1 / 75

Repr ésentation des connaissances du domaine

Repr ésentation des connaissances du domaine. Roger Nkambou. Ontologie. Etude de ce qui est terme emprunté à la philosophie Pour nous : formalisation d’une conceptualisation. Ontologie. Se mettre d'accord sur le sens des termes employés dans une organisation, une communauté, un métier

malia
Download Presentation

Repr ésentation des connaissances du domaine

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Représentation des connaissances du domaine Roger Nkambou

  2. Ontologie Etude de ce qui est terme emprunté à la philosophie Pour nous : formalisation d’une conceptualisation

  3. Ontologie Se mettre d'accord sur le sens des termes employés dans une organisation, une communauté, un métier Faire en sorte que les personnes et les logiciels se comprennent Utile pour des applications distribuées telles que le Web

  4. Ambiguïté ‘chambre’ : Chambre d'hôtel ? Chambre d'écho ? Chambre des députés ? Chambre d'enregistrement ? Chambre noire ? Chambre funéraire ? ‘Stratégie d’apprentissage’ Stratégie de l'apprenant Stratégie cognitive Stratégie métacognitive Stratégie de communication Lire l’article suivant de Caroline Vergon

  5. Ontologie • Identifier, modéliser les concepts d'un domaine, pertinents pour une/des applications • Se mettre d'accord, au sein d'une communauté, sur les termes employés pour se référer à ces concepts

  6. terme Mot de la langue naturelle qui désigne un (des) concept(s) : cat, chat, greffier, matou termes qui désignent le concept de chat • synonymie:plusieurs termes dénotent le même concept • ambiguïté : plusieurs concepts dénotés par le même terme

  7. Ontologie • Identifier/modéliser les concepts et les relations conceptuelles • formaliser la conceptualisation, et le vocabulaire correspondant • Formalisation pour lever toute ambiguïté

  8. Pour quoi faire ? une base de connaissances pour • un système d’annotation • un système d’indexation documentaire, de recherche d’information • le commerce électronique (communication des agents) • un SABC • Domaine d’apprentissage • Pédagogie • Gestion de l’étudiant • Design pédagogique

  9. Ontologie • Différentes acceptations du mot ontologie : • Vocabulaire technique, • Référentiel métier, • Terminologie/thesaurus, • Système de classes d’une représentation par objet : UML ? • Base de connaissances terminologique • MOT, CREAM…

  10. Conception • Identifier/modéliser les concepts et les termes pertinents • Identifier les relations pertinentes : subClassOf, isa, partOf, hasPart, closeTo, over, under, contain, connected, etc. • Règles pour combiner les concepts et les relations : partOf est transitive

  11. Modéliser • Une ontologie est une modélisation des connaissances • Au sens où une théorie physique est un modèle de la réalité • Il peut y avoir plusieurs modèles d’une même réalité : • expérience de la chute des corps • théorie de la gravitation de Newton • relativité générale d’Enstein

  12. Connaissance • Continuum : donnée, information, connaissance • donnée : … --- … • information : SOS • connaissance : en cas d’alerte, déclencher les secours • La connaissance permet de produire de nouvelles données, informations, connaissances : inférence

  13. Types de connaissances • Connaissances de résolution de problème : • conception, diagnostic, évaluation, planification • tâches, inférences • Connaissances du domaine • e.g. électronique, mécanique, médecine, etc. • ontologie : réutilisable • modèles de domaine : fonctionnel, causal, structurel, exprimés dans le vocabulaire de l’ontologie.

  14. Ontologie concept Object concept Engine < Object concept Vehicle < Object relation partOf : Object -> Object

  15. Modèles de domaine Structurel : Engine e1 partOf Vehicle v2 causal : Engine breakdown => Vehicle stop

  16. Ontologie • L’accent est mis sur les concepts et les relations du domaine • Orienté modélisation, spécification, réutilisation, partage, standardisation. • Relations spécifiques du domaine considéré

  17. Objets • L'accent est mis sur le coté opérationnel. • Opérations rendues possibles par le modèle objet : classification, évolution, simulation, calcul. • Orienté résolution de problème

  18. Terminologie/Thesaurus • L'accent est mis sur les termes utilisés pour dénoter les concepts du domaine (linguistique, langue naturelle). • Les relations entre termes sont linguistiques. • Orienté indexation.

  19. Thesaurus (2) Recueil documentaire alphabétique de termes servant de descripteur pour : • analyser un corpus • indexer des documents • Relations prédéfinies standardisées pour les thésaurus

  20. Relations linguistiques • BT : Broader Term • NT : Narrower Term • TT : Top Term • RT : Related Term (other than BT, NT, TT, etc.)

  21. Relations (2) • USE : Prefered Term • UF : Use for, non preferred synonym, quasi synonym • SN : Scope Note, Une note pour expliquer un terme

  22. Propriétés d’une ontologie • Réutilisation (reuse): généralisation, abstraction • Partage (sharing): standardisation • Consensus (commitment) : Accord sur la conceptualisation partagée = engagement ontologique

  23. Caractéristiques • Formalisation : lever les ambiguïtés • Indépendance (relative) par rapport à une tâche, ou un problème précis • Supporte l’élaboration de tâches ou de scénarios car cette activité ne relève pas de l’ingénierie ontologique • Utilisable pour différentes tâches : conception, diagnostic, maintenance, recherche d'information, ENSEIGNEMENT et APPRENTISSAGE

  24. Caractéristiques (2) • Indépendante d’une implémentation : limiter le biais dû à un formalisme de représentation : niveau conceptuel • Des inférences sont possibles (relations transitives, axiomes, etc.)

  25. Types d’Ontologies • Ontologies générales, abstraites, de haut niveau : • Ontologie des catégories conceptuelles : • objet, événement, état, processus, action, temps, espace • Ontologies théoriques : • physique, mathématique, cinématique

  26. Types (2) Ontologie applicative : • Médecine, automobile, patrimoine culturel, organisation, etc.

  27. Principes de conception • Clarté : communiquer le sens des termes définis • Cohérence • Extensibilité • Indépendance vs implémentation • Modularité

  28. Outils/Langages • KIF : Knowledge Interchange Format • Ontolingua • Logiques de description (orientée classification) • Graphe conceptuel (support) • RDF Schema • DAML OIL • OWL • OWL full • OWL LD • OWL lite

  29. Exemples • Ontolingua : www-ksl.stanford.edu/sns.html • WordNet : Ontologie de la langue naturelle • Enterprise Ontology • Kactus : ingénierie • UMLS : Unified Medical Language System • Cyc • EngMath, PhysSys • O’Comma

  30. Deux études de cas: Modélisation du domaine d’apprentissage CREAM MOT

  31. Le cadre théorique général • Instructional Design • Une des mises en pratique importantes des théories de l'apprentissage • Constat de base : • Les modes d'organisation des activités d'apprentissage (ordre, enchaînement) influent fortement sur la façon dont s'opère l'appropriation de la connaissance • Contexte d'élaboration • Courant essentiellement nord américain (depuis 1970) • Origine : Formation professionnelle – entraînement militaire • Industrialisation de la formation

  32. La théorie de Gagné : les conditions de l'apprentissage • 5 catégories d'apprentissage : • Communication verbale • Habiletés intellectuelles • Stratégies cognitives • Habiletés motrices • Attitudes • Principes : • A chaque catégorie doivent correspondre des conditions spécifiques d'apprentissage • Ex : Stratégies cognitives <-> résolution de problèmes • Ex : Attitudes <-> jeu de rôle

  33. Gagné : les 9 types d'événements d'apprentissage • Attirer l'attention • Informer les apprenants des objectifs • Stimuler le rappel d'apprentissages antérieurs • Présenter un stimulus • Fournir un guide à l'apprentissage • Inciter à la performance • Fournir de retours d'information • Evaluer les performances • Favoriser la rétention et le transfert

  34. L'approche de Mager (1975) • Modèle : Criterion Referenced Instruction, ensemble de méthodes et modèles pour la conception et la mise en œuvre de programmes de formation • (1) identification des besoins d'apprentissage • (2) spécification précise des objectifs en termes de performance : quels résultats doivent être produits et comment doivent-ils être évalués (notion de critère) • (3) élaboration des méthodes de vérification des critères identifiés • (4) développement des modules de formation adaptés aux objectifs

  35. L'approche de Merril • "Component Display Theory" (CDT) • Deux dimensions à l'apprentissage • Les contenus à transmettre (faits, concepts, procédures, principes) • Les performances (utiliser, trouver, se remémorer) • 4 composants primaires (Règle, Exemple, Rappel, Exercice) et 5 composants secondaires (Prérequis, objectifs, assistances, mnémoniques, feedbacks) • Concevoir une formation = sélectionner la bonne combinaison de composants. Pour un objectif et un apprenant donnés, il existe une unique combinaison résultant de la situation d'apprentissage la plus efficace (individualisation)

  36. Le courant "andragogique" (Knowles) • Insiste sur l'importance d'adapter la formation à l'expérience ou aux intérêts des apprenants • Il n'y aurait pas d'organisation pédagogique optimale ne tenant pas compte de chaque apprenant : • Théories sur les différences individuelles et les profils • Recherche sur les styles cognitifs

  37. Les applications de l'"Instructional Design" • Objectif : industrialisation de la formation • Ingénierie des systèmes d'apprentissage (essentiellement à distance) • Ex : MISA (basé en partie sur Merrill) • Langages de modélisation pédagogique • Ex: CREAM (basé sur Gagné) • Mais plusieurs autres • EML (Open University of Netherlands) • CDF (Fondation ARIADNE) • LMML (University of Passau) • PALO (UNED) • Targeteam (Universität der Bundeswehr München) • TML/Netquest (University of Bristol) • Proposition d'un standard : IMS-Learning Design (Voir plus loin)

  38. CREAM-Tools Aperçu de CREAM Système de représentation de connaissances : CREAM Pédagogie Didactique Domaine

  39. CREAM • CREAM = Domaine + Pédagogie + Didactique • Domaine = CREAM-C • Didactique = CREAM-R • Pédagogie = CREAM-O + CKTN • CREAM-Tools = Env. auteur pour CREAM

  40. Acteurs et interfaces

  41. Méthodologie CREAM

  42. Méthode (suite)

  43. Ontologie des connaissances <Capability> : := <Notation> <Description> <Attributes> <Notation> : := <DomainElement> ( <Type> ) <Description> : := <Text> <Attributes> : := <VIAttributes> | <DiscriminationAttributes> | <DefinedConceptAttributes> | <ConcreteConceptAttributes> | <ProceduralKnowledgeAttributes> <DomainElement> : := <ID> <Types> : := law | proposition | setOfPrositions | definedConcept | concreteConcept | rule | highOrderRule | problemSolvingStrategy | learningStrategy <ConcreteConceptAttributes> : := <BasicAttributes> [<FunctionalAttributes>] <RecognitionRule> [<Examples>] [<NonExamples>] [<Nearmisses>] <ProceduralKnowledgeAttributes> : := <RuleAttributes> | <HighOrderRuleAttributes> | <CognitiveStrategyAttributes> <DiscriminationAttributes> : := <ListOfDiscriminationFactors> <DefinedConceptAttributes> : := <DefinitionPredicate> [<Examples>] [<NonExamples>] [<Nearmisses>] <RuleAttributes> : := <ListOfProcedures> <RecognitionRules> : := <Condition> <Condition>* <Action> <BasicAttributes> : := <Label> <Label>* <ListOfProcedures> : := <Procedure> <Procedure>*

  44. Exemple de connaissances ConcreteConceptClass Notation: #Button-ON-OFF-CHARGE(Concrete Concept) Description: ``Baxter pump start/stop button`` BasicAttributes: #(color, label) FunctionalAttributes: #(state #(on, off)) RecognitionRule: [(color = #yellow) and: [label = ‘ON-OFF-CHARGE’]. RuleClass Notation: #Perfusion(Rule) Procedures: #((pump isTurnOff) and: [turnOn(pump). TurnOn(Boutton-ON-OFF-CHARGE). programming(infusionRate). programming(volumeToBeInfused). start.])

  45. Définition des objectifs <Objective> ::= <Notation><Description><Level>[<Context>][<AssessmentRule>] <Notation> ::= <Ability>|<DomainElement> <Level> ::= acquisition | comprehension | application | analysis | synthesis | evaluation <Ability> ::= <AcquisitionSkill> | <ComprehensionSkill> | <ApplicationSkill> | <AnalysisSkill> | <SynthesisSkill> | <EvaluationSkill> <AcquisitionSkill> ::= enumerate | name | identify | indicate | define | recognize <ApplicationSkill> ::= solve | apply | perform | formulate | practice <AssessmentRule> ::= <Rule> ... ...

  46. Exemples ObjectiveClass Notation : #Recognize[Work-Signs] Description : ‘Learn how to recognize road repair signs’ Level: #acquisition Context: ‘The student will be able to point out and name work road signs between a given set of signs’ AssessmentRule : #(2 SIT/3 + 3 DT/4) “ comment : success on at least two simple identification tests (SIT) between three, and on at least three designation test (TD) between four” ObjectiveClass Notation : #Recognize[Work-Signs] Description : ‘Learn how to recognize road repair signs’ Level: #acquisition Context: ‘The student will be able to point out and name work road signs between a given set of signs’ AssessmentRule : #(5 MIT / 7) “comment : success on at least five multiple identification tests (MIT) between seven”

  47. Construction du CKTN

  48. Exemple de CKTN

  49. Architecture d’un STI avec curriculum explicite Student Model • Planner Tutor Authoring Environment Student Interface Domain Knowlege Student Instructional designers ? inst. objective Didactic Resource Curriculum What can I do ? AI IMPACT

  50. Dynamique d’un SABC basé sur CREAM

More Related