déjà existants et disponibles concernant les grands modules d’IMAGE (Simulation, Exploration, Représentation) s’avérait nécessaire avant de s’immiscer trop en avant dans le développement. En effet, dans le contexte d’un projet ambitieux, avant-gardiste, multidisciplinaire mais aux ressources de développement limitées tel qu’IMAGE, exploiter au maximum la technologie actuelle afin de minimiser l’effort de développement s’avère primordial. En contrepartie, un défi de taille est à prévoir au niveau de l’intégration de modules qui, étant définis pour fonctionner de manière indépendante a priori, devront faire partie du processus d’IMAGE.
L’aspect multidisciplinaire d’IMAGE amène un autre défi important : la coordination de la compréhension des objectifs du projet et de sa terminologie entre les membres de l’équipe provenant de différentes disciplines (informatique et génie, mathématiques, psychologie) et des utilisateurs civils et militaires. Les principes de base du projet IMAGE peuvent être difficiles à expliquer, à saisir, et être la source de confusion dans l’équipe. De plus, des termes utilisés dans différents domaines d’étude qui ont potentiellement des significations différentes doivent correspondre aux mêmes concepts lorsqu’utilisés dans le vocabulaire d’IMAGE.
D’autres lacunes ont été identifiées comme devant être comblées pour certains membres de l’équipe, notamment en ce qui concerne les connaissances en psychologie cognitive, la définition des besoins et le développement d’un scénario.
1.2.3 Identification des besoins
Pour chacune des grandes parties du projet, une liste de besoins a été dressée. Comme de nombreux éléments ont été mentionnés pour chacune de ces parties, nous nous concentrerons ici sur ceux du module Exploration dont les développements font l’objet du présent document.
D’abord, les besoins relatifs aux objectifs du projet stipulent que l’exploration doit présenter des paradigmes de visualisation qui correspondent au scénario, aux capacités cognitives de l’utilisateur ainsi qu’aux besoins des expérimentations avec les utilisateurs (décrits plus en détails à la section 1.2.5).
Au niveau de l’architecture, l’intégration et l’exploitation de plusieurs outils de visualisation sont au cœur des priorités, augmentant ainsi le nombre de possibilités offertes à l’utilisateur pour l’analyse. Ces outils devront recevoir et manipuler des données provenant de la simulation et fournir des options d’aide à l’utilisateur. Les actions effectuées, c’est-à-dire toutes les créations, modifications et manipulations dans les vues d’exploration devront être enregistrées dans le but de conserver la trace du cheminement emprunté par l’utilisateur dans sa démarche. Ces données serviront principalement à l’interprétation de résultats d’expérimentations, mais seront, comme dans la plupart des applications logicielles, une fonctionnalité indispensable du produit final pour la sauvegarde de l’état de projet, permettant l’interruption et la reprise d’une session de travail ou le partage des résultats avec d’autres utilisateurs.
Un dernier objectif architectural majeur poursuivi par IMAGE est d’intégrer les technologies développées dans un environnement virtuel immersif de type CAVE (CAVE Automated Virtual Environment). Ce système consiste à immerger l’utilisateur en le plaçant à l’intérieur d’un espace de forme cubique entouré de trois murs et d’un plancher servant de surfaces de projection (voir Figure 1-2). La stéréoscopie et le repérage de la personne en « off-axis », qui sont utilisés dans l’environnement afin d’ajuster le point de vue en 3D, contribuent également à augmenter le sentiment de présence et le degré d’immersion. Une augmentation de la compréhension avec ces technologies novatrices par rapport aux outils de bureau traditionnels est attendue.
Finalement, des besoins relatifs aux utilisateurs ont également été soulevés : la création de vues sur demande, la manipulation, la comparaison et l’exploration de données ainsi que la possibilité de prendre des notes, des saisies d’écran et d’archiver du contenu. Cependant, la synchronisation des actions avec les autres modules a été identifiée comme étant primordiale dans cette catégorie. Par exemple, la sélection d’un élément dans le module Simulation (comme un nœud représentant une branche de simulation) doit se refléter dans les vues de l’Exploration par un paradigme visuel quelconque appliqué aux données concernées qui les met en évidence ou vice-versa.
1.2.4 Élaboration de scénarios
L’élaboration d’un ou de plusieurs scénarios pour la première version d’IMAGE a été identifiée comme une tâche de premier plan et à juste titre; les premiers développements du module Exploration doivent se baser sur les caractéristiques et les données du scénario afin de bien y être adaptés.
Pour les premières itérations de développement, quelques possibilités ont été identifiées et deux ont été retenues pour la première version d’IMAGE. Un premier scénario simulant l’évolution d’une maladie causée par des pucerons se propageant dans une population d’arbres servira d’outil de familiarisation pour les utilisateurs lors des expérimentations. Afin de mieux répondre aux besoins du client principal du projet, les Forces armées canadiennes, dans le contexte du déploiement militaire en Afghanistan, un deuxième scénario plus approprié a été choisi. Il s’agit d’une situation où un convoi militaire, composé de véhicules blindés légers (LAV), doit parcourir un tronçon de route sur lequel il
Figure 1-2 : Environnement virtuel immersif CAVE
peut être attaqué soit par des engins explosifs improvisés (IED) placés sous la chaussée, soit par des opérateurs de lance-grenades (RPG). Le niveau de défense des véhicules est assuré pour ces deux types d’attaque par une quantité variable d’armures sous-plancher et latérale respectivement, en fonction d’un nombre variable d’attaques possibles d’IED et de RPG. La quantité d’armure influence la vitesse du convoi, ce qui se répercute sur la possibilité de détecter et de désarmer un IED et sur l’efficacité des attaques des tireurs de RPG. Ces scénarios sont mis en action par le simulateur Pythagoras et les simulations contrôlées de manière interactive à l’aide du logiciel Multichronia, développé dans le cadre du projet de recherche de doctorat de François Rioux (Rioux, 2009).
Le scénario de convoi militaire comporte deux volets : tactique et stratégique (ou procédural). Dans le premier volet, le problème à résoudre est axé sur l’action immédiate sur le terrain et la principale préoccupation de tous les jours des soldats, c’est-à-dire de maximiser le transfert d’un chargement du point A au point B tout en minimisant les pertes. L’analyse vise donc à trouver la meilleure combinaison d’armures possible permettant d’atteindre cet objectif. Pour la partie stratégique, le problème se situe à un niveau de planification plus élevé. On observe l’évolution dans le temps de plusieurs paramètres comme le renseignement (quantité d’information obtenue de la population locale),
Figure 1-3 : Vues 2D du simulateur Pythagoras pour scénarios « pucerons » et « convoi »
l’allégeance (la confiance de cette population envers les militaires) et le support aux bleus (nos propres forces), où chaque pas de temps représente les résultats d’une simulation de déplacement de convoi; lors de ces simulations, les paramètres sont contrôlés par un algorithme d’adaptation qui priorise soit la vie des membres du convoi ou la quantité de cargo (plus d’armure peut favoriser la vie mais diminue le cargo disponible). L’analyste peut faire varier la quantité de cargo transporté et le type de priorité selon un ou plusieurs critères d’optimisation visés.
1.2.5 Expérimentations avec utilisateurs
L’augmentation du niveau de compréhension de l’utilisateur face à une situation complexe est l’un des principaux enjeux du projet IMAGE. À cet égard, la démonstration d’un tel accomplissement doit pouvoir être faite à l’aide d’observations et de mesures appropriées lors d’expérimentations avec des utilisateurs. Ce type d’évaluation relevant du domaine de la psychologie cognitive, une équipe de chercheurs possédant une expertise en la matière collabore activement au projet.
Il n’est pas nécessairement évident de prendre de telles mesures contrairement à d’autres types d’expérimentations dans le domaine des sciences où l’on peut mesurer directement une ou des variables dans un environnement contrôlé. Ici, le gain à mesurer est au niveau de la compréhension humaine; cela peut cependant être évalué indirectement par plusieurs moyens comme l’analyse de prise de décisions, le suivi des actions et des événements lors de l’expérimentation et l’évaluation de la performance pour une tâche donnée. Une attention particulière aux conditions d’expérimentation doit être portée afin d’éviter le plus possible les biais dans les mesures.
Les expérimentations seront réalisées à l’aide de trois groupes de personnes jouant le rôle d’analyste utilisateur d’IMAGE qui doit comprendre une situation complexe. Le premier est le groupe « IMAGE Desktop », pour lequel est proposée une suite d’outils dont Multichronia pour la partie Simulation, ainsi que Eye-Sys et Tableau pour l’Exploration (décrits dans des sections ultérieures), utilisés dans un environnement de bureau multi-écran afin de favoriser la synergie entre les sous-systèmes. Le deuxième groupe, « IMAGE CAVE », utilise la même suite d’outils mais adaptée à l’environnement virtuel de type
CAVE. Finalement, le « groupe contrôle » présente une version simplifiée de Multichronia et de la vue Eye-Sys, dans laquelle les interactions et la visualisation avancées sont retirées, tout en conservant un minimum de fonctionnalités nécessaires à l’exécution de la tâche. Les utilisateurs ont cependant accès à des outils de bureautique standards tels Microsoft Word et Excel. La comparaison des résultats des sessions d’expérimentations avec ces différents groupes d’utilisateurs permettra d’évaluer les bénéfices en termes de la compréhension du scénario offerts par les outils d’IMAGE ainsi que du potentiel des technologies immersives en cette matière (Lafond, Gagnon et Tremblay 2009).
Ce mémoire fait état des développements réalisés dans le cadre du projet IMAGE décrit précédemment, principalement au niveau du design de la visualisation dans la partie Exploration, pour le volet tactique du scénario de convoi militaire.
2 État de l’art
Comme nous l’avons mentionné dans l’introduction, IMAGE, dans son ensemble, couvre une grande variété de domaines d’étude et un grand éventail de connaissances. Des informations provenant notamment de recherches personnelles, de cours ainsi que de l’expertise des membres de l’équipe du projet sont regroupées dans ce chapitre, touchant divers sujets comme la connaissance, la complexité, la conception de systèmes, la visualisation scientifique et la visualisation d’information. Plusieurs aspects de la psychologie cognitive liés à ces domaines y sont également abordés.
2.1 Connaissance
2.1.1 Aspects théoriques
La connaissance est un phénomène complexe et difficilement définissable. Elle peut être considérée comme un mélange de données, d’expérience et d’information contextuelle qui s’incorpore dans les normes d’une société. Il peut aussi s’agir d’intégration d’expérience. Les points de vue sur la question peuvent être très différents dépendamment du domaine d’étude (psychologie, langues, science, philosophie, religion, etc.). On peut toutefois la définir d’une manière très générale comme étant une organisation dynamique de la mémoire.
Il est possible de classifier la connaissance de diverses manières. L’une d’elles, plutôt générale et intuitive, consiste à la séparer en trois catégories : le quoi, qui représente des connaissances déclaratives ou des faits; le pourquoi, la raison des choses; le comment, la connaissance procédurale ou habileté acquise par expérience (Judelman 2004).
D’un point de vue plus formel, on peut considérer les connaissances comme pouvant se manifester sous deux formes : explicite ou déclarative, facilement descriptible et transmissible entre individus, et implicite ou procédurale, qui est surtout inconsciente et difficile à articuler et transmettre. Elles peuvent de plus être classées selon les types suivants : la connaissance perceptuelle, qui a trait à l’état des choses et de l’environnement, la connaissance structurelle, qui se rapporte aux aspects dynamiques et aux relations entre
les variables, et la connaissance stratégique, l’influence que l’on porte sur un système afin d’obtenir l’effet désiré. Ces derniers trois concepts peuvent s’apparenter intuitivement aux catégories du quoi, du pourquoi et du comment, énoncées plus tôt.
Les connaissances structurelles d’un système impliquent ses composantes, les caractéristiques comportementales de ces dernières, leurs connexions ainsi que les comportements du système entier. L’acquisition ou l’apprentissage de ce type de connaissances est le résultat d’un processus d’énonciation d’hypothèses combiné à une évaluation (Funke, 1991). Ceci est nécessaire au processus de raisonnement pour l’application de solutions au système en question. Un intérêt particulier est porté à ces concepts en raison de l’un des objectifs du projet IMAGE consistant à favoriser la découverte et l’explicitation des relations entre les composants d’un système complexe.
2.1.2 Cognition humaine
L’humain étant au cœur du processus d’acquisition de connaissances, l’identification des principaux aspects de son système cognitif et de certaines de leurs caractéristiques importantes s’avère pertinente. Le schéma de la Figure 2-1, élaboré d’après le modèle d’Atkinson-Shiffrin, résume les concepts abordés dans cette section.
Figure 2-1 : Modèle du système cognitif
2.1.2.1 Système perceptuel
Le système perceptuel (ou visuel) humain est sans doute le plus utilisé et le plus puissant de son registre sensoriel, et il lui confère un avantage certain par rapport à la machine, à l’inverse d’autres facultés telles que la rapidité de calcul. Il lui permet de détecter facilement et rapidement des patrons visuels dans les images, les formes ou les représentations de données qu’il regarde et analyse. La théorie de la Gestalt (Judelman 2004), stipulant qu’il se forme un équilibre entre les processus d’isolation et de regroupement spatial des formes en entités conceptuellement cohérentes, vient expliquer en grande partie ce phénomène. La similarité de couleur ou de taille, la proximité, la continuité et la symétrie de composants d’un patron visuel font en sorte qu’on les considère comme un tout et non pas comme une partie (illustrés à la Figure 2-2). Le contexte joue également un grand rôle à ce titre sans lequel une situation ne peut prendre de véritable sens (Ware 2000).
D’autres facteurs relevant de la physiologie caractérisent le système de vision humain. L’acuité visuelle, entre autres, fait que seule la vision fovéale, une petite zone au centre de l’image perçue, a une résolution nette et optimale. La vision périphérique est donc moins précise mais, en contrepartie, très efficace pour la détection de mouvement. Également, la disparité binoculaire confère une fonctionnalité très importante au système perceptuel : la vision 3D et la perception de la profondeur.
2.1.2.2 Attention et charge mentale
L’attention est le processus par lequel l’humain consacre et oriente ses ressources mentales à l’exécution d’une ou plusieurs tâches données. L’attention peut être sélective, c’est-à-dire consacrée à une seule tâche ou source d’information en éliminant les autres qui sont non-pertinentes, ou partagée, étant alors divisée entre plusieurs tâches ou sources traitées
Figure 2-2 : Patrons visuels
simultanément. À l’exécution d’une tâche particulière est associée une certaine demande en ressources attentionnelles, et un opérateur qui l’exécute utilise une partie de sa capacité ou de son expertise pour l’atteinte d’un certain niveau de performance. La charge mentale est l’effort requis pour traiter cette tâche et est évaluable comme une fonction des demandes en ressources et de la capacité de l’opérateur. À ce titre, un opérateur expérimenté a besoin de moins de ressources pour l’atteinte d’un niveau de performance donné, sa charge mentale de travail est donc plus légère. Lorsque deux tâches sont exécutées en même temps et qu’elles demandent toutes les ressources disponibles, il y a division des ressources entre ces tâches, ce qui résulte en une diminution d’allocation pour chacune (Johnson et Proctor 2003).
Ces concepts sont souvent étudiés à l’aide de la fonction performance-ressources (FPR), dont un exemple est illustré à la Figure 2-3. Dans ce graphique, on peut voir que la tâche B est plus facile que la tâche A puisqu’elle requiert moins de ressources de la part d’un utilisateur pour l’atteinte d’un niveau de performance équivalent. Le plateau de la fonction B indique que l’utilisateur est limité en termes de données ou que la tâche comporte un niveau de complexité élevé, ce qui résulte en un plafonnement de la performance même lorsque les ressources allouées augmentent (Wickens et Hollands 2000).
2.1.2.3 Mémoire
On sépare la mémoire en deux parties qui jouent des rôles bien différents. D’abord, la mémoire à court terme ou mémoire de travail contient de façon temporaire l’information d’une tâche en cours de traitement. Elle possède les caractéristiques suivantes :
Figure 2-3 : Performance d’une tâche en fonction de l’allocation en ressources
Capacité limitée (typiquement 7 ± 2 items) mais un temps d’accès court (Miller 1956);
Durée limitée (volatile) et taux d’oubli sensible à la complexité de la tâche, à la quantité d’information et aux distractions (Hitch 1987);
Retient davantage les éléments initiaux et finaux d’une série d’items.
Étant donné ces caractéristiques et la quantité d’informations qu’elle reçoit (environ 100 000 fois plus qu’elle ne peut en traiter), la mémoire à court terme est souvent le goulot d’étranglement du système cognitif.
La mémoire à long terme, quant à elle, contient de l’information permanente qui a été assimilée suite à un processus d’apprentissage. Elle est caractérisée de la manière suivante : Capacité et durée illimitées mais temps d’accès plus long que la mémoire à court
terme;
Information stockée de façon complexe, dynamique et en constante réorganisation (réseaux sémantiques);
Effort requis pour traiter, organiser et enregistrer l’information ainsi que pour l’extraire par la suite. L’intensité de l’effort varie selon le niveau d’expertise et la fréquence d’utilisation.
2.1.2.4 Cognition externe
Pour palier à ses limites cognitives, notamment celles de la mémoire à court terme, l’humain a recours à des objets et des représentations externes qu’il manipule en vue d’accomplir des tâches complexes, principe que l’on nomme cognition externe. Des artéfacts physiques comme du simple papier et un crayon, en passant par la calculatrice jusqu’à l’ordinateur, lui permettent d’augmenter ses capacités cognitives. On considère également le langage, l’arithmétique et autres formalismes logiques comme des artéfacts mentaux.
Considérant tous ces faits sur la cognition, il conviendra d’en tenir compte lors de la conception de systèmes d’information centrés sur l’humain.
2.1.3 Compréhension
2.1.3.1 Définitions
Comme pour la connaissance, la compréhension peut se définir de plusieurs manières dépendant du point de vue. Purement et simplement, on peut dire que la compréhension est de la connaissance assimilée. Elle implique la découverte de certaines relations logiques autour d’un concept concernant sa nature même. Plus formellement, la compréhension peut être définie comme un processus psychologique relié à une entité physique ou abstraite (une personne, une situation, un message) sur laquelle on peut poser une réflexion et utiliser des concepts permettant d’interagir avec elle. C’est le fait d’être conscient qu’il existe des interrelations entre les informations et de pouvoir mettre la connaissance en pratique.
En considérant ces liens entre concepts comme unité de base de la compréhension, on peut lui appliquer l’échelle suivante où chaque échelon correspond à un niveau de compréhension plus approfondi que le précédent (Funke, 1993) :
Relationnel : Existence ou non-existence d’une relation ou d’un lien quelconque entre des concepts;
Signe : Identification de la ou des directions de ce lien;
Numérique : évaluation quantitative où l’on peut mettre un certain poids sur son intensité ou son importance.
L’échelle de classification des niveaux de compréhension présentée ci-après se base plutôt sur les étapes progressives d’une démarche d’analyse que l’on peut faire sur des connaissances à propos d’une situation (Levels of Understanding 2009):
Littéral : Se limite simplement à l’information connue, aux faits et à la description des facteurs impliqués dans la situation analysée;
Latéral : Mise en contexte des faits (histoire, politique, géographie); comparaison avec d’autres situations du même type et analyse de ses effets; mise en relation des parties impliquées;
Critique : Réflexion sur ce qui se produit réellement, ainsi que sur les origines et les causes de la situation, ce qu’elle implique;
Spéculatif : Hypothèses sur ce qui se produira dans l’avenir et sur les effets possibles de certains changements éventuellement apportés, qui pourraient empirer, améliorer ou même résoudre le problème.
En psychologie, on définit le « sensemaking » comme un processus de prise de conscience d’une situation et de sa compréhension de manière à pouvoir agir de manière informée et selon des principes définis (Alberts et Hayes 2006).
2.1.3.2 Modèle mental
Un modèle mental est un ensemble de mécanismes par lequel les humains peuvent décrire la forme et l’utilité d’un système, expliquer son fonctionnement ainsi que ses états observés, pour ensuite pouvoir prédire ses états futurs. C’est un outil interne dynamique, relativement durable et accessible mais limité, qui permet de percevoir, simplifier et mettre en contexte des problèmes complexes (Rouse et Morris 1986). Comme tout modèle, il s’agit d’une représentation imparfaite ou incomplète de la réalité qui se limite à une portion de cette dernière (Doyle et Ford 1998).
Il s’agit cependant d’un outil utile mais seulement observable de manière indirecte. Il peut être inféré par l’observation de comportements, d’actions, ou de verbalisations de la personne sous forme d’interviews ou questionnaires. Il peut également être explicité par l’utilisateur lui-même à l’aide de diagrammes, schémas heuristiques ou cartes conceptuelles (mind map).
2.1.3.3 Heuristiques
Les heuristiques sont des raccourcis mentaux permettant d’arriver rapidement à un jugement ou une prise de décision satisfaisante. Elles permettent de diminuer le temps et l’effort requis pour l’exécution d’une tâche ainsi que le traitement d’une plus grande
quantité d’information dans des contextes complexes. Quoiqu’utiles et souvent essentielles dans des situations où s’exerce une certaine pression temporelle, l’utilisateur doit s’en méfier car cela peut mener à de mauvais jugements et être la source d’erreurs. Dans des cas où l’on désire mesurer le niveau de compréhension, il faut aussi s’en méfier car elles peuvent mener à de bonnes performances de la part d’un utilisateur sans que ce dernier ait une véritable compréhension du système (Jobidon 2008).
2.2 Complexité
Alors que la complexité a toujours fait partie des activités humaines, son niveau a considérablement augmenté suite aux avancées majeures qu’ont connus de nombreux domaines dont les technologies de l’information. La rapidité avec laquelle ces avancées se produisent est également une conséquence des nouvelles interactions qui se sont créées entre des domaines de recherche à l’origine indépendants; ces nouveaux liens de plus en plus nombreux contribuent également à l’augmentation du niveau de complexité (Poussart 2006).
Les systèmes complexes englobent une grande variété de situations pour lesquelles il n’y a pas vraiment de théorie unifiée; chaque domaine approche la complexité selon ses besoins, et c’est ce que nous tenterons de faire le mieux possible dans ce mémoire.
L’incapacité de bien interagir avec une situation complexe mène souvent à une perte de contrôle ou à des prises de décision non-optimales, d’où l’intérêt grandissant de trouver des moyens pour améliorer la compréhension et l’interaction avec ce type de situation.
2.2.1 Définition : complexe versus compliqué
D’abord, il est impératif de faire la distinction entre une situation qui est complexe ou qui ne l’est pas. Les auteurs (Kurtz et Snowden 2003) proposent la classification suivante :
Situation simple (connue) : les patrons qui régissent la situation sont connus et les relations de cause à effet sont perceptibles et prédictibles;
Situation compliquée : les relations sont non-linéaires, impliquent des variables intermédiaires ou font intervenir de très grandes quantités de données. Les patrons
qui régissent la situation peuvent être découverts par inférence et une analyse approfondie;
Situation complexe : Les relations ne sont cohérentes qu’après une analyse rétrospective de la situation et ne se répètent pas au cours du temps.
Situation chaotique ou aléatoire : Il n’y a pas de relations ou de patrons perceptibles dans les données.
Certaines situations, en apparence compliquées, sont difficiles à analyser en raison du très grand nombre d’éléments qui les composent; ce peut n’être cependant qu’une question de temps pour que la situation vienne à portée de compréhension, grâce à de nouvelles théories, à des modèles ou ressources de calcul disponibles. Dans de tels cas, le principe de réductionnisme, c’est-à-dire la segmentation du système complet en composantes individuelles et leur isolation à la manière de « boîtes noires », peut être appliqué. Ainsi, le comportement du système entier peut être prédit de manière fiable et précise (Poussart 2006).
Une situation dite complexe, selon notre définition, ne peut être analysée selon cette méthode. Les composantes individuelles, s’il est possible de les identifier, ne peuvent pas prédire correctement le comportement du système entier à cause d’autres phénomènes et interactions qui interviennent. Ces caractéristiques, propres aux situations complexes, sont décrites dans la section qui suit.
2.2.2 Caractéristiques de la complexité
La complexité peut se manifester sous de nombreuses formes et dans une très grande variété de contextes, comme en témoignent les caractéristiques suivantes (Hübler 2005), (Poussart 2006) :
Boucles de rétroaction et patrons de comportement non-linéaires : Les composants d’un système complexe comportent des liens circulaires et entrelacés, des fonctions de croissance ou de décroissance exponentielles, des oscillations, des délais, ainsi que des combinaisons multiples de ces derniers éléments, rendant impossible l’analyse linéaire de cause à effet. Souvent, les valeurs quantitatives de ces
comportements ne sont pas tangibles, c’est-à-dire que l’on ne peut pas les mesurer à l’aide d’instruments. Les systèmes complexes relevant des domaines symbolique et social en sont des exemples;
Récursivité : Un système complexe, vu à l’échelle macroscopique, peut être composé de nombreux sous-systèmes qui sont également complexes à une échelle microscopique (un organisme vivant, par exemple);
Sensibilité aux conditions initiales : Un très léger changement au niveau des conditions initiales peut engendrer de grandes variations dans le comportement futur du système, le rendant tout à fait imprévisible;
Frontières floues : La frontière entre le fonctionnement interne du système complexe et son interaction avec l’extérieur n’est pas claire et précise, mais plutôt arbitraire. La segmentation du système interne en plusieurs entités pose un problème de même nature;
Compréhension – complexité et observateur : La complexité sera perçue différemment tout dépendant de l’échelle de temps ou d’espace de laquelle elle est observée. Également, l’observateur, en fonction de son expérience et de son domaine d’étude, amène une dimension très subjective à l’évaluation d’une situation complexe, que l’on ne retrouve pas dans les démarches réductionnistes; Système en évolution : Les actions posées sur un système complexe influencent non
seulement ses entités mais aussi l’ensemble des connexions qui les unissent. Ce dynamisme fait en sorte que la nature même du système complexe évolue avec le temps; l’application d’une quelconque forme de contrôle sur cette évolution est donc un défi de taille;
Lien traditionnel de cause à effet perturbé : À cause des nombreuses interactions imprévisibles entre les agents, il est pratiquement impossible d’isoler individuellement les causes et leurs effets;
Opacité : Il est difficile ou impossible de mesurer certaines données ou relations entre ces dernières et d’observer les effets des interactions avec le système. Certains paramètres restent cachés ou sont plus ou moins pertinents, ce qui brouille le portrait d’analyse;
Pas de contrôle centralisé : En général, les systèmes complexes n’obéissent pas à une entité maîtresse qui dirige toutes les opérations. Quoique cela puisse être un avantage du point de vue de la robustesse puisqu’il n’y a pas d’élément critique pouvant causer une défaillance majeure, cela peut être une source d’instabilité à cause d’une plus grande sensibilité aux perturbations légères.
Lorsque l’on recherche des aspects plus déterminants, communs à tous les systèmes complexes, ce sont les deux caractéristiques suivantes qui se distinguent :
Auto-organisation : C’est un processus dynamique par lequel le système complexe peut s’adapter et maintenir sa structure sans intervention extérieure;
Émergence : On considère qu’il y a émergence lorsque des patrons, des structures, des comportements ou d’autres propriétés cohérentes de haut-niveau apparaissent suite aux interactions de bas-niveau entre les composants du système.
2.3 Ingénierie des systèmes
Dans cette section sont regroupés des aspects théoriques et des recommandations en ce qui a trait à la conception de systèmes contrôlés par des utilisateurs humains. À ce titre, les aspects cognitifs y prennent une place importante. On présente en premier lieu un portrait des utilisateurs de systèmes d’information, des points de vue général et spécifique aux experts, dans un contexte de design d’interfaces. Par la suite, une liste de besoins auxquels un système centré sur l’humain devrait répondre est dressée. Finalement, divers principes de design concernant les interfaces personne-machine ainsi que des recommandations visant à réduire la charge mentale sont présentés.
2.3.1 Profil des utilisateurs
2.3.1.1 Considérations générales
Le succès de développement d’une interface pour un système est souvent difficile à atteindre pour de multiples raisons, notamment à cause d’une incompréhension entre concepteurs et utilisateurs en ce qui a trait aux besoins, aux spécifications fonctionnelles du système et aux possibilités technologiques. En général, on peut difficilement se fier aux futurs utilisateurs concernant la conception, l’optimisation et la prévision de contraintes à venir. Ils pensent en termes de logique d’utilisation alors que les concepteurs pensent en termes de logique de fonctionnement. Cependant, les utilisateurs peuvent faire preuve de créativité, d’imagination et de jugement.
2.3.1.2 Experts
Quoique les informations précédentes amènent certains faits généraux sur de potentiels utilisateurs, il importe de mentionner que le système d’aide à la compréhension développé sera également utilisé par des gens possédant une expertise dans un domaine donné qui sont confrontés à des situations complexes et savent les gérer, ou du moins y faire face, en fonction de cette expertise.
Ces experts se distinguent d’abord par des traits psychologiques forts comme une confiance en soi élevée, un bon sens des responsabilités ainsi qu’une grande aisance pour la communication à l’usage formel de vocabulaire spécialisé. Ils ont également des compétences pour prendre des décisions difficiles en situation de stress; ils ont des aptitudes à déceler les cas d’exception en plus de savoir délibérer de façon naturelle sur un plan d’action. Ils sont également habiles à utiliser des stratégies décisionnelles en suivant des processus rigoureux, en sachant décomposer les problèmes complexes et en anticipant des décisions d’action, tout en gardant une bonne vue d’ensemble du problème.
Les experts, malgré leurs nombreuses qualités, sont avant tout des humains et ils sont assujettis à certaines limitations cognitives, notamment au niveau de la charge mentale. Leur expérience et leurs solides connaissances peuvent leur jouer des tours en ce qui a trait aux heuristiques, comme appuyer une décision sur des signes contradictoires (représentativité), simplifier à l’excès une situation problématique (disponibilité) et résister
aux changements (ancrage). Des études ont enregistré des baisses de performance dans l’exécution de tâches comportant les caractéristiques suivantes : stimuli dynamiques vs statiques, décisions sur des comportements vs des choses, tâches uniques vs répétitives, etc. (Shanteau 1992). En ce qui a trait aux phénomènes complexes, il a été souvent observé que les gens éprouvent des difficultés à traiter un système impliquant des relations entre plus de 4 variables, de prédire des comportements et de porter des jugements adéquats, même s’il s’agit d’évaluateurs expérimentés et que toute la structure et les paramètres du système sont connus.
2.3.2 Systèmes cognitifs
Les théories présentées dans cette section s’apparentent au domaine de la macrocognition, qui délaisse l’étude approfondie de composantes élémentaires de la cognition humaine pour s’intéresser aux systèmes dans leur globalité et ce qui touche de plus près des tâches de la vie réelle. Le principe du « cognitive fit », qui consiste à présenter l’information de manière conforme au type de traitement que l’humain doit en faire, résume bien l’objectif recherché par ces théories (Hollnagel et Woods 1983).
2.3.2.1 Triade
Il s’agit d’un modèle stipulant que la performance atteinte avec un système dépend de trois éléments interconnectés : le monde externe ou le domaine, les agents humains et artificiels qui y interagissent et les artéfacts ou représentations externes. Le monde englobe des caractéristiques qui influencent la charge cognitive requise à l’exécution de la tâche et qui peuvent être de nature complexe. Le nombre d’éléments à contrôler, les embûches à éviter, les risques, la dynamique et le couplage entre les éléments sont des facteurs appartenant à cette partie. Les facteurs relatifs aux agents regroupent les aspects cognitifs humains et les communications avec les agents artificiels. Les artéfacts touchent les modes de représentation de l’information provenant du monde (Woods et Roth 1988).
2.3.2.2 Besoins de support fondamentaux
Un système cognitif devrait répondre aux cinq besoins suivants correspondant à des fonctions cognitives spécifiques qui y sont associées (Christoffersen et Woods 2002):
Observabilité : Surveillance adéquate de la situation. Doit être efficace en termes de détection de changements (« change blindness »);
Dirigeabilité : Concerne la planification et la coordination. Doit permettre d’entreprendre, d’interrompre et de reprendre des tâches concurrentes de façon dynamique selon les priorités;
Attention dirigée : Contrôle de l’attention et de la direction vers laquelle elle est portée. C’est une fonction importante pour les tâches où l’utilisateur doit par exemple choisir une cible à l’intérieur d’un court laps de temps. Doit éviter les sources de distractions (auditives notamment);
Résilience : Doit être adaptable et résistant aux perturbations;
Monde Agents Artéfacts Stratégies Dem ande s R ep ré se nta tio ns Discipline d’application
Figure 2-4 : Principe de la triade
Travail d’équipe : Supporte une certaine dimension sociale qui facilite le partage et la communication de l’information. La capacité cognitive d’une équipe est en général plus élevée que la somme des capacités individuelles de ses membres.
2.3.2.3 Principes HCI
Les principes HCI (Human-Computer Interfaces ou Interfaces Personne-Machine) ont pour objectif de guider la conception de la meilleure interface possible pour un système en fonction des contraintes de tâches et de la classe d’utilisateurs, et peuvent s’appliquer à une large sphère de domaines (Tremblay, Lafond et Gagnon 2008).
« Affordance » (ou potentialité): Utilisation d’éléments visuels clairs et selon les attentes de l’utilisateur;
Structure : Regroupement spatial des items suivant leur similarité ou le type de fonctionnalité;
Consistance : L’apparence, la position et le comportement des éléments sont faciles à apprendre et à retenir;
Tolérance aux fautes : Permet de revenir facilement en arrière en cas d’erreur ou avertit l’utilisateur de manière élégante lorsque cela est impossible. Implante des mécanismes qui préviennent et empêchent les occurrences d’erreurs;
Facilité de navigation : Utilise des métaphores de contrôles adaptées, permet à l’utilisateur de prendre des raccourcis et de créer ses propres patrons.
2.3.2.4 Réduction de la charge mentale
Comme il a été mentionné dans une section précédente, la charge mentale est l’effort requis pour l’exécution d’une tâche, ce qui demande à l’utilisateur une certaine quantité de ressources qui sont limitées. Il peut donc devenir rapidement surchargé à cause de limitations au niveau de la mémoire de travail notamment. Un mauvais design d’interface ou une mauvaise utilisation de la technologie peuvent augmenter inutilement la charge mentale, diminuant ainsi les ressources disponibles pour l’exécution de la tâche principale. Dans les cas où ces tâches visent la compréhension de situations complexes, il est impératif
de ne pas surcharger mentalement l’utilisateur. On présente donc ici une série de recommandations concernant le design d’interface visant à minimiser cette charge (Shneiderman 1998):
1. Privilégier la clarté visuelle : La théorie sur le système visuel nous a appris les tendances de l’humain à regrouper visuellement les éléments. Il peut donc être avantageux de tirer parti de cela en regroupant ensemble les éléments (chunking). Il faut également éviter les écarts informationnels : une plus grande quantité de données affichées n’équivaut pas nécessairement à une plus grande quantité d’informations assimilées.
2. Prévoir des valeurs par défaut et permettre l’annulation et le rétablissement d’actions de l’utilisateur (fonctions « undo » et « redo ») : Ceci s’inscrit dans les politiques de réduction et de tolérance aux erreurs et concerne principalement les interfaces où l’on doit entrer des données, mais peut inclure toute manipulation modifiant l’état du système.
3. Soulager la mémoire à court terme : Lorsque l’utilisateur doit suivre une certaine procédure et surtout s’il n’est pas familier avec cette dernière, il convient de l’inciter le plus simplement possible à entrer un choix ou une commande lorsque nécessaire afin de limiter l’effort pour se souvenir ou deviner ce qu’il doit faire.
4. Fournir de la rétroaction visuelle : Il est important de fournir des informations sur l’état du système afin que l’utilisateur ne soit pas perdu : repères de navigation, type d’action en cours, autres actions possibles, messages informatifs pendant le traitement de données, etc.
5. Privilégier la reconnaissance ou la reconstruction plutôt que le rappel : La reconnaissance exploite des métaphores souvent apparentées au monde réel et se fait rapidement; la reconstruction fait appel à un certain encodage de l’information; le rappel implique la récupération d’informations apprises par cœur. Il est plus facile pour l’humain de se rappeler de la signification des choses plutôt que sa représentation exacte (pour les acronymes, par exemple).
6. Offrir la possibilité de raccourcis : Leur utilisation peut devenir rapidement automatique avec la fréquence d’utilisation et permet donc d’augmenter l’efficacité. Évidemment, la conformité aux standards de l’industrie est, dans la mesure du possible, à privilégier.
7. Privilégier une syntaxe de type objet-action : Comme pour l’approche de développement orienté objet, il est souvent plus naturel d’offrir des interactions et des choix associés à un objet alors qu’il est pratiquement inutile de connaître les actions invalides sur ce dernier (comme les options grisées dans les menus).
8. Utiliser des métaphores du monde réel : Pour les métaphores, quoiqu’elles facilitent les analogies et le transfert de connaissances, une certaine prudence doit être exercée dans leur utilisation et une validation auprès de vrais utilisateurs est encouragée pour s’assurer qu’elles sont correctement interprétées.
9. Privilégier la découverte progressive des fonctions offertes : Il s’agit principalement de ne montrer à l’utilisateur que ce qui est utile lorsqu’il le souhaite, surtout s’il est un novice, ce qui lui donne un meilleur sentiment de contrôle. Ceci peut se réaliser en offrant des listes d’options simples et avancées.
2.4 Exploration
L’un des principaux problèmes auquel les gens de plusieurs disciplines font face est la croissance et la complexification de l’espace d’information. De plus, la plupart des systèmes actuels ne sont pas correctement optimisés pour le transfert, l’organisation et la navigation à travers cette information. Or, on voudrait pouvoir aller explorer au cœur de ces données et y découvrir des relations, des patrons, en somme des connaissances approfondies et de haut niveau. Ce genre de tâche étant souvent difficile à réaliser automatiquement à l’aide d’ordinateurs, il faut se tourner vers les capacités d’analyse de l’humain. Comme il a déjà été mentionné plus tôt, ce dernier excelle au niveau de la perception et de l’analyse de données visuelles. Le but de l’exploration est de favoriser une meilleure compréhension à l’aide de représentations visuelles adaptées au contexte et aux données.
2.4.1 Visualisation d’information
2.4.1.1 Définitions et origines
La visualisation d’information peut être définie comme étant la réduction et la traduction d’interrelations sémantiques et topologiques de l’espace de connaissances en une cartographie visuelle interactive tirant avantage des facultés visuelles humaines (Judelman 2004). Il s’agit d’une combinaison entre une représentation visuelle et une interface utilisateur permettant de manipuler et d’explorer des centaines, voire jusqu’à des millions d’éléments. Les concepts qui peuvent être représentés sont variés (prix, niveau de stress, données médicales, taux d’échanges entre organisations, résultats sportifs, etc.) et leurs représentations visuelles très différentes selon le type de données et l’objectif visé. C’est d’ailleurs une discipline issue de différents domaines d’étude :
Graphisme;
Statistiques, au niveau de l’analyse de données multidimensionnelles ou à plusieurs variables;
Visualisation scientifique, qui consiste à reproduire visuellement en 3 dimensions des phénomènes physiques ou biologiques, notamment en médecine. Les avantages de ces méthodes sont d’étudier des phénomènes difficiles ou impossibles à observer à l’état réel, d’améliorer le transfert d’informations disponibles par des représentations visuelles améliorées par rapport à la réalité, et aussi de remplacer des expériences coûteuses ou impossibles à réaliser par des simulations visuelles interactives;
Interfaces personne-machine;
« Data mining », discipline qui étudie la découverte de connaissances par méthodes mathématiques à des fins de visualisation et d’amplification de la cognition.
2.4.1.2 Objectifs et défis
Pour permettre une compréhension approfondie, une visualisation doit favoriser la reconnaissance efficace et rapide de patrons dans les données et la révélation de relations a priori invisibles. Elle devrait en outre suivre les principes suivants :
Agrégation : Regrouper, simplifier et organiser les informations selon leur apparence, leur forme ou leur structure relationnelle;
Abstraction : Permettre l’omission sélective de données en fonction de leur nombre, de leur ordre de grandeur et de leur pertinence, selon le contexte.
Hiérarchie : Permettre de passer d’un niveau d’abstraction à l’autre à l’aide de zoom sur les données.
Appréhension : la structure et le contenu de la visualisation sont perçus et compris efficacement et correctement.
Congruence : la structure et le contenu de la visualisation correspondent à la tâche et à la représentation mentale que l’on doit s’en faire (Tversky 2009).
Cependant, comme nous l’avons déjà mentionné, il existe certaines limitations techniques quand à la quantité de données à gérer et leur accessibilité, mais aussi en ce qui a trait au développement de théories générales permettant la classification et la standardisation des types de données, ce qui pourrait s’avérer nécessaire pour la réalisation de systèmes génériques. L’exploration de données dans des espaces à plusieurs dimensions, la mise à l’échelle et l’étiquetage posent également difficulté. La personnalisation des interfaces selon les préférences des utilisateurs, le support du travail collaboratif ainsi que des méthodologies d’évaluation comptent également parmi les défis à relever (Judelman 2004).
2.4.2 Techniques de visualisation
Cette section se veut un résumé d’état de l’art de techniques de visualisation développées pour des applications variées et divers types de données, et se termine avec quelques observations et recommandations de la littérature sur les interfaces 3D et immersives.
2.4.2.1 Représentations géographiques
Des développements récents dans les applications de visualisation géographique ont rendu une immense quantité de données cartographiques accessibles au grand public, notamment par le biais d’interfaces web. On pense ici à Google Maps et Google Earth (Figure 2-5), qui offrent des représentations 2D et 3D interactives de la carte du monde. À l’aide d’outils de navigation (widgets et souris), l’utilisateur peut parcourir toutes les zones géographiques du monde à diverses échelles de rapprochement, les plus élevées ne montrant que les informations de haut niveau comme les frontières politiques internationales, et les plus
