Proposition de l'architecture de l'agent gestionnaire du modèle de l'apprenant dans un système tuteur multi-agents en apprentissage de la lecture : contribution au projet AMICAL - TEL - Thèses en ligne Access content directly
Theses Year : 2009

Proposition de l'architecture de l'agent gestionnaire du modèle de l'apprenant dans un système tuteur multi-agents en apprentissage de la lecture : contribution au projet AMICAL

Didier Fragne
  • Function : Author
  • PersonId : 866321

Abstract

In this thesis we propose an architecture for a learner model manager agent in a multiagent reading tutor. This agent aims to both build the learner model and answer queries from the other agents of the system about that model. Our problematic was both to find out the best knowledge representation for the learner model in the specific domain of learning to read and to propose mechanisms to build this learner model integrated in the learner model manager agent. To build the learner model, the developed agent has to analyze the recorded interactions between the learner and the system and to put forward hypotheses on the level of knowledge of the learner. Then, the hypotheses are added to the existing learner model. The architecture proposed in this thesis is a multilayer architecture where each layer is itself a multiagent system. The agent is composed of three layers: the communication layer manages communications between the inner agent and the rest of the agents of the system; the analysis layer aims to put forward hypotheses on the level of knowledge of the learner; the model layer provides both the storage and the update of the learner model. Each layer is composed of a particular type of agent: the communication layer is composed of communication agents, the analysis layer is composed of analysis agents and the model layer is composed of knowledge agents.
Dans le cadre de l'environnement multi-agents AMICAL, cette thèse se propose d'étudier les problématiques liées à la conception de l'agent gestionnaire du modèle de l'apprenant (AGMA). Par gestion du modèle de l'apprenant, nous entendons à la fois la construction de ce modèle ainsi que la réponse aux interrogations des autres agents de l'environnement concernant le contenu de celui-ci. Nos problématiques sont à la fois de réfléchir à une formalisation du modèle de l'apprenant dans un domaine particulier qu'est l'apprentissage de la lecture ainsi que de proposer des mécanismes de construction de ce modèle intégrés à AGMA. Pour remplir son rôle de modélisation, AGMA va analyser le compte-rendu de la session de travail réalisée avec l'apprenant puis intégrer les nouvelles hypothèses issues de cette analyse au modèle existant. La contribution apportée par nos travaux est de deux ordres. Premièrement, nous proposons une représentation du modèle de l'apprenant sous forme de système multi-agents cognitifs où chaque agent sera en charge d'une partie du modèle. Deuxièmement, nous proposons de voir l'architecture d'AGMA comme un système multi-agents. À partir de l'analyse des différents rôles d'AGMA, nous avons dégagé une architecture modulaire : un module communication responsable de la communication entre les modules d'AGMA et le reste du système, un module analyse en charge de l'analyse des séquences de travail avec l'apprenant et un module modèle en charge de stocker et de maintenir à jour le modèle en intégrant les nouvelles hypothèses issues de l'analyse. Pour accroître la rapidité d'exécution nous avons représenté chaque module comme un système multi-agents.
Fichier principal
Vignette du fichier
these_didier_fragne.pdf (1.41 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-00449160 , version 1 (20-01-2010)

Identifiers

  • HAL Id : tel-00449160 , version 1

Cite

Didier Fragne. Proposition de l'architecture de l'agent gestionnaire du modèle de l'apprenant dans un système tuteur multi-agents en apprentissage de la lecture : contribution au projet AMICAL. Informatique [cs]. Université Blaise Pascal - Clermont-Ferrand II, 2009. Français. ⟨NNT : ⟩. ⟨tel-00449160⟩
276 View
543 Download

Share

Gmail Facebook X LinkedIn More